Numerieke statistische fysica

Numerical Statistical Physics

Studiewijzer 2020/2021

Globale inhoud

Computers zijn onmisbaar in de huidige natuurkunde. Veel natuurkundige problemen zijn niet exact op te lossen. De oplossingen van deze problemen worden door middel computationele methoden benaderd. Zo kunnen problemen die samengevat kunnen worden door (een set van) differentiaal-vergelijkingen benaderd worden door tijd en ruimte te discretiseren. Problemen waar de onderliggende kans-verdelingen van de elementaire interacties bekend van zijn kunnen gesimuleerd worden door gebruik te maken van zogenaamde 'Monte-Carlo' methoden. Op deze manier kan het (statistische) gedrag van het ensemble voorspeld en bestudeerd worden.
In deze cursus zullen een aantal problemen uit de statistische fysica en breder uit de klassieke fysica samen met relevante numerieke oplossingsmethoden behandeld worden. Enkele voorbeelden zijn het Ising model, Potts model, fase overgangen, het Metropolis algoritme en diverse integratie methoden voor (gewone) differentiaal vergelijkingen.
 De programmeertaal Python zal gebruikt worden.

Studiemateriaal

Overig

• Lecture slides

• Exercises and solutions

• Lecture notes (part of the course)

• All material will be available on the Canvas page

Leerdoelen

• gestelde natuurkundige problemen, in het bijzonder gerelateerd aan statistische fysica, omzetten in correcte computercode
• een aantal standaard technieken voor het oplossen van niet-lineaire en differentiaal vergelijkingen toepassen
• Monte-Carlo simulatie methoden toepassen voor een aantal problemen
• de resultaten van zijn/haar programma’s analyseren, interepreteren en grafisch weergeven
• geselecteerde code bibliotheken gebruiken in de programma's

Onderwijsvormen

• Hoorcollege
• Laptopcollege

The lectures provide an introduction to the techniques and problems. Each lecture is followed by a 4-hours exercise session with programming tasks (in Python), in which the techniques are applied to solve (physics) problems. The students start working on the tasks in the exercise session and complete them as homework.

Verdeling leeractiviteiten

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Van elke student wordt actieve deelname verwacht aan het onderwijsonderdeel waarvoor hij staat ingeschreven. Een student die de eerste twee werkcolleges van een lesblok geen gebruik maakt van de werkcolleges, zal administratief uit de werkcollegegroep verwijderd worden. Een verzoek opnieuw ingeschreven te worden bij de werkcolleges kan ingediend worden bij de opleidingscoördinator.
• Als een student door overmacht niet aanwezig kan zijn bij een verplicht onderdeel van het onderdeel, dient hij dit zo snel mogelijk schriftelijk te melden bij de betreffende docent. De docent kan, eventueel na overleg met de studieadviseur, besluiten om de student een vervangende opdracht op te leggen.
• Het is niet toegestaan om verplichte onderdelen van een onderdeel te missen als er geen sprake is van overmacht.
• Bij kwalitatief of kwantitatief onvoldoende deelname, kan de examinator de student uitsluiten van verdere deelname aan het onderdeel of een gedeelte daarvan. Voorwaarden voor voldoende deelname worden van te voren vastgelegd in de studiewijzer.
• Ter uitbreiding van de bovenstaande regels geldt voor de vakken in het eerste semester van het eerste jaar dat een student bij minimaal 80% van de werkcolleges aanwezig dient te zijn. Bovendien moet worden deelgenomen aan eventuele tussentoetsen en verplicht gesteld huiswerk. Als niet aan deze verplichting is voldaan, wordt de student uitgesloten voor de herkansing van het bijbehorende vak. Studenten in het Dubbele Bachelor programma Wis- en Natuurkunde zijn vrijgesteld van deze plicht. In geval van persoonlijke omstandigheden, zoals in OER-A Artikel A-6.4 omschreven, wordt in overleg met de studieadviseur een afwijkend studieplan gemaakt.

Toetsing

The final exam will be an online exam with programming tasks and conceptual questions, based on the lectures, lecture notes, and exercises.

Opdrachten

The exercises consists mostly of programming tasks in Python. The exercises are not graded and do not need to be handed in, but they are mandatory and form an important basis for the exam. You are encouraged to work with other students to solve the exercises. Exercise solutions will be provided, and feedback on the codes and solutions can be obtained from the TAs.

Fraude en plagiaat

Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl

Weekplanning

Rooster

Het rooster van dit vak is in te zien op DataNose.

Contactinformatie

Coördinator

• dr. P.R. Corboz

Docenten

• dr. R. Bruijn
• dr. P.R. Corboz