O modelo da pilha de areia de Deepak Dhar Resumo do seminário
Transcrição
O modelo da pilha de areia de Deepak Dhar Resumo do seminário
O modelo da pilha de areia de Deepak Dhar Resumo do seminário André Martin Timpanaro 29 de Novembro de 2007 1 O modelo BTW original (independente de gradientes) O modelo BTW (Bak - Tang - Wiesenfeld ) original consiste de uma rede L × L (que representa uma mesa em que a areia esta sendo colocada) onde cada um dos sı́tios tem uma variável zi que representa a altura da pilha de areia. A evolução do modelo é dada por 2 regras: Adição de areia: Se todos os sı́tios tiverem alturas abaixo de 4, um grão de areia é adicionado em um sı́tio escolhido aleatoriamente. Avalanches: Se um sı́tio tiver pelo menos 4 grãos de areia, ele perde 4 grãos de areia e os seus vizinhos ganham 1 grão cada. Note que os sı́tios na borda tem menos do que 4 vizinhos, então nesses casos ocorre perda de areia (a areia estaria caindo para fora da mesa) 2 A variante definida por Dhar Nessa variante, nós vamos definir um modelo que generaliza a idéia do modelo BTW com condição de relaxação dependente da altura. Primeiro, nós não vamos fazer hipóteses sobre a geometria dessa pilha de areia, de forma que qualquer sı́tio pode a priori receber diretamente a areia de qualquer outro sı́tio que esteja relaxando. Segundo, não vamos usar a hipótese que as alturas crı́ticas dos sı́tios são iguais, nem que os sı́tios perdem areia da mesma forma. 2.1 Definição do modelo Considere N sı́tios, cada um com um número inteiro zi representando a altura da pilha no sı́tio i, um outro inteiro zic que representa a altura crı́tica desse sı́tio e uma matriz de inteiros ∆ que define a geometria e a forma como os sı́tios perdem e recebem areia na pilha. As 2 regras de evolução do modelo BTW original ficam generalizadas como: Adição de areia: Se zi < zic ∀ i, então um sı́tio escolhido aleatoriamente recebe um grão de areia (zi ← zi + 1) Avalanches: Se zi ≥ zic para algum i, então as alturas de todos os sı́tios são atualizadas segundo zj ← zj − ∆ij ∀ j (1) Se uma configuração é tal que zi < zic ∀ i, ela é dita estável, senão ela é considerada instável. 2.2 Propriedades desejáveis da matriz ∆ Para que ∆ defina um modelo que guarde alguma semelhança com o modelo BTW original, algumas propriedades precisam ser obedecidas • Quando um sı́tio relaxa ele deve perder areia, logo ∆ii > 0 ∀ i 1 • Quando um sı́tio relaxa, os outros sı́tios não devem perder areia, logo ∆ij ≤ 0 ∀ i 6= j • Quando um sı́tio relaxa, a quantidade total de areia não aumenta, logo P ∆ ≥ 0∀i ij j • Qualquer configuração instável eventualmente relaxa para uma configuração estável (como visto no apêndice A, uma condição suficiente para isso é que det ∆ 6= 0) Essas propriedades tem algumas consequências. Como os sı́tios nos quais a areia é adicionada são aleatórios, eventualmente todos os sı́tios vão ter relaxado pelo menos uma vez. Como um sı́tio só pode perder areia relaxando, a partir da primeira vez que ele relaxou, a quantidade de areia nele nunca será menor do que zic − ∆ii . Portanto sem perda de generalidade eu posso escolher zic = ∆ii e logo todos os parâmetros relevantes do modelo podem ser definidos usando a matriz ∆. Também segue que o modelo é um processo markoviano com um número finito de configurações estáveis e que sem perda de generalidade zi ≥ 0. 2.3 Comutatividade do modelo Na definição do modelo, não foi especificado o que acontece se 2 sı́tios ficarem crı́ticos ao mesmo tempo. Na verdade isso não precisa ser especı́ficado, pois a configuração estável resultante é a mesma independentemente de como os relaxamentos sejam feitos. Isso é facilmente verificado, seja C uma configuração instável, em que os sı́tios tem tensões z1 , . . . , zN e tal que 2 sı́tios j e k distintos estejam crı́ticos (com outros sı́tios podendo estar crı́ticos também). Se fizermos o relaxamento do sı́tio j (apenas uma avalanche), a configuração C = (zi ) evolui para (zi −∆ji ). Como ∆jk ≤ 0 o sı́tio k continua crı́tico. Relaxando k, essa nova configuração passa a ser C ′ = (zi − ∆ji − ∆ki ). Fazendo o mesmo raciocı́nio mas relaxando primeiro k e depois j chegamos na mesma configuração C ′ . Logo não importa qual dos 2 relaxamentos é feito primeiro, a configuração após todos os relaxamentos (quando ela voltar a ser estável) será a mesma. Esse raciocı́nio pode ser extrapolado, de forma que qualquer que seja a ordem em que eu fizer os relaxamentos, a configuração estável que é obtida é a mesma. A primeira consequência dessa comutatividade é que as 2 regras de evolução também comutam. Ou seja, se temos uma configuração C e fazemos uma certa adição de areia (quantos grãos e em quais sı́tios quisermos) para depois fizermos todos os relaxamentos obteremos uma configuração C ′ estável. Mas se eu fizesse os relaxamentos de C até ela estabilizar, fizesse a mesma adição de areia e esperasse novamente o sistema se estabilizar, eu teria novamente C ′ . Para verificar isso, considere uma configuração C = (zi ) instável e que relaxa nk vezes no k-ésimo sı́tio até ficar estável e por fim acrescentamos um grão no sı́tio q (mas não relaxamos o sistema), as configurações serão X X nj ∆ji → zi + δiq − (zi ) → zi − nj ∆ji j j Se ao invés disso acrescentarmos o grão no sı́tio q da configuração sem relaxar e, como a ordem em que os relaxamentos são feitos não importa, fizermos os 2 mesmos relaxamentos na mesma ordem que no primeiro caso (isso é possı́vel por que nenhum desses relaxamentos deixa de existir por causa da adição do grão) obtemos as seguintes configurações X (zi ) → (zi + δiq ) → zi + δiq − nj ∆ji j ou seja temos a mesma configuração nos 2 casos. Apesar dela não ser necessariamente estável, isso garante que as 2 configurações relaxam para a mesma configuração estável e isso implica na comutatividade das 2 regras de evolução. 2.4 Operadores de evolução Como a matriz ∆ é tal que qualquer configuração instável eventualmente relaxa para uma estável, podemos definir N operadores que dão a evolução das configurações estáveis. Seja C = (z1 , z2 , z3 , . . . , zN ) uma configuração estável. Para cada um dos N sı́tios eu posso atribuir a C uma configuração estável, a saber, a que seria obtida se eu acrescentasse um grão de areia naquele sı́tio e esperasse até a pilha relaxar para uma configuração estável. De forma mais precisa, se C é uma configuração estável, então ai C é a configuração estável em que o sistema se encontra depois que um grão de areia é adicionado no sı́tio i e todas as avalanches já aconteceram. A evolução do modelo pode ser reescrita como o sorteio de um inteiro i entre 1 e N e a configuração evolui segundo C ← ai C. Logo, como o modelo é comutativo, segue que ai aj C = aj ai C ∀ i, j para todas as configurações estáveis C. Isso é verificado trivialmente adicionando os 2 grãos de areia antes de fazer o relaxamento. 2.5 Configurações recorrentes Seja C uma configuração estável. C é dita recorrente se existem inteiros positivos mi tais que i am i C = C ∀i (2) Ou seja, se colocarmos grãos de areia em um mesmo sı́tio eventualmente o sistema volta para a configuração C, independentemente de qual sı́tio tenha sido escolhido. 2.5.1 Existência de configurações recorrentes k Suponha que C é tal que am k C = C para todos os valores k = 1, . . . , q (q = 0 para uma configuração para a qual não existe k em que isso acontece). Vamos aplicar então o operador aq+1 várias vezes em C. Como temos um número finito de configurações estáveis, eventualmente vamos ter repetições, ou seja, mq+1 ′ C = C ′ . Logo se k existe uma configuração C ′ tal que C ′ = apq+1 C e que aq+1 está entre 1 e q: p p mk p mk ′ ′ k am k C = ak aq+1 C = aq+1 ak C = aq+1 C = C 3 ′ ′ k Logo C ′ é tal que am k C = C para k = 1, . . . , q + 1. Segue por indução que sempre existe pelo menos uma configuração recorrente. 2.5.2 O conjunto das configurações recorrentes O conjunto das configurações recorrentes será denotado por R. k Seja C uma configuração recorrente. Então am k C = C ∀ k, logo se Y p C ′ = aj j C j então mk ′ k am k C = ak Y j p aj j C = Y j Y p k apj j C = C ′ aj j am k C = j Ou seja, todas as configurações obtidas a partir de uma configuração recorrente também são recorrentes. Suponha agora que C seja uma configuração estável qualquer e que está evoluindo segundo as regras do modelo. Usando o mesmo argumento que foi usado para provar a existência de configurações recorrentes, segue que eventualmente o sistema sempre evolui para configurações recorrentes. Portanto as configurações do sistema no estado estacionário são exatamente as configurações recorrentes. Além disso, qualquer configuração recorrente podem ser atingida partindo de qualquer outra configuração recorrente (com a aplicação de um conjunto especı́fico de ai ’s). Finalmente, podemos definir inversas para os operadores de evolução dentro −n i −n i do conjunto R. Como am = aqm , com i C = C ∀ i e ∀ C ∈ R, então ai i qmi ≥ n. ii Considere agora a configuração a∆ i C, obtida acrescentando ∆ii grãos de areia no sı́tio i. Isso torna o sı́tio i crı́tico, o que faz com que ele perca a areia adicionada e faz com que os outros sı́tios recebam uma quantidade de areia igual a −∆ij . Logo a configuração que é obtida após os relaxamentos é a mesma que obterı́amos se tivessemos adicionado −∆ij grãos de areia para todos os sı́tios exceto o i. Ou seja Y −∆ ii a∆ C = aj ij C ∀ C i j6=i Os termos ∆ij , i 6= j são menores ou iguais a zero. Logo se C for recorrente, então ela tem o operador Y ∆ aj ij j6=i definido. Aplicando esse operador dos 2 lados da equação segue que Y ∆ aj ij C = C ∀ C ∈ R j ou seja 4 Y ∆ij aj = IR ∀ i (3) j onde IR é o operador identidade do conjunto R. 2.5.3 O grupo dos operadores de evolução Os operadores ai são associativos, invertı́veis e definem uma identidade no conjunto R. De forma que o conjunto Y q aj j , qj ∈ Z G= j i é um grupo abeliano, onde os elementos ai tem os vı́nculos am = IR (idemi potência) e o da eq.3. Dois elementos desse grupo só são distintos se existe um elemento de R que eles levam em configurações diferentes quando aplicados. Como toda configuração recorrente pode ser obtida partindo de uma configuração recorrente qualquer, o conjunto R pode ser escrito como R = {gC, g ∈ G} onde C é um elemento qualquer de R. 2.6 A equação mestra Se Pest for a distribuição de probabilidade estacionária das configurações do sistema (a variável aleatória em questão) então Pest (C) = 0 se C não for recorrente. A equação mestra do problema é então (para uma configuração recorrente) X Pt+1 (C) = Pt (C) + (Pt (C ′ )T (C, C ′ ) − Pt (C)T (C ′ , C)) C ′ ∈R Mas cada um dos C ′ é da forma gC, onde g ∈ G, logo X Pt+1 (C) = Pt (C) + (Pt (gC)T (C, gC) − Pt (C)T (gC, C)) = g∈G = Pt (C) + X (Pt (gC)T (g −1 (gC), gC) − Pt (C)T (gC, C)) g∈G reoordenando a primeira soma (Pt (gC)T (g −1 (gC), gC)) de forma que ela seja sobre os g −1 temos Pt+1 (C) = Pt (C) + X (Pt (g −1 C)T (g(g −1 C), g −1 C) − Pt (C)T (gC, C)) g∈G Mas T (gA, A) = T (gB, B) ∀ A, B ∈ R, pois são necessários os mesmos relaxamentos para a transição A → gA e para a B → gB. Logo T (gA, A) = φ(g) (φ(g) é no fundo a probabilidade de se sortear o elemento g como sendo o operador de evolução na hora de fazer a adição de areia), logo 5 Pt+1 (C) = Pt (C) + X φ(g)(Pt (g −1 C) − Pt (C)) (4) g∈G e no estado estacionário temos X φ(g)(P (C) − P (g −1 C)) = 0 ∀ C ∈ R (5) g∈G Para encontrar a evolução temporal podemos pegar a eq. 4 e reescrevê-la como X Pt+1 (C) = φ(h)Pt (h−1 C) ∀ C ∈ R ⇒ h∈G Pt+1 (gC0 ) = X φ(h)Pt (h−1 gC0 ) ∀ g ∈ G h∈G Fazendo a mudança de variável h−1 g = j ⇒ h = gj −1 logo X Pt+1 (gC0 ) = φ(gj −1 )Pt (jC0 ) ∀ g ∈ G j∈G Podemos escrever isso numa forma matricial, se Φ = (φ(gi gj−1 )) e P~n = (Pn (gi C0 )): P~t+1 = Φ.P~t (6) onde os gi são os elementos de G ordenados de 1 a NG , o número de elementos de G. Uma solução trivial para a eq. 5 é Peq (C) = cte. ∀ C ∈ R, ou seja todas as configurações recorrentes serem equiprováveis. Como provado no apêndice B, esse é a única solução estacionária. A condição para o balanceamento detalhado é P (C ′ )T (C, C ′ ) = P (C)T (C ′ , C) ∀ C, C ′ ∈ R ⇒ φ(g −1 )P (gC) = φ(g)P (C) ∀ g ∈ G Como as configurações recorrentes são equiprováveis, temos φ(g) = φ(g −1 ). Essa equação não é obedecida sempre, pois se g 6= ai temos que φ(g) = 0, enquanto que φ(ai ) 6= 0 sempre. Da definição de inversa dos operadores ai segue que só em casos especiais vamos ter φ(ai ) = φ(a−1 i ). 2.7 O número de configurações recorrentes Nós encontramos uma solução para a equação mestra, mas para obtermos as probabilidades exatas, precisamos ainda saber quantas configurações recorrentes um certo sistema vai ter, pois a solução é: 0 se C ∈ /R 1 se C ∈ R NR Pela definição de G temos que NR = NG . Como o grupo G é comutativo ele tem representações da forma 6 aj ≡ eiγj O vı́nculo da eq. 3 passa a ser a equação P X ei j γj ∆kj = 1 ∀ k ⇒ ∆ij γj = 2πni , ni ∈ Z j ou em uma forma matricial ~γ = ~n (7) 2π que é um sistema linear. A representação do grupo G é única. Logo, se eu fixar a representação eu passo a ter uma relação entre os ~γ e os operadores de evolução e consequentemente com os elementos de G. Além disso, todos os elementos de G são gerados dessa forma. Se det ∆ 6= 0 então os ~γ podem ser obtidos a partir de ∆. ~γ = 2π∆−1~n Para cada valor de ~n eu tenho uma solução distinta de ~γ . A região em que estão as soluções de ~γ levando em conta a periodicidade dos ai com relação a eles é um hipercubo de dimensão N e aresta 2π. Nesse caso a eq. 7 pode ser encarada como uma transformação linear cuja matriz é ∆ nessa base e que está sendo aplicada em um hipercubo de aresta 1. O hipervolume do sólido resultante é dado pelo jacobiano da transformação | det ∆|. O número de pontos cujas coordenadas são todas inteiras e que estão dentro do hipervolume resultante é a razão entre esse hipervolume e o hipervolume da célula unitária desses pontos. Logo temos | det ∆| soluções distintas para os ~γ e que geram operadores distintos. Segue que NR = NG = | det ∆| Devemos lembrar aqui que assumimos que det ∆ 6= 0 nesse raciocı́nio. Essa equação não vale para esse caso pois ~γ = ~n = ~0 é sempre solução (essa solução dá a identidade do grupo). Logo, no caso em que det ∆ 6= 0 a solução da equação mestra é 0 se C ∈ /R 1 se C ∈ R | det ∆| A Condição suficiente para estabilidade do modelo Suponha que C seja uma configuração instável e que não relaxa para uma configuração estável. Como a quantidade de areia não aumenta, o número de configurações instáveis é limitado (Ele é no máximo (Q+1)N , onde Q é a quantidade de areia no sistema todo). Então, se eu evoluir a configuração C através de avalanches, eventualmente eu alcanço uma configuração C ′ que acaba se repetindo. Entre os 2 instantes em que o sistema atingiu a configuração C ′ o sı́tio k relaxou 7 mk vezes. A quantidade de areia perdida por um sı́tio j qualquer durante esses relaxamentos é dada por X mi ∆ij i Mas como o sistema saiu de uma configuração e voltou para ela durante esses relaxamentos temos que X mi ∆ij = 0 ∀ j i escrevendo essa equação matricialmente temos m∆ ~ = ~0 ⇒ det ∆ = 0 Logo, se det ∆ 6= 0, toda configuração instável relaxa para uma configuração estável. B Condição suficiente para a unicidade de uma solução estacionária Suponha que T seja uma matriz estocástica de um processo markoviano, tal que ∀ i, j∃k1 , . . . , km tais que T (i, k1 ), T (k1 , k2 ), . . . , T (kl , kl+1 ), . . . , T (km , j) 6= 0 ou seja, qualquer estado é acessı́vel pelos outros. E também, tal que só existe um número finito N de estados. Suponha agora que ~u é um auto-vetor de T a esquerda com auto-valor 1 (sempre existe pelo menos o auto-vetor ui = 1 ∀ i). Então ~u.T = ~u, ou de forma explı́cita X uk T (k, j) = uj ∀ j k o que implica que X (uk − uj )T (k, j) = 0 ∀ j k Como existe um número finito de estados, o conjunto M = {j|uj = min uk } k não é vazio. Se j ∈ M , então (uk − uj )T (k, j) ≥ 0, logo T (k, j) 6= 0 ⇒ uk = uj . Portanto, T (k, j) 6= 0 ⇒ k ∈ M . Mas então, M = {1, . . . , N }, pois por hipótese ∀ i, j∃k1 , . . . , km tais que T (i, k1 ), T (k1 , k2 ), . . . , T (kl , kl+1 ), . . . , T (km , j) 6= 0 (isso implica que se j ∈ M , então km ∈ M ⇒ km−1 ∈ M ⇒ . . . ⇒ i ∈ M ∀ i) 8 Segue que a multiplicidade geométrica do auto-valor 1 a esquerda é 1. Como a multiplicidade geométrica é igual a esquerda e a direita (isso pode ser provado usando o teorema de Jordan), então só existe um auto-vetor ~v de T a direita com auto-valor 1. Além disso, qualquer outro auto-vetor a direita é ortonormal a ~u e logo, tal que a soma de suas componentes é zero, o que implica que as componentes de ~v são positivas. Portanto ~v é a única solução estacionária. (Note que isso não impede a existência de auto-valores diferentes de 1 mas com módulo 1) B.1 Aplicação ao modelo de Dhar A probabilidade do sistema se encontrar em uma configuração que não é recorrente tende a zero a medida que o sistema evolui, de forma que essas configurações podem ser desconsideradas quando estamos interessados no estado estacionário. O modelo para uma certa matriz ∆ passa a ser um processo markoviano, cuja matriz estocástica é a matriz Φ (eq. 6). Temos que φ(g) 6= 0 se e somente se g = ai para algum i. Logo Φij 6= 0 se e somente se gi = ak gj para algum k. Da definição de G, dados gi , gj ∈ G, então ! Y p Y p −1 k k gi gj = ak ⇒ gi = ak gj k k Logo, denotando Φi,j por Φ(gi , gj ), temos Φ(ak gj , gj ) 6= 0, então Φ(a1 gj , gj ), Φ(a21 gj , a1 gj ), . . . , Φ(ap11 gj , a1p1 −1 gj ), . . . , , Φ(ap11 ap22 gj , ap11 ap22 −1 gj ), . . . , Φ gi , a−1 N gi 6= 0 Logo o modelo que leva em conta somente as configurações recorrentes obedece a condição da seção anterior, o que implica que P~eq é o único estado estacionário. 9