Viele der schwierigsten Aufgaben der modernen Quantenphysik entstehen nicht bei einzelnen Teilchen, sondern bei Systemen aus vielen miteinander wechselwirkenden Teilchen. Bereits wenn Elektronen, Atome, Phononen oder andere Quasiteilchen gegenseitig aufeinander einwirken, wächst die mathematische Komplexität drastisch. Die Zustände der einzelnen Teilchen können dann nicht mehr unabhängig voneinander behandelt werden. Korrelationen bestimmen die Eigenschaften des gesamten Systems.

Formal lässt sich ein Vielteilchenproblem häufig durch einen Hamiltonoperator der Form

\(H = H_0 + V\)

beschreiben. Dabei steht \(H_0\) für den exakt oder zumindest einfach lösbaren nichtwechselwirkenden Anteil und \(V\) für die Wechselwirkung. Die zentrale Schwierigkeit besteht darin, den Einfluss von \(V\) auf messbare Größen zuverlässig zu bestimmen.

Für schwache Wechselwirkungen kann eine gewöhnliche Störungstheorie ausreichend sein. Die gesuchte Größe wird dabei als Reihe nach der Wechselwirkungsstärke oder einer äquivalenten Ordnungsgröße entwickelt. Bei stark korrelierten Systemen reichen jedoch wenige niedrige Ordnungen häufig nicht aus. Eine direkte Berechnung sämtlicher höherer Beiträge wird schnell unmöglich, weil sowohl die Zahl der Feynman-Diagramme als auch die Dimension der zugehörigen Integrale stark anwachsen.

Diagrammatic Monte Carlo, kurz DiagMC, setzt genau an diesem Punkt an. Statt alle Diagramme einer Störungsreihe deterministisch zu erzeugen und einzeln auszuwerten, wird der Raum der Diagramme selbst mit Monte-Carlo-Verfahren stochastisch durchsucht. Bare Diagrammatic Monte Carlo bezeichnet eine Variante dieses Ansatzes, bei der die diagrammatische Expansion aus festgelegten nicht selbstkonsistent gedressten Propagatoren und Wechselwirkungsbausteinen konstruiert wird.

Bedeutung des Begriffs „Bare“

Der Begriff „bare“ muss präzise verstanden werden. Er bedeutet nicht zwangsläufig, dass jeder verwendete Baustein die elementarste mögliche Wechselwirkung darstellt. Entscheidend ist vielmehr, dass die während der DiagMC-Rechnung verwendeten Linien und Vertices nicht durch die gesuchte Selbstenergie selbstkonsistent aktualisiert werden.

So kann beispielsweise bei einem Fermi-Polaron eine Zweiteilchen-Vertexfunktion verwendet werden, in der eine bestimmte Klasse von Leiterdiagrammen bereits analytisch resummiert wurde. Diese Vertexfunktion kann anschließend als fester Ausgangsbaustein einer Bare-Serie dienen. Das unterscheidet sich grundsätzlich von einer Bold-Expansion, bei der vollständig gedresste Propagatoren oder Vertices iterativ aus der berechneten Selbstenergie aufgebaut werden.

Ziel der Methode

Das Ziel von Bare DiagMC besteht darin, hochdimensionale diagrammatische Reihen numerisch bis zu Ordnungen zugänglich zu machen, die mit einer manuellen oder vollständig deterministischen Auswertung praktisch nicht erreichbar wären. Die Methode ersetzt die kombinatorische Aufzählung nicht durch eine Näherungsformel, sondern durch statistisches Sampling.

Damit verlagert sich das Problem. Statt jedes Diagramm exakt berechnen zu müssen, muss eine Markov-Kette konstruiert werden, die den relevanten Diagrammraum korrekt und ergodisch durchsucht. Hinzu kommen Fragen der Konvergenz, der Vorzeichenauslöschung, des statistischen Fehlers und gegebenenfalls der Resummation divergenter Reihen.

Physikalische und mathematische Grundlagen

Vielteilchensysteme und Störungstheorie

Die Grundlage der diagrammatischen Vielteilchentheorie ist die Aufteilung des Hamiltonoperators in einen lösbaren Referenzteil und eine Wechselwirkung. Formal kann eine Observable als Entwicklung nach der Wechselwirkung geschrieben werden. Schematisch besitzt eine solche Reihe die Form

\(Q = \sum_{N=0}^{\infty} Q_N\)

wobei \(Q_N\) sämtliche Beiträge der Diagrammordnung \(N\) enthält. Schon diese Darstellung zeigt das zentrale Problem: Selbst wenn jeder einzelne Beitrag berechenbar ist, muss eine potenziell unendliche Zahl zunehmend komplizierter Terme berücksichtigt werden.

Die Feynman-Diagrammatik übersetzt diese algebraische Entwicklung in grafische Regeln. Propagatoren werden durch Linien dargestellt, Wechselwirkungen durch Vertices oder Wechselwirkungslinien. Ein Diagramm ist dabei keine Illustration einer klassischen Teilchenbahn. Es ist eine kompakte grafische Darstellung eines mathematischen Integrals.

Green-Funktionen

Eine zentrale Rolle spielen Green-Funktionen. Sie beschreiben die Ausbreitung einer Anregung durch ein Quantensystem. Für ein nichtwechselwirkendes Fermion kann der Propagator im Frequenz-Impuls-Raum beispielsweise in der Form

\(G_0(k,i\omega_n) = \frac{1}{i\omega_n-\xi_k}\)

geschrieben werden. Hier bezeichnet \(\xi_k\) die Einteilchenenergie relativ zum chemischen Potential und \(\omega_n\) eine fermionische Matsubara-Frequenz.

Sobald Wechselwirkungen berücksichtigt werden, wird aus dem freien Propagator \(G_0\) der vollständige Propagator \(G\). Der Einfluss aller irreduziblen Wechselwirkungsprozesse wird in der Selbstenergie \(\Sigma\) zusammengefasst.

Dyson-Gleichung

Der Zusammenhang zwischen freiem Propagator, vollständigem Propagator und Selbstenergie wird durch die Dyson-Gleichung beschrieben:

\(G^{-1}(k,i\omega_n) = G_0^{-1}(k,i\omega_n) - \Sigma(k,i\omega_n)\)

Äquivalent kann geschrieben werden:

\(G = G_0 + G_0 \Sigma G\)

Diese Gleichung ist für das Verständnis des Unterschieds zwischen Bare und Bold DiagMC entscheidend. In einer Bare-Expansion werden die internen Einteilchenlinien typischerweise aus einem vorgegebenen Propagator wie \(G_0\) aufgebaut. Bei einer vollständig geboldeten Expansion werden dagegen gedresste Linien \(G\) verwendet, die ihrerseits von der gesuchten Selbstenergie abhängen.

Selbstenergie

Die Selbstenergie enthält die Auswirkungen der Wechselwirkung auf ein propagierendes Teilchen. Sie verändert unter anderem die Energie, Lebensdauer und effektive Masse einer Quasiteilchenanregung.

Formal kann auch die Selbstenergie nach Diagrammordnungen entwickelt werden:

\(\Sigma = \sum_{N=1}^{\infty} \Sigma_N\)

Jede Ordnung enthält wiederum eine Anzahl unterschiedlicher Diagrammtopologien und Integrationen über interne Impulse, Frequenzen oder imaginäre Zeiten.

Feynman-Diagramme als Integrale

Ein Diagramm einer bestimmten Ordnung ist vollständig durch seine Topologie und seine internen kontinuierlichen Variablen bestimmt. Sein Beitrag kann schematisch als

\(W_D = S_D \int dX \prod_j G_j \prod_l V_l\)

dargestellt werden. Hier bezeichnet \(S_D\) den Vorzeichen- und Symmetriefaktor, \(X\) die Gesamtheit der internen Variablen, \(G_j\) die Propagatoren und \(V_l\) Wechselwirkungen oder Vertexfunktionen.

Bei steigender Ordnung wächst sowohl die Zahl möglicher Diagramme als auch die Zahl der Integrationsvariablen. Genau diese Kombination macht hohe Ordnungen zu einem geeigneten Einsatzgebiet für Monte-Carlo-Sampling.

Grundprinzip von Diagrammatic Monte Carlo

Monte Carlo im Diagrammraum

Konventionelles Monte Carlo tastet einen Konfigurationsraum stochastisch ab. Bei klassischen statistischen Systemen kann eine Konfiguration beispielsweise einer bestimmten Anordnung von Spins entsprechen. Bei Pfadintegralmethoden besteht eine Konfiguration aus imaginärzeitlichen Pfaden. Bei Diagrammatic Monte Carlo ist die Konfiguration dagegen ein Feynman-Diagramm einschließlich seiner kontinuierlichen Variablen.

Eine Konfiguration kann schematisch durch

\(C = (N,D,X)\)

beschrieben werden. Dabei ist \(N\) die Diagrammordnung, \(D\) die Topologie und \(X\) die Menge der internen Impulse, Frequenzen oder Zeiten.

Der Monte-Carlo-Prozess wechselt zwischen solchen Konfigurationen. Ein Update kann beispielsweise eine Wechselwirkungslinie hinzufügen, eine Linie entfernen, einen internen Impuls verändern oder die zeitliche Position eines Vertex verschieben.

Diagrammgewicht als Sampling-Gewicht

Jede Konfiguration besitzt ein mathematisches Gewicht. Dieses Gewicht ist im Allgemeinen nicht positiv. Fermionische Diagramme können unterschiedliche Vorzeichen besitzen.

Für das Sampling wird häufig der Betrag des Gewichts verwendet:

\(P(C) \propto |W(C)|\)

Das Vorzeichen wird anschließend in die Messung aufgenommen. Für eine Observable ergibt sich schematisch

\(\langle O \rangle = \frac{\langle O(C)\,\mathrm{sgn}(W(C)) \rangle_{|W|}}{\langle \mathrm{sgn}(W(C)) \rangle_{|W|}}\)

Diese Trennung ermöglicht Monte-Carlo-Sampling trotz negativer Beiträge, beseitigt aber nicht automatisch das Vorzeichenproblem.

Warum Diagramme nicht vollständig aufgezählt werden

Eine direkte Berechnung würde verlangen, alle Diagramme einer Ordnung zu erzeugen und jedes hochdimensionale Integral separat auszuwerten. DiagMC konzentriert die Rechenzeit stattdessen auf statistisch relevante Regionen des Diagrammraums.

Dies ist besonders wirkungsvoll, wenn große Einzelbeiträge sich gegenseitig stark aufheben. Eine vollständige Enumeration würde trotzdem jeden dieser Beiträge berechnen. Das Monte-Carlo-Verfahren kann die gesamte diagrammatische Struktur als statistischen Raum behandeln und die Summe unmittelbar abschätzen.

Kontinuierlicher Konfigurationsraum

Ein wesentlicher Vorteil besteht darin, dass interne Impulse und Zeiten nicht grundsätzlich auf ein künstliches Gitter gelegt werden müssen. DiagMC kann direkt in kontinuierlichen Variablen arbeiten. Dadurch entfallen in geeigneten Formulierungen systematische Fehler, die durch eine Diskretisierung dieser Variablen entstehen würden.

Das bedeutet jedoch nicht, dass eine DiagMC-Rechnung frei von systematischen Fehlern ist. Begrenzte Diagrammordnung, Resummation, endliche Statistik und numerische Cutoffs können weiterhin entscheidend sein.

Definition und Aufbau von Bare Diagrammatic Monte Carlo

Die Bare-Expansion

Bei Bare DiagMC wird zunächst eine konkrete diagrammatische Reihe festgelegt. Ihre internen Linien und Wechselwirkungsobjekte werden während des Monte-Carlo-Prozesses nicht selbstkonsistent durch das Ergebnis der Simulation ersetzt.

Eine typische Selbstenergieentwicklung kann als

\(\Sigma_{\mathrm{bare}} = \Sigma^{(1)}[G_0,\Gamma_0] + \Sigma^{(2)}[G_0,\Gamma_0] + \Sigma^{(3)}[G_0,\Gamma_0] + \cdots\)

geschrieben werden. \(G_0\) und \(\Gamma_0\) stehen hier für die festgelegten Ausgangsbausteine. Welche physikalischen Prozesse bereits in \(\Gamma_0\) zusammengefasst wurden, hängt vom jeweiligen Modell ab.

„Bare“ ist eine Definition der Expansion

Es wäre falsch, Bare DiagMC ausschließlich mit elementaren Wechselwirkungsvertices gleichzusetzen. In vielen physikalisch sinnvollen Expansionen werden problematische oder dominante Unterstrukturen bereits vor dem eigentlichen Monte-Carlo-Sampling analytisch resummiert.

Ein klassisches Beispiel ist eine Zweiteilchen-Streuung, bei der eine unendliche Leiterreihe in eine effektive Vertexfunktion aufgenommen wird. Die anschließende Diagrammserie kann trotzdem als Bare-Serie bezeichnet werden, solange dieser Vertex als festes Objekt verwendet und nicht durch die gesuchte Vielteilchen-Selbstenergie selbstkonsistent gedresst wird.

Teilweise analytische Resummation

Eine solche Vorverarbeitung ist nicht nur formal nützlich. Sie kann ultraviolet divergente Strukturen behandeln, bekannte Zweiteilchenphysik exakt einbauen und die verbleibende diagrammatische Reihe numerisch günstiger machen.

Eine effektive Zweiteilchen-Vertexfunktion besitzt schematisch die Struktur

\(\Gamma_0^{-1}(P) = g^{-1} - \Pi_0(P)\)

wobei \(g\) die ursprüngliche Kopplung und \(\Pi_0\) ein Paarpropagator beziehungsweise eine Zweiteilchen-Schleife bezeichnet. In Kontaktmodellen wird diese Beziehung nach geeigneter Renormierung üblicherweise durch die physikalische Streulänge parametrisiert.

Diagrammordnung

Die Definition der Diagrammordnung muss für jedes konkrete Schema eindeutig festgelegt werden. Wenn beispielsweise eine effektive Wechselwirkungslinie \(\Gamma_0\) verwendet wird, kann die Ordnung durch die Zahl solcher Wechselwirkungslinien definiert werden.

Dann gilt schematisch:

\(N = N_{\Gamma_0}\)

Eine hohe Ordnung bedeutet entsprechend eine große Zahl interner Wechselwirkungsereignisse und normalerweise auch eine größere Zahl interner kontinuierlicher Variablen.

Keine Selbstkonsistenz der internen Linien

Die wichtigste praktische Eigenschaft der Bare-Methode ist, dass ein während der Simulation berechneter Wert der Selbstenergie die verwendeten internen Bare-Linien nicht verändert. Die Definition des Integranden bleibt damit fest.

Die vollständige Green-Funktion kann nach Abschluss der Selbstenergieberechnung dennoch über die Dyson-Gleichung bestimmt werden. Das ist etwas anderes als der Einsatz dieser vollständigen Green-Funktion als interne Linie der nächsten Iteration.

Mathematische Formulierung

Zerlegung nach Diagrammordnungen

Eine zu berechnende Größe lässt sich zunächst nach Ordnungen zerlegen:

\(Q = \sum_{N=0}^{\infty} Q_N\)

Der Beitrag einer einzelnen Ordnung enthält sämtliche zulässigen Topologien:

\(Q_N = \sum_{\alpha \in \mathcal{D}_N} Q_{N,\alpha}\)

Für jede Topologie folgt ein mehrdimensionales Integral:

\(Q_{N,\alpha} = \int dX\,W_{N,\alpha}(X)\)

Damit ergibt sich insgesamt

\(Q = \sum_{N=0}^{\infty}\sum_{\alpha \in \mathcal{D}_N}\int dX\,W_{N,\alpha}(X)\)

DiagMC interpretiert die Kombination aus Ordnung, Topologie und kontinuierlichen Variablen als stochastischen Konfigurationsraum.

Gewicht eines Diagramms

Das Gewicht entsteht aus den Feynman-Regeln. Für ein fermionisches Diagramm kann es schematisch geschrieben werden als

\(W(C) = (-1)^{P(C)} S(C) \prod_i G_{0,i} \prod_j \Gamma_{0,j}\)

Hier erfasst \(P(C)\) die für das Diagramm relevante fermionische Vorzeichenstruktur und \(S(C)\) mögliche kombinatorische Faktoren. Die genaue Form hängt vom betrachteten Modell und von der verwendeten Diagrammkonvention ab.

Erhaltungssätze

An jedem Vertex gelten Impuls- und Energieerhaltung. Für einen einfachen Streuprozess kann die Impulserhaltung beispielsweise als

\(k_1 + k_2 = k_3 + k_4\)

geschrieben werden. Dadurch sind nicht sämtliche Linienimpulse unabhängig. Ein Algorithmus muss nur die tatsächlich unabhängigen internen Variablen samplen.

Imaginäre Zeit

Viele DiagMC-Implementierungen arbeiten in imaginärer Zeit. Die imaginäre Zeit \(\tau\) entsteht durch die Wick-Rotation und ist bei endlicher Temperatur auf das Intervall

\(0 \leq \tau < \beta\)

beschränkt, wobei

\(\beta = \frac{1}{k_B T}\)

gilt. Im Grenzfall der Grundzustandsrechnung wird entsprechend mit sehr großem \(\beta\) oder direkt in einer Nulltemperaturformulierung gearbeitet.

Normierung

Eine Monte-Carlo-Kette liefert zunächst relative Häufigkeiten. Deshalb wird typischerweise eine bekannte Referenzkonfiguration oder ein Normierungssektor benötigt. Aus dem Verhältnis der Besuche verschiedener Sektoren lässt sich die absolute Normierung der gesuchten diagrammatischen Größe rekonstruieren.

Die mathematische Eleganz von DiagMC liegt somit nicht darin, dass die Diagrammregeln verändert werden. Die ursprüngliche Diagrammreihe bleibt erhalten. Verändert wird lediglich die Art ihrer numerischen Summation.

Der Bare-DiagMC-Algorithmus

Aufbau einer Markov-Kette

Der Algorithmus konstruiert eine Markov-Kette im Diagrammraum. Ausgehend von einer gültigen Konfiguration wird wiederholt ein Update vorgeschlagen. Der neue Zustand wird entweder akzeptiert oder verworfen.

Für den Übergang von einer Konfiguration \(C\) zu einer Konfiguration \(C'\) kann die Metropolis-Hastings-Akzeptanzwahrscheinlichkeit geschrieben werden als

\(A(C \rightarrow C') = \min\left(1,\frac{P(C')T(C' \rightarrow C)}{P(C)T(C \rightarrow C')}\right)\)

Dabei ist \(P(C)\) das Sampling-Gewicht und \(T(C \rightarrow C')\) die Wahrscheinlichkeit, den jeweiligen Vorschlag zu erzeugen.

Detailed Balance

Für ein gewöhnliches reversibles Sampling wird gefordert, dass die Übergänge das detaillierte Gleichgewicht erfüllen:

\(P(C)W(C \rightarrow C') = P(C')W(C' \rightarrow C)\)

Diese Bedingung stellt sicher, dass die gewünschte stationäre Verteilung erhalten bleibt. In der Praxis wird sie durch konsistent konstruierte Paare von Vorwärts- und Rückwärtsupdates umgesetzt.

Einfügen und Entfernen von Diagrammteilen

Ein besonders wichtiges Update verändert die Diagrammordnung. Beispielsweise kann eine Wechselwirkungslinie zusammen mit den notwendigen Vertices eingefügt werden. Das inverse Update entfernt dieselbe Struktur.

Dadurch bewegt sich die Markov-Kette zwischen verschiedenen Ordnungen:

\(N \rightarrow N+1\)

oder

\(N \rightarrow N-1\)

Die Akzeptanzrate hängt vom Verhältnis der Diagrammgewichte, den Wahrscheinlichkeitsdichten für neu erzeugte kontinuierliche Variablen und möglichen kombinatorischen Faktoren ab.

Veränderung interner Variablen

Eine Änderung der Ordnung allein reicht nicht aus. Der Algorithmus muss den kontinuierlichen Raum innerhalb einer gegebenen Topologie effizient untersuchen. Dazu werden beispielsweise interne Impulse verändert:

\(q \rightarrow q'\)

oder Vertexzeiten verschoben:

\(\tau_i \rightarrow \tau_i'\)

Gute Vorschlagsverteilungen orientieren sich an der typischen Struktur der Propagatoren. Völlig zufällige Vorschläge über einen viel zu großen Phasenraum führen häufig zu extrem niedrigen Akzeptanzraten.

Änderungen der Topologie

Bei komplexeren Diagrammräumen müssen Updates außerdem Verbindungen zwischen Linien verändern. Nur so können verschiedene Diagrammtopologien derselben Ordnung erreicht werden.

Die Gesamtheit der verwendeten Updates muss ergodisch sein. Ergodizität bedeutet hier, dass jede relevante zulässige Konfiguration von jeder anderen relevanten Konfiguration über eine endliche Folge erlaubter Updates erreichbar ist.

Ein formal korrektes Akzeptanzverhältnis genügt nicht, wenn ganze Klassen von Diagrammen vom Algorithmus niemals besucht werden.

Worm-artige Erweiterungen

In manchen Implementierungen wird der Konfigurationsraum künstlich um Hilfssektoren erweitert. Dabei dürfen temporär bestimmte Erhaltungssätze an markierten Punkten verletzt sein. Solche „Worm“-Konfigurationen können topologische Änderungen erleichtern und die Ergodizität verbessern.

Die Hilfssektoren sind keine zusätzlichen physikalischen Beiträge. Sie sind algorithmische Werkzeuge, die Übergänge zwischen physikalisch gültigen Diagrammen ermöglichen.

Thermalisation

Die Anfangskonfiguration einer Markov-Kette ist im Allgemeinen nicht repräsentativ für die stationäre Verteilung. Daher werden zunächst eine Reihe von Updates ausgeführt, deren Messwerte verworfen werden.

Erst nach dieser Equilibrierungsphase beginnt die eigentliche Datenerfassung. Die erforderliche Länge hängt von den Autokorrelationszeiten, dem Diagrammraum und der Initialisierung ab.

Autokorrelation

Aufeinanderfolgende Monte-Carlo-Konfigurationen sind nicht unabhängig. Die statistische Effizienz wird deshalb durch die integrierte Autokorrelationszeit \(\tau_{\mathrm{int}}\) bestimmt.

Die Unsicherheit eines Mittelwerts skaliert näherungsweise wie

\(\Delta O \sim \sigma_O \sqrt{\frac{2\tau_{\mathrm{int}}}{N_{\mathrm{MC}}}}\)

wobei \(N_{\mathrm{MC}}\) die Zahl der Messungen und \(\sigma_O\) die Streuung der Einzelmesswerte bezeichnet.

Eine große Zahl von Monte-Carlo-Schritten garantiert daher noch keine hohe Genauigkeit. Eine schlecht mischende Markov-Kette kann Millionen stark korrelierter Messungen erzeugen, die nur einer wesentlich kleineren Zahl unabhängiger Stichproben entsprechen.

Messung nach Diagrammordnung

Für Konvergenzanalysen ist es besonders wichtig, Beiträge getrennt nach Diagrammordnung zu erfassen:

\(Q_N = \sum_{\alpha \in \mathcal{D}_N}\int dX\,W_{N,\alpha}(X)\)

Dadurch lässt sich anschließend untersuchen, ob die Partialsumme

\(Q^{(N_{\max})} = \sum_{N=0}^{N_{\max}} Q_N\)

gegen einen stabilen Wert konvergiert oder mit wachsender maximaler Ordnung oszilliert beziehungsweise divergiert.

Diagrammordnung, Konvergenz und Vorzeichenproblem

Kombinatorisches Wachstum

Eine der grundlegenden Schwierigkeiten besteht darin, dass die Zahl der Diagramme mit wachsender Ordnung sehr schnell zunimmt. In vielen Vielteilchenproblemen ist dieses Wachstum asymptotisch faktoriell.

Schematisch kann die Anzahl der Diagramme ein Verhalten wie

\(N_{\mathrm{diag}}(N) \sim N!\)

zeigen. Das bedeutet jedoch nicht automatisch, dass der physikalische Beitrag einer Ordnung ebenfalls faktoriell wächst. Viele Diagramme besitzen unterschiedliche Vorzeichen und können sich stark gegenseitig aufheben.

Fermionische Vorzeichen

Für Fermionen führen Vertauschungsrelationen zu positiven und negativen Diagrammbeiträgen. Eine Ordnung kann daher aus sehr großen Einzelbeiträgen bestehen, während ihre Summe relativ klein bleibt:

\(|Q_N| \ll \sum_{\alpha \in \mathcal{D}_N} |Q_{N,\alpha}|\)

Diese Auslöschung ist physikalisch wesentlich. Numerisch verursacht sie jedoch Schwierigkeiten, weil die relevante Information als kleine Differenz großer statistisch geschätzter Zahlen entsteht.

Sign Problem und „Sign Blessing“

In gewöhnlichen fermionischen Monte-Carlo-Verfahren führt ein exponentiell kleiner werdendes mittleres Vorzeichen häufig zu exponentiell steigenden Rechenkosten. Auch Diagrammatic Monte Carlo ist nicht grundsätzlich frei von einem Vorzeichenproblem.

Die Situation ist jedoch differenzierter. Die Vorzeichenalternation zwischen Diagrammen kann das kombinatorische Wachstum der Diagrammzahl physikalisch kompensieren. Die gleichen Auslöschungen, die statistische Varianz erzeugen, können somit für die Existenz einer sinnvollen summierten Reihe entscheidend sein.

Deshalb wird bei diagrammatischen Verfahren teilweise von einer „sign blessing“ gesprochen. Damit ist nicht gemeint, dass negative Gewichte numerisch problemlos wären. Gemeint ist, dass Auslöschungen zwischen Diagrammen die hohen Ordnungen kontrollieren können.

Konvergent, asymptotisch oder divergent

Eine wesentliche Aufgabe jeder Bare-DiagMC-Rechnung besteht darin, das Verhalten der Reihe bei hoher Ordnung zu untersuchen. Drei Fälle müssen unterschieden werden.

Erstens kann die Reihe tatsächlich konvergieren:

\(\lim_{N_{\max}\rightarrow\infty}\sum_{N=0}^{N_{\max}} Q_N = Q\)

Zweitens kann sie asymptotisch sein. Die ersten Ordnungen verbessern die Näherung, doch oberhalb einer optimalen Ordnung beginnen die Koeffizienten stark zu wachsen.

Drittens kann die ursprüngliche Reihe divergent, aber resummierbar sein. Dann besitzt die Folge gewöhnlicher Partialsummen keinen Grenzwert, obwohl der Reihe mit einem mathematisch definierten Summationsverfahren ein physikalisch sinnvoller Wert zugeordnet werden kann.

Bare DiagMC garantiert keine Konvergenz

Das ist ein zentraler Punkt. DiagMC löst das Problem der Berechnung vieler Diagramme. Die Methode beweist nicht automatisch, dass die zugrunde liegende Diagrammreihe konvergiert.

Wenn eine Reihe divergent ist, führt eine immer genauere Bestimmung immer höherer Koeffizienten nicht von selbst zum physikalisch richtigen Ergebnis. Dann muss zusätzlich eine kontrollierte Resummation eingesetzt werden.

Resummation

Ein mögliches Verfahren ist eine gewichtete Summation der Ordnungsbeiträge. Eine Riesz-artige Resummation kann beispielsweise in der Form

\(S_L^{(\delta)} = \sum_{N=0}^{L}\left(\frac{L-N+1}{L}\right)^{\delta} S_N\)

geschrieben werden. Der Parameter \(\delta\) bestimmt, wie stark hohe Ordnungen unterdrückt werden.

Alternativ kann allgemein eine regulatorabhängige Summe definiert werden:

\(Q_{\epsilon} = \sum_{N=0}^{\infty} Q_N f(N,\epsilon)\)

wobei die Dämpfungsfunktion für endliches \(\epsilon\) hohe Ordnungen ausreichend stark unterdrückt und für

\(\epsilon \rightarrow 0\)

bei jeder festen Ordnung gegen eins geht. Das physikalische Ergebnis wird dann über eine kontrollierte Extrapolation bestimmt.

Resummation als eigener Fehlerfaktor

Eine Resummation darf nicht lediglich so ausgewählt werden, dass ein erwünschter stabiler Wert entsteht. Unterschiedliche mathematisch zulässige Resummationen sollten konsistente Grenzwerte liefern. Auch die Abhängigkeit vom maximal verfügbaren Diagrammgrad muss systematisch untersucht werden.

Eine scheinbar flache Kurve bei niedriger Ordnung ist noch kein Konvergenzbeweis. Besonders bei stark divergenten Reihen können höhere Ordnungen die Extrapolation deutlich verändern.

Bare DiagMC am Beispiel des Fermi-Polarons

Das physikalische Problem

Das Fermi-Polaron ist eines der wichtigsten Referenzprobleme für Diagrammatic Monte Carlo. Betrachtet wird ein einzelnes Fremdteilchen, das sich in einem Fermisee bewegt und mit dessen Teilchen wechselwirkt.

Das Modell ist konzeptionell einfach genug, um die Diagrammatik klar zu definieren, enthält aber gleichzeitig echte Vielteilchenphysik. Die Verunreinigung polarisiert ihre Umgebung und wird dadurch zu einem Quasiteilchen mit veränderter Energie, effektiver Masse und Quasiteilchengewicht.

Modell-Hamiltonian

Eine vereinfachte Kontaktwechselwirkung kann durch einen Hamiltonoperator der Form

\(H = \sum_{k,\sigma}\epsilon_{k,\sigma}c_{k,\sigma}^{\dagger}c_{k,\sigma} + g\sum_{k,k',q}c_{k+q,\uparrow}^{\dagger}c_{k'-q,\downarrow}^{\dagger}c_{k',\downarrow}c_{k,\uparrow}\)

beschrieben werden. Die Majoritätskomponente bildet den Fermisee, während typischerweise nur ein Teilchen der Minoritätskomponente vorhanden ist.

Für eine quadratische Dispersion gilt

\(\epsilon_{k,\sigma} = \frac{k^2}{2m_{\sigma}}\)

in Einheiten mit

\(\hbar = 1\)

sofern diese Konvention gewählt wird.

Zweiteilchen-Vertex

Bei einer Kontaktwechselwirkung ist es sinnvoll, wiederholte Zweiteilchenstreuungen zunächst in einer effektiven Vertexfunktion beziehungsweise T-Matrix zusammenzufassen. Diese enthält eine unendliche Leiterreihe.

Die Bare-DiagMC-Expansion kann dann aus freien Fermionpropagatoren und dieser fest definierten Zweiteilchen-Vertexfunktion aufgebaut werden. Diagramme, die bereits innerhalb der Vertexfunktion enthalten sind, dürfen nicht nochmals separat gezählt werden.

Diese Konstruktion verdeutlicht besonders gut, warum „bare“ kontextabhängig verstanden werden muss. Die Wechselwirkungslinie ist bereits nichttrivial, wird aber während der Vielteilchenrechnung nicht selbstkonsistent mit der gesuchten Selbstenergie aktualisiert.

Selbstenergie des Polarons

Die Diagramme liefern Beiträge zur Selbstenergie der Verunreinigung:

\(\Sigma_{\downarrow}(k,\omega) = \sum_{N=1}^{\infty}\Sigma_{\downarrow}^{(N)}(k,\omega)\)

Die Polaronenergie wird aus der Polstelle des vollständigen Propagators bestimmt. Formal erfüllt die Energie bei gegebenem Impuls eine Gleichung der Art

\(E(k) = \epsilon_{k,\downarrow} + \Sigma_{\downarrow}(k,E(k))\)

wobei die genaue Form von der verwendeten Frequenzdarstellung und analytischen Fortsetzung abhängt.

Quasiteilchengewicht

Das Quasiteilchengewicht misst, wie stark der wechselwirkende Zustand noch mit einem nackten Einteilchenzustand überlappt. Es kann über die Frequenzabhängigkeit der Selbstenergie bestimmt werden:

\(Z = \left[1-\frac{\partial\Sigma(k,\omega)}{\partial\omega}\right]^{-1}\)

wobei die Ableitung an der relevanten Quasiteilchenenergie ausgewertet wird.

Ein Wert nahe eins weist auf eine relativ schwach veränderte Einteilchenanregung hin. Ein deutlich kleinerer Wert zeigt, dass die Vielteilchenwolke einen wesentlichen Anteil des physikalischen Zustands bildet.

Effektive Masse

Nahe dem Minimum kann die Dispersion des Polarons näherungsweise als

\(E(k) = E_0 + \frac{k^2}{2m^*} + O(k^4)\)

geschrieben werden. Die Größe \(m^*\) ist die effektive Masse. Sie enthält die dynamische Reaktion des umgebenden Fermisees auf die Bewegung der Verunreinigung.

Teilchen-Loch-Anregungen

Die physikalische Dressing-Wolke des Polarons entsteht aus Teilchen-Loch-Anregungen des Fermisees. Ein Fermion wird aus einem Zustand unterhalb der Fermioberfläche in einen freien Zustand oberhalb der Fermioberfläche angeregt. Dadurch bleiben ein Loch und ein zusätzliches Teilchen zurück.

Diagramme höherer Ordnung erfassen Prozesse mit zunehmend komplexen Abfolgen solcher Anregungen. Bare DiagMC kann diese Beiträge systematisch samplen, ohne von vornherein anzunehmen, dass nur eine bestimmte kleine Zahl von Teilchen-Loch-Paaren relevant ist.

Polaron und gebundener Zustand

Bei ausreichend starker attraktiver Wechselwirkung konkurriert der Polaronzustand mit einem stärker gebundenen Zustand, der näher an einem Zweiteilchenmolekül liegt. Diagrammatische Monte-Carlo-Verfahren wurden intensiv eingesetzt, um Energien dieser konkurrierenden Zustände quantitativ zu bestimmen und den Übergangsbereich zu untersuchen.

Das Fermi-Polaron ist deshalb mehr als ein akademisches Beispiel. Es verbindet kontrollierbare theoretische Modelle mit realisierbaren ultrakalten Quantengasen und liefert einen anspruchsvollen Test für numerische Vielteilchenmethoden.

Weitere Anwendungsgebiete

Fröhlich-Polaron

Historisch gehört das Fröhlich-Polaron zu den frühen erfolgreichen Einsatzgebieten von Diagrammatic Monte Carlo. Hier koppelt ein Elektron an Phononen eines polaren Mediums.

Eine Bare-Expansion kann aus einem freien Elektronenpropagator, Phononpropagatoren und Elektron-Phonon-Vertices aufgebaut werden. Die Diagrammordnung lässt sich in einer entsprechenden Formulierung durch die Zahl der Phononlinien definieren.

Die Methode ermöglicht die Bestimmung von Grundzustandsenergie, Dispersion und Quasiteilcheneigenschaften über Parameterbereiche hinweg, in denen einfache schwache oder starke Kopplungsnäherungen nicht ausreichend sind.

Elektron-Phonon-Systeme

Das gleiche Grundprinzip kann auf komplexere Elektron-Phonon-Probleme übertragen werden. Moderne Erweiterungen verbinden diagrammatische Monte-Carlo-Techniken mit realistischeren Bandstrukturen und aus mikroskopischen Rechnungen gewonnenen Kopplungsmatrizen.

Damit entsteht eine Brücke zwischen kontrollierten Modellrechnungen und realistischen Materialproblemen. Der rechnerische Aufwand steigt allerdings erheblich, weil zusätzliche Bänder, Impulse, Phononzweige und anisotrope Kopplungen in den Konfigurationsraum eingehen.

Ultrakalte Fermigase

Resonant wechselwirkende Fermigase sind ein weiteres wichtiges Einsatzgebiet. Besonders interessant ist der unitäre Bereich, in dem die Streulänge gegenüber den mikroskopischen Längenskalen sehr groß wird.

In diesem Regime existiert kein kleiner dimensionsloser Wechselwirkungsparameter, der eine einfache konventionelle Störungstheorie rechtfertigen würde. Diagrammatische Monte-Carlo-Verfahren können dennoch systematisch definierte Reihen hoher Ordnung untersuchen.

Stark korrelierte Gittermodelle

Diagrammatic Monte Carlo wurde außerdem auf Gittermodelle der Vielteilchenphysik übertragen. Ein zentrales Beispiel ist das Hubbard-Modell. Dort werden Elektronenbewegung auf einem Gitter und lokale Wechselwirkungen kombiniert.

Die Herausforderung liegt erneut darin, hohe Diagrammordnungen und starke fermionische Auslöschungen numerisch zu beherrschen. Ob eine Bare-Expansion praktisch effizient ist, hängt stark von Temperatur, Dichte, Kopplung und der gewählten Entwicklung ab.

Bare DiagMC gegenüber Bold Diagrammatic Monte Carlo

Grundlegender Unterschied

Der zentrale Unterschied liegt in der Definition der internen Propagatoren. Bare DiagMC arbeitet mit fest vorgegebenen Linien. Bold DiagMC verwendet dagegen gedresste Propagatoren, die selbst von der gesuchten Lösung abhängen.

Die Bare-Reihe besitzt schematisch die Form

\(\Sigma_{\mathrm{bare}} = \Sigma[G_0,\Gamma_0]\)

Eine geboldete Formulierung kann dagegen als

\(\Sigma_{\mathrm{bold}} = \Sigma[G,\Gamma]\)

geschrieben werden, wobei \(G\) oder gegebenenfalls auch \(\Gamma\) selbstkonsistent bestimmt werden.

Selbstkonsistenz

Bei einem vollständig selbstkonsistenten Verfahren entsteht ein gekoppeltes Problem:

\(G^{-1} = G_0^{-1} - \Sigma\)

und zugleich

\(\Sigma = \mathcal{F}[G]\)

Die Selbstenergie hängt also vom vollständigen Propagator ab, während der vollständige Propagator wiederum von der Selbstenergie abhängt.

Die Lösung verlangt deshalb eine Iteration oder ein äquivalentes selbstkonsistentes Verfahren.

Skeleton-Diagramme

Wenn vollständige propagierende Linien verwendet werden, dürfen Diagramme nicht einfach in derselben Form wie bei einer Bare-Expansion summiert werden. Bestimmte Selbstenergieeinschübe sind bereits in den gedressten Linien enthalten. Würden sie zusätzlich explizit berechnet, entstünde Doppelzählung.

Bold-Verfahren arbeiten deshalb typischerweise mit Skeleton-Diagrammen. Diese sind bezüglich der bereits eingebauten Dressing-Prozesse irreduzibel.

Vorteile der Bare-Formulierung

Die Bare-Expansion besitzt eine konzeptionell klare Zuordnung zwischen Diagrammordnung und Störungstheorie. Jeder Beitrag gehört eindeutig zu einer definierten Ordnung der ursprünglichen Expansion.

Außerdem bleibt der Integrand während der Simulation fest. Es gibt keine zusätzliche numerische Rückkopplung zwischen der Monte-Carlo-Schätzung und den internen Propagatoren.

Das erleichtert die Interpretation von Hochordnungskoeffizienten und kann bei asymptotischen Reihen von Vorteil sein, weil die ursprüngliche Ordnung nicht durch eine selbstkonsistente Reorganisation vermischt wird.

Vorteile der Bold-Formulierung

Gedresste Propagatoren enthalten bereits einen Teil der Vielteilchenphysik. Dadurch kann sich die Zahl der explizit benötigten Diagramme verringern und die Konvergenz in geeigneten Fällen verbessern.

Ein einzelnes Bold-Diagramm repräsentiert jedoch effektiv bereits unendlich viele Bare-Diagramme, weil jede gedresste Linie wiederum eine Dyson-Reihe enthält.

Genau deshalb muss die mathematische Gültigkeit einer solchen Reorganisation sorgfältig geprüft werden. Bei nicht absolut konvergenten Reihen ist eine Umordnung unendlicher Terme nicht grundsätzlich harmlos.

Keine universelle Überlegenheit

Bold DiagMC ist nicht automatisch genauer als Bare DiagMC. Bare DiagMC ist ebenso wenig grundsätzlich stabiler. Die geeignete Darstellung hängt vom physikalischen Problem und vom Konvergenzverhalten der jeweiligen Reihe ab.

Die Wahl muss anhand von Hochordnungsdaten, Kontrollrechnungen und bekannten Grenzfällen gerechtfertigt werden. Der Begriff „bold“ bezeichnet daher keine höhere Qualitätsstufe, sondern eine andere Organisation der Diagrammatik.

Fehlerquellen und numerische Validierung

Statistischer Monte-Carlo-Fehler

Da DiagMC ein stochastisches Verfahren ist, besitzt jede gemessene Größe einen statistischen Fehler. Bei ausreichend unabhängigen Stichproben nimmt dieser grundsätzlich ungefähr mit der Quadratwurzel der effektiven Stichprobengröße ab:

\(\Delta Q \propto \frac{1}{\sqrt{N_{\mathrm{eff}}}}\)

Eine Verdopplung der Genauigkeit kann deshalb ungefähr eine Vervierfachung der effektiven Statistik erfordern.

Fehler durch begrenzte Diagrammordnung

In einer realen Simulation kann die Reihe nur bis zu einer endlichen maximalen Ordnung \(N_{\max}\) untersucht werden. Die berechnete Partialsumme lautet dann

\(Q^{(N_{\max})} = \sum_{N=0}^{N_{\max}} Q_N\)

Der Unterschied zwischen dieser Größe und dem Grenzwert kann wesentlich größer als der reine Monte-Carlo-Fehler sein.

Deshalb müssen Ergebnisse für mehrere Werte von \(N_{\max}\) miteinander verglichen werden. Eine Fehlerangabe, die nur die statistische Schwankung bei fester Ordnung enthält, ist bei einer nicht vollständig konvergierten Reihe unvollständig.

Vorzeichenauslöschung

Wenn positive und negative Beiträge fast vollständig gegeneinander kompensieren, kann der relative Fehler stark anwachsen. Der Algorithmus muss dann einzelne große Beiträge sehr genau bestimmen, um ihre kleine Differenz zuverlässig zu erhalten.

Das Problem verschärft sich häufig mit steigender Ordnung. Es setzt praktisch eine Grenze dafür, welche Diagrammordnungen mit gegebenen Rechenressourcen noch ausreichend genau bestimmt werden können.

Autokorrelation und Sampling-Effizienz

Eine weitere Fehlerquelle entsteht durch lange Autokorrelationszeiten. Dies kann beispielsweise auftreten, wenn ein Update nur lokale Veränderungen erzeugt, während relevante Diagrammkonfigurationen durch große strukturelle Barrieren getrennt sind.

Abhilfe schaffen besser angepasste Vorschlagsverteilungen, globale Updates, zusätzliche Hilfssektoren oder alternative Parametrisierungen des Diagrammraums.

Numerische Cutoffs

Auch wenn die kontinuierlichen Integrale prinzipiell ohne Raumgitter ausgewertet werden, können numerische Grenzen für Impulse, Zeiten oder Frequenzen notwendig sein.

Ein Impulscutoff kann beispielsweise durch

\(|k| \leq k_{\max}\)

definiert werden. Eine kontrollierte Rechnung verlangt dann den Nachweis, dass eine weitere Erhöhung von \(k_{\max}\) das Resultat innerhalb der angegebenen Genauigkeit nicht verändert oder dass der entfernte Hochimpulsanteil analytisch berücksichtigt wird.

Vergleich mit exakt bekannten Grenzfällen

Eine der stärksten Validierungsmöglichkeiten besteht darin, das Verfahren in Parameterbereichen einzusetzen, in denen analytische Resultate oder andere hochpräzise numerische Lösungen bekannt sind.

Auch niedrige Diagrammordnungen sollten separat überprüft werden. Können die ersten Beiträge unabhängig analytisch oder deterministisch berechnet werden, müssen die entsprechenden Monte-Carlo-Messungen dieselben Werte reproduzieren.

Vergleich unterschiedlicher Reihen

Besonders überzeugend ist es, wenn zwei unterschiedlich organisierte diagrammatische Reihen nach kontrollierter Extrapolation zum selben physikalischen Ergebnis führen. Beispielsweise können Bare- und Bold-Formulierungen oder unterschiedliche Gruppierungen von Diagrammen miteinander verglichen werden.

Eine solche Übereinstimmung ist wesentlich aussagekräftiger als die Stabilität einer einzigen numerischen Kurve.

Stärken und Grenzen von Bare DiagMC

Hohe Diagrammordnungen

Die wichtigste Stärke besteht im Zugang zu hohen Ordnungen diagrammatischer Entwicklungen. Was analytisch bereits nach wenigen Ordnungen unübersichtlich wird, kann als stochastischer Konfigurationsraum behandelt werden.

Dies ermöglicht quantitative Aussagen über die tatsächliche Bedeutung höherer Korrekturen. Statt anzunehmen, dass Diagramme oberhalb einer bestimmten Ordnung klein seien, kann ihr Gesamtbeitrag direkt gemessen werden.

Keine Auswahl vermeintlich wichtiger Diagramme notwendig

Viele Näherungsverfahren wählen bestimmte Diagrammklassen aufgrund physikalischer Erwartungen aus. Das kann ausgezeichnet funktionieren, enthält aber eine Vorannahme darüber, welche Prozesse dominant sind.

Bare DiagMC kann innerhalb der definierten Expansion alle zulässigen Diagrammtopologien bis zur erreichten Ordnung berücksichtigen. Dadurch wird die Notwendigkeit reduziert, einzelne Diagrammtypen aufgrund heuristischer Kriterien wegzulassen.

Thermodynamischer Limes

Bestimmte diagrammatische Formulierungen arbeiten direkt mit kontinuierlichen Impulsen eines unendlichen homogenen Systems. Dadurch kann eine explizite Simulation eines endlichen räumlichen Gitters vermieden werden.

In solchen Fällen entfällt die übliche Extrapolation einer endlichen Teilchenzahl beziehungsweise Systemgröße in den thermodynamischen Limes:

\(N_{\mathrm{Teilchen}}\rightarrow\infty,\qquad V\rightarrow\infty,\qquad \frac{N_{\mathrm{Teilchen}}}{V}=\mathrm{const.}\)

Das ist ein bedeutender Vorteil gegenüber Methoden, deren primärer Konfigurationsraum aus einer endlichen Anzahl realer Teilchen besteht.

Kontinuierliche Variablen

DiagMC kann Impulse und imaginäre Zeiten direkt als kontinuierliche Variablen behandeln. Dadurch kann eine zusätzliche Extrapolation gegen unendlich feine Gitter vermieden werden.

Diese Eigenschaft ist besonders nützlich bei Kontaktwechselwirkungen, kontinuierlichen Gasen und Polaronproblemen.

Begrenzung durch Diagrammwachstum

Die Methode hebt die kombinatorische Komplexität nicht auf. Sie verhindert lediglich, dass jedes Diagramm deterministisch einzeln behandelt werden muss.

Bei hohen Ordnungen kann das Sampling immer schwieriger werden. Seltene Topologien, starke Vorzeichenauslöschung und große Konfigurationsräume erhöhen die benötigte Rechenzeit.

Abhängigkeit vom gewählten Diagrammschema

Es gibt nicht die eine Bare-DiagMC-Reihe für ein gegebenes physikalisches Problem. Unterschiedliche Aufteilungen in propagierende Linien, effektive Wechselwirkungen und vorab resummierte Teilstrukturen führen zu unterschiedlichen Reihen.

Zwei mathematisch äquivalente Formulierungen können numerisch völlig verschiedene Konvergenzeigenschaften besitzen. Ein wesentlicher Teil der methodischen Arbeit besteht deshalb darin, eine günstige Expansion zu konstruieren.

Divergente Reihen

Eine besonders wichtige Grenze ist die mögliche Divergenz der diagrammatischen Entwicklung. Die Fähigkeit, Koeffizienten hoher Ordnung zu bestimmen, ersetzt keine mathematische Kontrolle über deren Summation.

Bei einer divergenten Serie ist die Resummation nicht ein optionaler numerischer Trick, sondern ein Teil der Definition des berechneten Ergebnisses.

Rechenkosten

Die Bewertung eines Diagramms erfordert Produkte vieler Propagatoren und gegebenenfalls komplexe Aktualisierungen von Impuls- und Zeitstrukturen. Hinzu kommen statistische Anforderungen für jede einzelne Diagrammordnung.

Hochpräzise Bare-DiagMC-Rechnungen können daher erhebliche Rechenressourcen benötigen. Gute Algorithmen reduzieren die Kosten durch schnelle lokale Aktualisierungen, Zwischenspeicherung unveränderter Faktoren, angepasste Vorschlagsverteilungen und Parallelisierung unabhängiger Monte-Carlo-Ketten.

Bedeutung für Quantentechnologie und moderne Vielteilchenphysik

Bare DiagMC ist kein Quantenalgorithmus

Die Einordnung in die Quantentechnologie erfordert eine klare Abgrenzung. Bare Diagrammatic Monte Carlo ist kein Algorithmus, der einen Quantencomputer voraussetzt. Es handelt sich um eine klassische numerische Methode zur Berechnung quantenmechanischer Systeme.

Der Computer simuliert nicht unmittelbar die Quantendynamik mittels Qubits. Stattdessen werden mathematische Beiträge einer quantenfeldtheoretischen Expansion mit klassischen Zufallszahlen und klassischen Rechenoperationen ausgewertet.

Bedeutung als Referenzverfahren

Für die Entwicklung zukünftiger Quantensimulatoren und Quantenalgorithmen sind hochpräzise klassische Resultate dennoch wichtig. Neue Quantentechnologien müssen an Problemen getestet werden, für die vertrauenswürdige Referenzwerte verfügbar sind.

DiagMC kann in geeigneten Parameterbereichen solche Referenzwerte für Energien, Green-Funktionen, Selbstenergien und Quasiteilcheneigenschaften liefern.

Ultrakalte Quantengase

Besonders direkt ist der Bezug bei ultrakalten Atomen. Dort lassen sich Wechselwirkungsstärken, Teilchendichten und Populationsungleichgewichte experimentell präzise einstellen.

Fermi-Polaronen und resonante Fermigase bilden deshalb eine Schnittstelle zwischen theoretischer Vielteilchenphysik, hochpräziser numerischer Simulation und experimenteller Quantensimulation.

Quasiteilchen und Materialphysik

Polaronische Effekte und Elektron-Phonon-Wechselwirkungen spielen auch in Festkörpern eine wesentliche Rolle. Sie beeinflussen Ladungstransport, effektive Massen, Spektralfunktionen und andere Materialeigenschaften.

Die zunehmende Verbindung diagrammatischer Monte-Carlo-Techniken mit realistischen elektronischen Strukturen erweitert deshalb ihre Bedeutung über idealisierte Modellprobleme hinaus.

Methodische Bedeutung

Bare DiagMC zeigt grundsätzlich, dass Feynman-Diagramme nicht auf wenige handverlesene Störungsordnungen beschränkt bleiben müssen. Diagrammatische Störungstheorie kann selbst zum Gegenstand eines Monte-Carlo-Prozesses gemacht werden.

Damit verbindet die Methode drei zentrale Werkzeuge der theoretischen Physik: Quantenfeldtheorie, statistische Stichprobenverfahren und numerische Hochleistungsrechnung.

Fazit

Bare Diagrammatic Monte Carlo ist ein numerisches Verfahren zur stochastischen Summation diagrammatischer Vielteilchenentwicklungen. Die zentrale Idee ist einfach: Nicht nur kontinuierliche Integrationsvariablen, sondern auch Diagrammordnung und Diagrammtopologie werden als Teil eines Monte-Carlo-Konfigurationsraums behandelt.

Eine physikalische Größe wird dabei in der Form

\(Q = \sum_{N=0}^{\infty}\sum_{\alpha \in \mathcal{D}_N}\int dX\,W_{N,\alpha}(X)\)

aufgefasst. Statt sämtliche Terme deterministisch auszurechnen, erzeugt eine Markov-Kette repräsentative Diagrammkonfigurationen entsprechend ihrem Gewicht.

Der Zusatz „Bare“ beschreibt die Organisation dieser Expansion. Die internen propagierenden Linien und festgelegten Wechselwirkungsbausteine werden nicht selbstkonsistent durch die während der Rechnung erhaltene Selbstenergie gedresst. Das schließt nicht aus, dass bestimmte Unterklassen von Prozessen bereits vorab analytisch resummiert wurden. Entscheidend ist die Definition der anschließend gesampelten Reihe.

Die Methode besitzt mehrere wesentliche Stärken. Sie kann hohe Diagrammordnungen erreichen, hochdimensionale kontinuierliche Integrale behandeln und in geeigneten Formulierungen unmittelbar im thermodynamischen Limes arbeiten. Sie reduziert außerdem die Notwendigkeit, Diagrammklassen heuristisch anhand vermeintlicher Wichtigkeit auszuwählen.

Gleichzeitig ist Bare DiagMC keine automatische Lösung des fermionischen Vielteilchenproblems. Das kombinatorische Wachstum der Diagramme bleibt bestehen. Positive und negative Beiträge können sich stark auslöschen. Die statistische Varianz kann mit der Diagrammordnung wachsen. Noch grundlegender ist die Tatsache, dass eine diagrammatische Reihe nicht zwangsläufig konvergiert.

Deshalb muss zwischen drei Aufgaben unterschieden werden: der korrekten stochastischen Auswertung der Diagramme, der Analyse des Hochordnungsverhaltens und der mathematisch kontrollierten Bestimmung des Reihenwerts. Bei konvergenten Entwicklungen reicht eine Extrapolation der Partialsummen. Bei asymptotischen oder divergenten Reihen können geeignete Resummationsverfahren erforderlich sein.

Das Fermi-Polaron zeigt die Leistungsfähigkeit des Ansatzes besonders deutlich. Ein einzelnes Fremdteilchen in einem Fermisee erzeugt ein echtes Vielteilchenproblem mit Teilchen-Loch-Anregungen, Quasiteilchendressing und konkurrierenden gebundenen Zuständen. Bare DiagMC ermöglicht hier die direkte numerische Untersuchung hoher Diagrammordnungen und die Berechnung physikalischer Größen wie Grundzustandsenergie, Quasiteilchengewicht und effektiver Masse.

Der Vergleich mit Bold Diagrammatic Monte Carlo macht zugleich deutlich, dass die Organisation einer diagrammatischen Entwicklung selbst ein Teil des numerischen Problems ist. Bold-Verfahren verwenden gedresste Linien und Skeleton-Diagramme, während Bare-Verfahren die ursprüngliche festgelegte Expansion bewahren. Keine der beiden Strategien ist universell überlegen. Entscheidend sind Konvergenz, numerische Stabilität und kontrollierbare Fehler.

Für die moderne Quantenphysik besitzt Bare DiagMC deshalb eine klare Funktion: Es ist ein hochpräzises klassisches Werkzeug zur Untersuchung wechselwirkender Quantensysteme auf Grundlage ihrer Feynman-Diagrammatik. Sein Wert liegt nicht darin, komplexe Vielteilchenphysik durch eine einfache Näherung zu ersetzen. Seine Stärke besteht darin, die Komplexität systematisch zu erfassen und quantitativ zu kontrollieren.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Primärliteratur zu Bare Diagrammatic Monte Carlo reicht von den grundlegenden Arbeiten zur stochastischen Summation von Feynman-Diagrammen über Anwendungen auf Polaronprobleme bis zu Untersuchungen divergenter diagrammatischer Reihen. Für eine Abhandlung über Bare DiagMC sind insbesondere Veröffentlichungen relevant, in denen explizit mit nicht selbstkonsistent gedressten Diagrammserien gearbeitet, deren Konvergenzeigenschaften analysiert oder Bare- und Bold-Formulierungen miteinander verglichen werden.

Grundlegende Primärliteratur zu Diagrammatic Monte Carlo

  • N. V. Prokof’ev, B. V. Svistunov: Polaron Problem by Diagrammatic Quantum Monte Carlo, Physical Review Letters 81, 2514–2517, 1998.
    • Diese Arbeit gehört zu den grundlegenden Veröffentlichungen der Diagrammatic-Monte-Carlo-Methode. Ausgehend von einer konventionellen diagrammatischen Entwicklung der Polaron-Green-Funktion wird ein Monte-Carlo-Prozess konstruiert, der kontinuierliche Impuls- und Zeitvariablen direkt im Diagrammraum sampelt. Für eine Abhandlung über Bare DiagMC eignet sich die Arbeit insbesondere zur Darstellung des historischen Ursprungs, des grundlegenden Sampling-Prinzips und der Verbindung zwischen Feynman-Diagrammatik und Monte-Carlo-Integration.
  • A. S. Mishchenko, N. V. Prokof’ev, A. Sakamoto, B. V. Svistunov: Diagrammatic quantum Monte Carlo study of the Fröhlich polaron, Physical Review B 62, 6317–6336, 2000.
    • Diese umfangreiche Anwendung auf das Fröhlich-Polaron entwickelt die ursprüngliche DiagMC-Methode weiter und demonstriert ihre praktische Leistungsfähigkeit bei der Berechnung von Grundzustandsenergie, effektiver Masse, Struktur der Phononenwolke und Spektraleigenschaften. Die Quelle ist besonders geeignet, um die konkrete Konstruktion und Auswertung einer diagrammatischen Monte-Carlo-Rechnung an einem physikalisch klar definierten Vielteilchenproblem zu erläutern.
  • A. S. Mishchenko: Diagrammatic Monte Carlo method as applied to the polaron problems, Physics-Uspekhi 48, 887–902, 2005.
    • Dieser Übersichtsartikel ist eine besonders nützliche methodische Quelle, weil er Diagrammatic Monte Carlo nicht nur anhand einzelner Ergebnisse, sondern als systematisches numerisches Verfahren erläutert. Behandelt werden unter anderem Matsubara-Green-Funktionen, Polaronmodelle, Diagramm-Sampling und die Verbindung zur spektralen Analyse. Die Arbeit eignet sich hervorragend als Brücke zwischen den grundlegenden Primärpublikationen und einer methodischen Darstellung in der Abhandlung.

Bare DiagMC, Fermi-Polaron und divergente diagrammatische Reihen

  • N. V. Prokof’ev, B. V. Svistunov: Fermi-polaron problem: Diagrammatic Monte Carlo method for divergent sign-alternating series, Physical Review B 77, 020408, 2008.
    • Diese Veröffentlichung ist für Bare DiagMC von zentraler Bedeutung. Sie untersucht eine vorzeichenalternierende diagrammatische Reihe für das Fermi-Polaron und zeigt, wie DiagMC auch dann eingesetzt werden kann, wenn die gewöhnlichen Partialsummen nicht konvergieren. Für die Abhandlung ist sie die wichtigste Primärquelle zu Bare-Serien, Hochordnungsverhalten, Vorzeichenauslöschung sowie Cesàro-, Riesz- und weiterentwickelten Resummationsstrategien.
  • K. Van Houcke, F. Werner, R. Rossi: High-precision numerical solution of the Fermi polaron problem and large-order behavior of its diagrammatic series, Physical Review B 101, 045134, 2020.
    • Diese Arbeit ist besonders wertvoll für die moderne Diskussion des Großordnungsverhaltens diagrammatischer Reihen. Die Autoren erreichen mit einem determinant-basierten DiagMC-Verfahren hohe Diagrammordnungen und zeigen explizit eine exponentielle Divergenz der untersuchten Fermi-Polaron-Serie. Anschließend wird die Reihe über eine konforme Abbildung resummiert. Die Publikation eignet sich daher zur Vertiefung der Abschnitte über Konvergenzradius, hohe Diagrammordnungen, Resummation und quantitative Fehlerkontrolle.
  • R. Rossi, T. Ohgoe, K. Van Houcke, F. Werner: Resummation of Diagrammatic Series with Zero Convergence Radius for Strongly Correlated Fermions, Physical Review Letters 121, 130405, 2018.
    • Die Publikation behandelt einen besonders anspruchsvollen Grenzfall: diagrammatische Reihen mit verschwindendem Konvergenzradius. Durch eine konforme Borel-Transformation werden dennoch kontrollierte Ergebnisse für stark korrelierte Fermionen gewonnen. Für Bare DiagMC liefert diese Arbeit wichtige Hintergrundinformationen darüber, warum die numerische Bestimmung vieler Diagrammordnungen allein nicht genügt und weshalb die mathematische Struktur der Resummation Bestandteil einer kontrollierten DiagMC-Auswertung sein kann.

Abgrenzung zu Bold und selbstkonsistenten Diagrammverfahren

  • N. V. Prokof’ev, B. V. Svistunov: Bold Diagrammatic Monte Carlo Technique: When the Sign Problem Is Welcome, Physical Review Letters 99, 250201, 2007.
    • Diese Arbeit führt die Bold-Line-Variante des diagrammatischen Monte Carlo ein. Für eine Abhandlung über Bare DiagMC ist sie als Kontrastquelle besonders wichtig: Während Bare-Serien mit fest definierten Ausgangspropagatoren arbeiten, werden in Bold-Verfahren renormierte Größen innerhalb einer selbstkonsistenten diagrammatischen Entwicklung eingesetzt. Die Publikation ermöglicht deshalb eine fachlich saubere Abgrenzung zwischen Bare- und Bold-Konzepten.
  • N. V. Prokof’ev, B. V. Svistunov: Bold diagrammatic Monte Carlo: A generic sign-problem tolerant technique for polaron models and possibly interacting many-body problems, Physical Review B 77, 125101, 2008.
    • Diese ausführlichere Arbeit ist besonders relevant, weil sie die ursprüngliche, auf Bare-Propagatoren basierende Serie ausdrücklich einer selbstkonsistenten Formulierung mit renormierten Propagatoren gegenüberstellt. Sie behandelt außerdem divergente vorzeichenalternierende Bare-Serien und erläutert Resummation beziehungsweise Selbstkonsistenz als zwei unterschiedliche Strategien. Für die begriffliche Abgrenzung von Bare DiagMC zu Skeleton- und Bold-Verfahren gehört diese Quelle zur Kernliteratur.
  • K. Van Houcke, F. Werner, T. Ohgoe, N. V. Prokof’ev, B. V. Svistunov: Diagrammatic Monte Carlo algorithm for the resonant Fermi gas, Physical Review B 99, 035140, 2019.
    • Diese methodisch detaillierte Veröffentlichung beschreibt den DiagMC-Algorithmus für das resonante Fermigas einschließlich Diagrammstruktur, Monte-Carlo-Updates und Behandlung ultravioletter Asymptotik. Besonders wertvoll für das Thema Bare DiagMC ist, dass neben der selbstkonsistenten Bold-Variante ausdrücklich auch ein nichtselbstkonsistentes Schema behandelt wird. Die Quelle eignet sich deshalb für technische Vergleiche von Sampling, Propagatorwahl und numerischer Implementierung.

Anwendungen auf korrelierte Fermionen und Validierung

  • E. Kozik, K. Van Houcke, E. Gull, L. Pollet, N. Prokof’ev, B. Svistunov, M. Troyer: Diagrammatic Monte Carlo for correlated fermions, EPL 90, 10004, 2010.
  • K. Van Houcke, F. Werner, E. Kozik, N. Prokof’ev, B. Svistunov, M. J. H. Ku, A. T. Sommer, L. W. Cheuk, A. Schirotzek, M. W. Zwierlein: Feynman diagrams versus Fermi-gas Feynman emulator, Nature Physics 8, 366–370, 2012.
    • Diese Arbeit verbindet diagrammatische Monte-Carlo-Rechnungen mit Präzisionsexperimenten an einem unitären Fermigas. Obwohl der Schwerpunkt auf Bold DiagMC liegt, ist sie für die wissenschaftliche Einordnung wertvoll, da sie zeigt, wie resummierte Feynman-Diagrammserien experimentell validiert werden können. In einer Abhandlung über Bare DiagMC eignet sie sich insbesondere für den Abschnitt über Benchmarking, Fehlerkontrolle und die Bedeutung diagrammatischer Monte-Carlo-Verfahren für Quantensimulationen.

Aktuelle Weiterentwicklungen und First-Principles-Anwendungen

  • Y. Luo, J. Park, M. Bernardi: First-principles diagrammatic Monte Carlo for electron–phonon interactions and polaron, Nature Physics 21, 1275–1282, 2025.
    • Diese neuere Arbeit erweitert Diagrammatic Monte Carlo von idealisierten Elektron-Phonon-Modellen auf realistische, aus First-Principles-Rechnungen bestimmte Elektron-Phonon-Wechselwirkungen. Die Methode wird auf reale Materialien wie LiF, SrTiO3 sowie Rutil- und Anatas-TiO2 angewandt. Für eine Abhandlung eignet sich die Publikation zur abschließenden Einordnung der aktuellen Entwicklung: DiagMC ist nicht nur ein Werkzeug für abstrakte Modell-Hamiltonoperatoren, sondern lässt sich zunehmend mit ab-initio-basierten Materialrechnungen verbinden.

Bücher und Monographien

Bare Diagrammatic Monte Carlo setzt Kenntnisse voraus, die aus mehreren Gebieten zusammenlaufen: quantenmechanische Vielteilchentheorie, Green-Funktionen, Feynman-Diagramme, Selbstenergien, Dyson-Gleichungen, statistische Mechanik sowie Monte-Carlo-Sampling. Die folgenden Standardwerke dienen deshalb nicht primär als Quellen für den Begriff Bare DiagMC selbst, sondern zur wissenschaftlich belastbaren Herleitung der theoretischen und numerischen Grundlagen.

Grundlagen der quantenmechanischen Vielteilchentheorie

  • A. L. Fetter, J. D. Walecka: Quantum Theory of Many-Particle Systems, Dover Publications, Ausgabe 2003; Originalausgabe 1971.
    • Ein Standardwerk der nichtrelativistischen Vielteilchentheorie. Besonders relevant sind die Darstellungen von zweiter Quantisierung, Green-Funktionen, Feynman-Diagrammen, Dyson-Gleichungen, Selbstenergien und Vielteilchen-Störungstheorie. Für die Abhandlung sollte dieses Werk vor allem zur theoretischen Fundierung der diagrammatischen Formalismen verwendet werden, auf denen Bare DiagMC aufbaut.
  • G. D. Mahan: Many-Particle Physics, 3. Auflage, Springer, 2000.
    • Mahan bietet eine umfassende Darstellung quantenmechanischer Vielteilchenmethoden mit starkem Bezug zur Festkörperphysik. Green-Funktionen, Elektron-Phonon-Wechselwirkungen, Quasiteilchen und diagrammatische Störungstheorie sind unmittelbar für das Verständnis von Polaron- und DiagMC-Anwendungen relevant. Das Werk eignet sich besonders für die physikalische Interpretation der in DiagMC berechneten Selbstenergien und Propagatoren.
  • J. W. Negele, H. Orland: Quantum Many-Particle Systems, CRC Press, 1998.
    • Dieses Werk verbindet Störungstheorie, Green-Funktionen, funktionale Integrale und stochastische Methoden in einer konsistenten Darstellung der Vielteilchenphysik. Für eine wissenschaftliche Abhandlung über Bare DiagMC ist es besonders geeignet, wenn der Zusammenhang zwischen diagrammatischer Entwicklung, statistischer Mechanik und nichtperturbativen beziehungsweise stochastischen Verfahren erläutert werden soll.
  • A. Altland, B. Simons: Condensed Matter Field Theory, 3. Auflage, Cambridge University Press, 2023.
    • Das moderne Standardwerk vermittelt zweite Quantisierung, Pfadintegrale, Störungstheorie, Green-Funktionen und feldtheoretische Methoden der kondensierten Materie. Es ist insbesondere als Hintergrundliteratur geeignet, um die formalen Bausteine einer diagrammatischen Expansion präzise einzuführen und die Stellung von DiagMC innerhalb der Vielteilchenfeldtheorie zu erklären.

Monte-Carlo-Methoden und numerische Vielteilchenphysik

  • D. P. Landau, K. Binder: A Guide to Monte Carlo Simulations in Statistical Physics, 5. Auflage, Cambridge University Press, 2021.
    • Dieses Standardwerk behandelt die methodischen Grundlagen von Monte-Carlo-Simulationen: Zufallsstichproben, Importance Sampling, Markov-Ketten, Akzeptanzverfahren, Autokorrelationen und statistische Fehleranalyse. Es ist keine spezielle DiagMC-Monographie, eignet sich jedoch ausgezeichnet zur Fundierung der algorithmischen Konzepte, die auch beim Sampling des Diagrammraums eine zentrale Rolle spielen.
  • K. Binder, D. W. Heermann: Monte Carlo Simulation in Statistical Physics: An Introduction, Springer, 2019.
    • Das Buch bietet eine systematische Einführung in Monte-Carlo-Algorithmen, statistische Fehler, Sampling-Verfahren und numerische Auswertung. Für Bare DiagMC kann es zur Erklärung der allgemeinen Monte-Carlo-Grundlagen herangezogen werden, bevor die spezifische Erweiterung vom gewöhnlichen Konfigurationsraum zum Raum der Feynman-Diagramme eingeführt wird.
  • H. Fehske, R. Schneider, A. Weiße (Hrsg.): Computational Many-Particle Physics, Lecture Notes in Physics 739, Springer, 2008.
    • Dieser Sammelband verbindet moderne numerische Verfahren mit quantenmechanischer Vielteilchenphysik. Besonders relevant ist der enthaltene Beitrag von A. S. Mishchenko zu Diagrammatic Monte Carlo und stochastischer Optimierung. Der Band eignet sich daher sowohl als allgemeine Hintergrundliteratur zur Computational Many-Body Physics als auch als methodennahe Quelle für DiagMC.

Monographie-nahe Spezialliteratur zu Diagrammatic Monte Carlo

  • A. S. Mishchenko: Diagrammatic Monte Carlo and Stochastic Optimization Methods for Complex Composite Objects in Macroscopic Baths, in: Computational Many-Particle Physics, Lecture Notes in Physics 739, Springer, 2008.
    • Dieses Kapitel bietet eine zusammenhängende Einführung in DiagMC für komplexe Quasiteilchen in makroskopischen Umgebungen. Es behandelt die Berechnung von Green-Funktionen und Korrelationsfunktionen in imaginärer Zeit und ergänzt die Primärliteratur um eine stärker lehrbuchartige Darstellung. Für die methodischen Abschnitte einer Abhandlung ist es deshalb besonders wertvoll.

Online-Ressourcen und Datenbanken

Online-Datenbanken sind für Bare DiagMC vor allem als Recherche- und Verifikationswerkzeuge wichtig. Da sich die Methode über mehrere Forschungsfelder erstreckt – Vielteilchentheorie, kondensierte Materie, ultrakalte Quantengase, Polaronphysik und Computational Physics – sollte Literatur möglichst über Primärjournale, DOI-Datensätze und wissenschaftliche Preprint-Archive überprüft werden.

Fachjournale und Verlage

  • American Physical Society: Physical Review Journals.
    • Die APS veröffentlicht einen großen Teil der zentralen Primärliteratur zu Diagrammatic Monte Carlo, Fermi-Polaronen, Bold DiagMC, Resummation und korrelierten Fermionensystemen. Für wissenschaftliche Zitate sollte nach Möglichkeit die endgültige Journal-Version über APS beziehungsweise deren DOI verwendet werden.
  • Nature Portfolio: Nature Physics.
    • Nature Physics enthält sowohl experimentell-theoretische Validierungsarbeiten zu stark korrelierten Fermigasen als auch neuere First-Principles-Erweiterungen von Diagrammatic Monte Carlo. Die Plattform ist besonders relevant, um aktuelle Entwicklungen und Anwendungen außerhalb klassischer Modell-Hamiltonoperatoren zu verfolgen.
  • Springer Nature: SpringerLink.
    • SpringerLink bietet Zugriff auf wichtige Bücher und Sammelbände zur Vielteilchenphysik, Monte-Carlo-Simulation und Computational Physics. Für Bare DiagMC ist insbesondere die Reihe Lecture Notes in Physics relevant, in der methodische Beiträge zur diagrammatischen Monte-Carlo-Technik erschienen sind.
  • Cambridge University Press: Cambridge Core.
    • Cambridge Core stellt einschlägige Standardwerke zu Quantenfeldtheorie, kondensierter Materie und Monte-Carlo-Verfahren bereit. Die Plattform ist vor allem für die theoretischen und numerischen Grundlagen einer Abhandlung geeignet, weniger für die spezielle DiagMC-Primärliteratur.
  • Physics-Uspekhi: Review- und Übersichtsartikel zur theoretischen Physik.
    • Physics-Uspekhi enthält den umfangreichen Übersichtsartikel von A. S. Mishchenko zur Anwendung von Diagrammatic Monte Carlo auf Polaronprobleme. Die Plattform ist daher besonders für methodische Überblicksliteratur und historische Einordnung nützlich.

Lern- und Forschungsplattformen

  • arXiv: Preprint-Archiv für Physik und verwandte Fachgebiete.
    • arXiv ist für die Recherche zu Bare DiagMC besonders wichtig, weil zahlreiche grundlegende und aktuelle Arbeiten bereits vor der Journal-Veröffentlichung dort verfügbar sind. Zusätzlich können verschiedene Versionen eines Manuskripts miteinander verglichen werden. Für die endgültige Bibliographie sollte bei veröffentlichten Arbeiten dennoch bevorzugt die begutachtete Journal-Version zusammen mit ihrem DOI angegeben werden.
  • INSPIRE: Wissenschaftliche Literaturdatenbank für Physik.
    • INSPIRE ist eine nützliche Rechercheplattform für Publikationsdaten, Autoren, Referenzen und Zitationsbeziehungen. Bei methodisch übergreifenden Themen wie diagrammatischer Quantenfeldtheorie und Vielteilchenphysik kann die Datenbank helfen, Veröffentlichungsserien und verwandte Arbeiten systematisch nachzuverfolgen.
  • Crossref: DOI- und Publikationsmetadaten.
    • Crossref eignet sich zur Kontrolle bibliographischer Angaben wie Autorenschaft, Titel, Publikationsjahr und DOI. Für eine wissenschaftliche Abhandlung ist diese Funktion besonders nützlich, um fehlerhafte oder unvollständige Literaturangaben aus Sekundärquellen vor der Veröffentlichung zu überprüfen.
  • DOI Foundation: DOI-Auflösung wissenschaftlicher Publikationen.
    • Der DOI-Dienst ermöglicht die dauerhafte Auflösung eines Digital Object Identifier auf die aktuelle Verlagsseite einer Publikation. Für den Anhang ist dies die stabilste Form, eine konkrete wissenschaftliche Veröffentlichung unabhängig von späteren Änderungen der Webseitenstruktur zu referenzieren.
Tensornetzwerke

Tensornetzwerke

...

Quarks

Quarks

...

Baryogenese

Baryogenese

...

Bra-Ket-Notation

Bra-Ket-Notation

...

Ising-Anyonen

Ising-Anyonen

...

Plasmon-Phonon-Polaritonen (PPPs)

Plasmon-Phonon-Polaritonen (PPPs)

...