Green’s Function Monte Carlo, kurz GFMC oder Monte-Carlo-Verfahren mit Greenschen Funktionen, ist ein numerisches Verfahren zur hochpräzisen Lösung quantenmechanischer Vielteilchenprobleme. Es gehört zur Familie der Quantum-Monte-Carlo-Methoden und verbindet die quantenmechanische Zeitentwicklung mit stochastischem Sampling. Das zentrale Ziel besteht darin, aus einer geeigneten Näherungswellenfunktion den tatsächlichen Grundzustand eines quantenmechanischen Systems herauszufiltern.

Das Verfahren ist besonders dort wertvoll, wo analytische Lösungen der Schrödinger-Gleichung nicht mehr möglich sind. Bereits bei wenigen stark miteinander wechselwirkenden Quantenteilchen wächst die Komplexität des Zustandsraums erheblich. In Kernphysik, Atomphysik und Vielteilchenphysik muss nicht nur die räumliche Bewegung der Teilchen beschrieben werden. Hinzu kommen beispielsweise Spin, Isospin, Korrelationen und komplizierte Zwei- oder Mehrteilchenwechselwirkungen.

GFMC versucht nicht, den gesamten Hilbertraum vollständig zu speichern und anschließend eine riesige Hamiltonmatrix zu diagonalisieren. Stattdessen wird die für den Grundzustand relevante Information über eine Greensche Funktion beziehungsweise einen Propagator schrittweise erzeugt und mithilfe statistischer Stichproben ausgewertet. Dadurch können Systeme behandelt werden, deren direkte numerische Darstellung erheblich schwieriger wäre.

Die grundlegende Idee lässt sich auf einen Satz reduzieren: Eine beliebige geeignete Wellenfunktion, die einen nicht verschwindenden Anteil des gesuchten Grundzustands enthält, wird in imaginärer Zeit entwickelt. Dabei verschwinden Beiträge höherer Energiezustände relativ zum Grundzustand exponentiell. Nach ausreichend langer Projektionszeit bleibt im Idealfall der niedrigste mit den vorgegebenen Quantenzahlen kompatible Zustand übrig.

GFMC ist dabei kein Quantenalgorithmus und benötigt keinen Quantencomputer. Die Berechnung erfolgt auf klassischen Rechnern, häufig auf Hochleistungsrechnern mit vielen Prozessoren oder Beschleunigern. Die Bezeichnung Quantum Monte Carlo beschreibt die Anwendung von Monte-Carlo-Verfahren auf quantenmechanische Probleme, nicht die Verwendung von Quantenhardware.

Besonders bekannt ist GFMC durch seine Anwendungen in der Kernphysik. Dort ermöglicht das Verfahren ab-initio-Berechnungen leichter Atomkerne ausgehend von mikroskopischen Wechselwirkungen zwischen Nukleonen. Gleichzeitig besitzt die Methode eine allgemeinere Bedeutung: Sie zeigt beispielhaft, wie sich ein kompliziertes quantenmechanisches Eigenwertproblem in einen stochastisch behandelbaren Projektionsprozess überführen lässt.

Stellung innerhalb der numerischen Quantenphysik

Quantum-Monte-Carlo-Methoden umfassen mehrere verwandte, aber nicht identische Ansätze. Variational Monte Carlo optimiert eine vorgegebene Trial-Wellenfunktion. Diffusion Monte Carlo verwendet eine diffusionsartige Entwicklung in imaginärer Zeit. Path Integral Monte Carlo beschreibt Quantenstatistik über Pfadintegrale und wird häufig für endliche Temperaturen eingesetzt. Auxiliary-Field Quantum Monte Carlo beziehungsweise Auxiliary-Field Diffusion Monte Carlo verwendet zusätzliche Hilfsfelder, um bestimmte Wechselwirkungen effizienter darzustellen.

GFMC gehört zu den Projektionsmethoden. Sein entscheidendes Merkmal ist die explizite Verwendung eines Greenschen Funktionskerns, mit dem die Wellenfunktion schrittweise durch imaginäre Zeit propagiert wird. Die Stärke dieser Konstruktion liegt darin, dass die Schrödinger-Gleichung nicht nur näherungsweise über eine parametrisierte Wellenfunktion minimiert wird. Vielmehr wird der Zustand ausgehend von einer guten Näherung systematisch in Richtung des exakten Eigenzustands projiziert, soweit Sign Problem, Zeitschrittfehler und weitere numerische Einschränkungen dies zulassen.

Physikalische und mathematische Grundlagen

Die zeitunabhängige Schrödinger-Gleichung

Ausgangspunkt ist das Eigenwertproblem der nichtrelativistischen Quantenmechanik. Für einen Hamiltonoperator, eine Wellenfunktion und die zugehörige Energie gilt:

\(\hat{H}\Psi = E\Psi\)

Der Hamiltonoperator enthält die physikalischen Beiträge des betrachteten Systems. Für ein einfaches Vielteilchenproblem lässt er sich schematisch in kinetische Energie und potentielle Wechselwirkungen aufteilen:

\(\hat{H} = \hat{T} + \hat{V}\)

Bei einem System aus mehreren Teilchen kann die potentielle Energie wiederum Zwei-, Drei- oder allgemein Mehrteilchenanteile enthalten:

\(\hat{V} = \sum_{i<j}V_{ij} + \sum_{i<j<k}V_{ijk} + \ldots\)

In realistischen Kernmodellen ist diese Struktur deutlich anspruchsvoller, als die kompakte Gleichung vermuten lässt. Die Wechselwirkungen können von Teilchenabständen, Spin, Isospin, Tensoroperatoren, Spin-Bahn-Kopplungen und weiteren Operatorstrukturen abhängen.

Der Grundzustand ist der Eigenzustand mit der niedrigsten zulässigen Energie. Würde man die exakte Wellenfunktion kennen, ließen sich die Energie und zahlreiche weitere Eigenschaften direkt berechnen. Genau diese Wellenfunktion ist bei realistischen Vielteilchensystemen jedoch normalerweise unbekannt.

Greensche Funktionen

Eine Greensche Funktion ist allgemein ein mathematisches Werkzeug zur Lösung linearer Differential- und Operatorgleichungen. Vereinfacht gesprochen beschreibt sie, wie ein System auf einen punktförmigen beziehungsweise elementaren Anregungsterm reagiert. In der Quantenmechanik kann eine Greensche Funktion unter anderem als Kern eines Operators verstanden werden, der Zustände oder Amplituden von einer Konfiguration in eine andere überträgt.

Eine häufig verwendete energieabhängige Form ist der Resolventenoperator:

\(\hat{G}(E) = \frac{1}{E-\hat{H}+i\eta}\)

Für GFMC ist jedoch vor allem die Verbindung zwischen Greenscher Funktion und imaginärer Zeitentwicklung entscheidend. Der zugehörige Projektionsoperator lautet:

\(e^{-(\hat{H}-E_T)\tau}\)

Dabei bezeichnet die Projektionszeit eine imaginäre Zeitvariable und die Referenzenergie dient unter anderem dazu, die Norm beziehungsweise Walker-Population numerisch zu kontrollieren.

Von realer zu imaginärer Zeit

Die normale quantenmechanische Zeitentwicklung wird durch einen unitären Operator beschrieben:

\(\Psi(t)=e^{-i\hat{H}t/\hbar}\Psi(0)\)

Diese Entwicklung erhält die Norm und erzeugt Phasen. Für die Grundzustandsprojektion ist dagegen eine mathematische Fortsetzung zur imaginären Zeit besonders nützlich. Dadurch entsteht anstelle der oszillierenden Zeitentwicklung eine exponentielle Dämpfung:

\(\Psi(\tau)=e^{-(\hat{H}-E_T)\tau}\Psi_T\)

Die Ausgangsfunktion wird gewöhnlich als Trial-Wellenfunktion bezeichnet. Sie muss nicht exakt sein. Entscheidend ist zunächst, dass sie die richtigen Symmetrien und Quantenzahlen besitzt und einen nicht verschwindenden Überlapp mit dem gewünschten Zustand aufweist.

Grundzustandsprojektion

Die Trial-Wellenfunktion kann formal in die Eigenzustände des Hamiltonoperators zerlegt werden:

\(\Psi_T=\sum_n c_n\Phi_n\)

Für jeden Eigenzustand gilt:

\(\hat{H}\Phi_n=E_n\Phi_n\)

Nach einer imaginären Zeitentwicklung erhält man:

\(\Psi(\tau)=\sum_n c_n e^{-(E_n-E_T)\tau}\Phi_n\)

Angenommen, der Grundzustand besitzt die Energie des niedrigsten Eigenwerts und sein Koeffizient in der Trial-Wellenfunktion ist nicht null. Dann werden Zustände mit höherer Energie relativ zum Grundzustand immer stärker gedämpft. Für große Projektionszeiten dominiert daher der Grundzustandsanteil:

\(\Psi(\tau)\propto\Phi_0 \quad \mathrm{für}\quad \tau\rightarrow\infty\)

Genau diese mathematische Eigenschaft bildet das Fundament von GFMC.

Grundprinzip von Green’s Function Monte Carlo

Die Greensche Funktion als Kurzzeitpropagator

Die vollständige Anwendung des Exponentialoperators ist bei einem realistischen Vielteilchen-Hamiltonoperator im Allgemeinen nicht direkt berechenbar. GFMC zerlegt deshalb die gesamte Projektionszeit in viele kleine Schritte. Für einen einzelnen Schritt wird die Greensche Funktion als Matrixelement des Kurzzeitpropagators definiert:

\(G(\mathbf{R}',\mathbf{R};\Delta\tau)=\langle\mathbf{R}'|e^{-(\hat{H}-E_T)\Delta\tau}|\mathbf{R}\rangle\)

Die Variable beschreibt dabei eine Konfiguration aller räumlichen Freiheitsgrade und gegebenenfalls zusätzlicher interner Zustände. Die Wellenfunktion im nächsten Zeitschritt ergibt sich durch Integration über die vorherigen Konfigurationen:

\(\Psi(\mathbf{R}',\tau+\Delta\tau)=\int d\mathbf{R}\,G(\mathbf{R}',\mathbf{R};\Delta\tau)\Psi(\mathbf{R},\tau)\)

Die entscheidende numerische Idee besteht darin, dieses hochdimensionale Integral nicht auf einem vollständigen Gitter auszuwerten. Stattdessen wird die relevante Verteilung durch eine große Anzahl stochastisch erzeugter Konfigurationen repräsentiert.

Von der Integralgleichung zum Zufallsprozess

Für kleine Zeitschritte kann die Wirkung des Propagators so approximiert werden, dass verschiedene Bestandteile eine probabilistische Interpretation erhalten. Die kinetische Energie führt zu einer diffusionsähnlichen Bewegung im Konfigurationsraum. Die potentielle Energie verändert dagegen im Wesentlichen die Gewichtung der Konfigurationen.

Auf diese Weise entsteht eine Population sogenannter Walker. Ein Walker ist kein reales Quantenteilchen. Er repräsentiert eine mögliche Konfiguration des gesamten simulierten Systems samt statistischem Gewicht beziehungsweise interner Zustandsinformation.

Die Walker bewegen sich stochastisch durch den Konfigurationsraum. Konfigurationen, die für den projizierten Zustand wichtig sind, erhalten größere Gewichte beziehungsweise mehr Nachkommen. Unwahrscheinliche oder energetisch ungünstige Konfigurationen verlieren Gewicht oder verschwinden aus der Population.

Warum Monte Carlo?

Die Zahl möglicher Konfigurationen eines Vielteilchensystems wächst sehr schnell mit der Teilchenzahl und der Zahl interner Freiheitsgrade. Eine vollständige systematische Integration wäre entsprechend teuer. Monte-Carlo-Verfahren ersetzen die vollständige Abtastung durch statistische Stichproben.

Für eine Wahrscheinlichkeitsverteilung kann ein Erwartungswert grundsätzlich als Integral geschrieben werden:

\(\langle A\rangle=\int d\mathbf{R}\,P(\mathbf{R})A(\mathbf{R})\)

Wird eine große Zahl repräsentativer Konfigurationen aus dieser Verteilung gezogen, kann derselbe Erwartungswert durch den Stichprobenmittelwert geschätzt werden:

\(\langle A\rangle\approx\frac{1}{N}\sum_{i=1}^{N}A(\mathbf{R}_i)\)

Der Vorteil ist erheblich: Die statistische Konvergenz von Monte-Carlo-Integrationen hängt nicht direkt in derselben Weise von der Dimension des Integrals ab wie klassische Gitterverfahren. Das beseitigt die Vielteilchenkomplexität nicht, macht bestimmte sehr hochdimensionale Integrale aber überhaupt erst praktisch zugänglich.

Der GFMC-Algorithmus

Wahl der Trial-Wellenfunktion

Eine GFMC-Rechnung beginnt mit einer Trial-Wellenfunktion. Sie ist weit mehr als eine beliebige Startschätzung. Eine gute Trial-Wellenfunktion enthält bereits wesentliche physikalische Eigenschaften des Systems: korrekte Symmetrien, Antisymmetrie für Fermionen, räumliche Korrelationen sowie gegebenenfalls Spin-, Isospin- und Tensorstrukturen.

Vor der eigentlichen GFMC-Projektion wird die Trial-Wellenfunktion häufig mit Variational Monte Carlo untersucht und optimiert. Nach dem Variationsprinzip liegt die Energie einer normierten Trial-Wellenfunktion nicht unterhalb der exakten Grundzustandsenergie:

\(E_V=\frac{\langle\Psi_T|\hat{H}|\Psi_T\rangle}{\langle\Psi_T|\Psi_T\rangle}\geq E_0\)

Je näher die Trial-Wellenfunktion bereits am tatsächlichen Grundzustand liegt, desto weniger Projektionszeit ist typischerweise erforderlich und desto kleiner können statistische Schwankungen ausfallen. Besonders wichtig ist ihre Qualität außerdem beim Fermionen-Vorzeichenproblem, weil viele praktische Stabilisierungsverfahren Informationen der Trial-Wellenfunktion verwenden.

Diskretisierung der imaginären Zeit

Die gesamte Projektionszeit wird in kleine Intervalle unterteilt:

\(\tau=N\Delta\tau\)

Der vollständige Propagator wird damit durch eine wiederholte Anwendung des Kurzzeitpropagators erzeugt:

\(e^{-(\hat{H}-E_T)\tau}=\left[e^{-(\hat{H}-E_T)\Delta\tau}\right]^N\)

Da kinetische und potentielle Operatoren normalerweise nicht miteinander kommutieren, darf ihre Exponentialfunktion nicht einfach exakt in zwei Faktoren zerlegt werden. Für kleine Zeitschritte kann jedoch beispielsweise eine symmetrische Trotter-Suzuki-Zerlegung verwendet werden:

\(e^{-\Delta\tau(\hat{T}+\hat{V})}\approx e^{-\Delta\tau\hat{V}/2}e^{-\Delta\tau\hat{T}}e^{-\Delta\tau\hat{V}/2}\)

Diese Approximation erzeugt einen systematischen Zeitschrittfehler. Deshalb werden zuverlässige GFMC-Ergebnisse für mehrere Zeitschrittweiten überprüft oder in Richtung verschwindender Zeitschrittweite extrapoliert.

Diffusion der Walker

Für einen einfachen nichtrelativistischen kinetischen Energieoperator besitzt der freie Kurzzeitpropagator eine gaußförmige Struktur. Dadurch kann die räumliche Bewegung der Walker als Diffusionsprozess realisiert werden. Vereinfacht geschrieben ändert sich eine Konfiguration nach dem Schema:

\(\mathbf{R}'=\mathbf{R}+\sqrt{2D\Delta\tau}\,\boldsymbol{\eta}\)

Dabei ist die Zufallsvariable gaußverteilt, und die Diffusionskonstante hängt bei einem einzelnen Teilchen mit Masse vom kinetischen Energieoperator ab:

\(D=\frac{\hbar^2}{2m}\)

Die tatsächliche GFMC-Dynamik realistischer Vielteilchensysteme ist wesentlich komplexer. Die Diffusionsinterpretation erklärt aber, warum Projektions-Monte-Carlo-Verfahren mathematisch eng mit Diffusionsprozessen verbunden sind.

Gewichtung und Branching

Die potentielle Energie führt dazu, dass nicht alle Walker gleich wichtig bleiben. In vereinfachter Darstellung enthält der Propagator einen Gewichtsfaktor der Form:

\(w\propto e^{-\Delta\tau(V-E_T)}\)

Walker in günstigen Bereichen des Konfigurationsraums können dadurch stärker gewichtet werden. In Algorithmen mit expliziter Populationsentwicklung kann dies durch Branching realisiert werden: Ein erfolgreicher Walker erzeugt mehrere statistische Nachfolger, während ein Walker mit geringem Gewicht entfernt werden kann.

Die Referenzenergie wird dabei so angepasst, dass die Gesamtpopulation nicht exponentiell wächst oder verschwindet. Diese Populationskontrolle ist numerisch notwendig, kann bei zu kleinen Walker-Zahlen jedoch selbst einen systematischen Fehler erzeugen.

Wiederholte Projektion

Nach jedem Zeitschritt werden die Walker propagiert, gewichtet und gegebenenfalls neu verteilt. Die Operation wird viele Male wiederholt. Mit zunehmender Projektionszeit werden Beiträge angeregter Zustände reduziert.

In einer idealen Rechnung könnte man die Projektionszeit unbegrenzt erhöhen. Praktisch existieren jedoch Grenzen. Statistische Unsicherheiten können zunehmen, das Fermionen-Vorzeichenproblem kann die Rechnung destabilisieren und endliche Rechenressourcen begrenzen die Zahl der Zeitschritte und Walker.

Eine GFMC-Berechnung ist deshalb immer auch eine Konvergenzanalyse. Man untersucht, ob die gewünschten Observablen einen stabilen Bereich erreichen, in dem eine weitere Erhöhung der Projektionszeit das Ergebnis innerhalb der statistischen Fehler nicht mehr wesentlich verändert.

Die lokale Energie

Eine zentrale Größe vieler Quantum-Monte-Carlo-Verfahren ist die lokale Energie:

\(E_L(\mathbf{R})=\frac{\hat{H}\Psi_T(\mathbf{R})}{\Psi_T(\mathbf{R})}\)

Wäre die Trial-Wellenfunktion bereits ein exakter Eigenzustand des Hamiltonoperators, wäre die lokale Energie für alle zulässigen Konfigurationen konstant. Schwankungen der lokalen Energie zeigen daher unmittelbar, dass die Trial-Wellenfunktion vom exakten Eigenzustand abweicht.

Diese Eigenschaft erklärt auch, warum hochwertige Trial-Wellenfunktionen die Varianz einer Monte-Carlo-Rechnung erheblich reduzieren können.

Importance Sampling

Das Problem ineffizienter Stichproben

Ein vollkommen ungerichteter Random Walk wäre bei hochdimensionalen Quantensystemen ineffizient. Ein großer Teil der Rechenzeit würde auf Konfigurationen entfallen, in denen die Wellenfunktion praktisch keine relevante Amplitude besitzt.

Importance Sampling verändert deshalb die stochastische Dynamik so, dass häufiger jene Bereiche besucht werden, die für die Trial-Wellenfunktion und damit voraussichtlich für den gesuchten Zustand wichtig sind.

Eine häufig verwendete gemischte Verteilung hat schematisch die Form:

\(f(\mathbf{R},\tau)=\Psi_T(\mathbf{R})\Psi(\mathbf{R},\tau)\)

Anstelle der unbekannten projizierten Wellenfunktion allein wird also ein Produkt mit der bekannten Trial-Wellenfunktion betrachtet.

Drift

Durch die Transformation entsteht zusätzlich zur reinen Diffusion eine Drift in Richtung von Bereichen hoher Bedeutung. Für einfache Fälle kann eine Driftgeschwindigkeit in einer Form geschrieben werden wie:

\(\mathbf{v}_D(\mathbf{R})=2D\nabla\ln|\Psi_T(\mathbf{R})|\)

Die Walker führen damit keinen vollständig ungerichteten Random Walk mehr aus. Die Trial-Wellenfunktion liefert Informationen darüber, welche Richtungen im Konfigurationsraum statistisch günstiger sind.

Nutzen und Grenze

Importance Sampling verändert nicht das eigentliche physikalische Ziel der Projektion. Richtig konstruiert verbessert es vor allem die Effizienz der Stichproben und reduziert die Varianz.

Es macht GFMC allerdings stärker von der Qualität der Trial-Wellenfunktion abhängig. Eine schlechte Trial-Funktion kann ungünstige Sampling-Eigenschaften erzeugen. Bei Fermionen erhält ihre Knoten- beziehungsweise Vorzeichenstruktur zusätzlich eine grundlegende Bedeutung.

Das Fermionen-Vorzeichenproblem

Ursprung des Problems

Für Bosonen kann eine Grundzustandswellenfunktion in vielen wichtigen Fällen so gewählt werden, dass sie nicht ihr Vorzeichen wechselt. Ihre Amplitude kann dann vergleichsweise direkt mit positiven statistischen Gewichten verbunden werden.

Bei identischen Fermionen ist dies anders. Nach dem Pauli-Prinzip muss die Wellenfunktion beim Austausch zweier identischer Fermionen antisymmetrisch sein:

\(\Psi(\ldots,\mathbf{r}_i,\ldots,\mathbf{r}_j,\ldots)=-\Psi(\ldots,\mathbf{r}_j,\ldots,\mathbf{r}_i,\ldots)\)

Die Wellenfunktion besitzt damit positive und negative Bereiche. Monte-Carlo-Methoden basieren jedoch besonders effizient auf positiven Wahrscheinlichkeitsverteilungen. Positive und negative Beiträge können sich fast vollständig aufheben, obwohl jeder Beitrag für sich groß ist.

Die physikalisch relevante Differenz wird dann als kleine Größe aus zwei großen, statistisch verrauschten Größen bestimmt. Das Signal-Rausch-Verhältnis kann mit zunehmender Projektionszeit und Teilchenzahl dramatisch schlechter werden.

Konsequenzen für GFMC

Ohne zusätzliche Maßnahmen kann das Vorzeichenproblem eine Fermionen-GFMC-Rechnung so ineffizient machen, dass die statistische Unsicherheit schneller wächst, als sie durch zusätzliche Stichproben reduziert werden kann.

Das ist keine bloße Unannehmlichkeit der Programmierung. Das Sign Problem gehört zu den fundamentalen numerischen Schwierigkeiten der quantenmechanischen Vielteilchenrechnung. Für allgemeine Fermionensysteme existiert keine universelle Methode, die das Problem effizient und exakt beseitigt.

Fixed-Node-Verfahren

Ein bekannter Ansatz, insbesondere aus Diffusion-Monte-Carlo-Rechnungen elektronischer Systeme, ist die Fixed-Node-Näherung. Die Knotenflächen der Trial-Wellenfunktion werden dabei als Randbedingungen verwendet. Walker dürfen die vorgegebene Knotenstruktur nicht so verändern, dass die fermionische Vorzeichenstruktur verloren geht.

Ist die Knotenfläche der Trial-Wellenfunktion exakt, kann auch das daraus resultierende Ergebnis exakt sein. Ist sie nur näherungsweise richtig, entsteht ein Fixed-Node-Fehler. Bei geeigneten lokalen Hamiltonoperatoren besitzt die Fixed-Node-Energie eine Variationscharakteristik und liegt nicht unter der exakten Fermionen-Grundzustandsenergie.

Constrained-Path-Verfahren

In nuklearen GFMC-Rechnungen ist die Situation aufgrund der expliziten Spin-Isospin-Struktur komplexer. Dort werden häufig Constrained-Path- beziehungsweise verwandte Constraint-Verfahren eingesetzt. Der Überlapp eines Walkers mit der Trial-Wellenfunktion dient als Kriterium dafür, ob eine Konfiguration weitergeführt werden darf.

Das Constraint stabilisiert die Rechnung, führt jedoch eine systematische Abhängigkeit von der Trial-Wellenfunktion ein. In geeigneten Verfahren können anschließend einige Schritte ohne Constraint durchgeführt werden, um dessen Einfluss zu reduzieren und zu überprüfen.

Fixed Phase

Bei komplexwertigen Wellenfunktionen reicht eine reine Vorzeichenbetrachtung nicht aus. Fixed-Phase-Ansätze fixieren näherungsweise die Phase der Wellenfunktion und projizieren andere Bestandteile. Auch hier wird numerische Stabilität gegen eine kontrollierte systematische Näherung eingetauscht.

Bedeutung für die Interpretation von Ergebnissen

Eine GFMC-Zahl ist nur dann wissenschaftlich aussagekräftig, wenn bekannt ist, welche Constraints verwendet wurden und wie empfindlich das Ergebnis darauf reagiert. Statistisch kleine Fehlerbalken allein beweisen keine hohe Gesamtgenauigkeit. Systematische Fehler durch Vorzeichen- oder Phasenbedingungen können größer als der statistische Fehler sein.

Die Qualität einer GFMC-Rechnung muss deshalb durch Konvergenztests, unterschiedliche Trial-Wellenfunktionen, Variation numerischer Parameter und – soweit möglich – Vergleiche mit exakt lösbaren Systemen oder unabhängigen Rechenmethoden geprüft werden.

Statistische und systematische Fehler

Statistische Monte-Carlo-Fehler

Monte-Carlo-Ergebnisse sind statistische Schätzwerte. Selbst wenn der zugrunde liegende Algorithmus mathematisch exakt wäre, würde eine endliche Zahl von Stichproben eine Unsicherheit erzeugen.

Für statistisch unabhängige Messwerte sinkt der Standardfehler des Mittelwerts grundsätzlich mit der Quadratwurzel der Zahl der Stichproben:

\(\sigma_{\bar{A}}=\frac{\sigma_A}{\sqrt{N}}\)

Das bedeutet zugleich, dass eine Halbierung des statistischen Fehlers ungefähr eine Vervierfachung der Zahl unabhängiger Stichproben erfordert.

Walker und aufeinanderfolgende GFMC-Schritte sind allerdings häufig korreliert. Die effektive Zahl unabhängiger Messungen kann daher deutlich kleiner sein als die Zahl gespeicherter Werte. Autokorrelationsanalysen und Blockverfahren sind notwendig, um realistische Fehlerabschätzungen zu erhalten.

Zeitschrittfehler

Der Kurzzeitpropagator ist eine Approximation an die exakte imaginäre Zeitentwicklung. Ein zu großer Zeitschritt erzeugt deshalb systematische Abweichungen. Ein sehr kleiner Zeitschritt reduziert diesen Fehler, erhöht aber die Zahl notwendiger Schritte und damit den Rechenaufwand.

Seriöse Rechnungen testen mehrere Zeitschrittweiten. Erst wenn sich eine Observable bei weiterer Verringerung stabilisiert oder zuverlässig extrapolieren lässt, kann der Zeitschrittfehler als kontrolliert gelten.

Populationsfehler

Eine endliche Walker-Population stellt die kontinuierliche Verteilung nur näherungsweise dar. Branching und Populationskontrolle führen zusätzlich zu Korrelationen zwischen Walkern. Zu kleine Populationen können dadurch einen messbaren Bias erzeugen.

Eine einfache Gegenmaßnahme besteht darin, Rechnungen mit verschiedenen Populationsgrößen zu vergleichen. Eine größere Walker-Zahl reduziert den Populationsfehler, erhöht jedoch Speicherbedarf und Rechenzeit.

Trial-Wellenfunktions- und Constraint-Fehler

Bei einer vollständig exakten, unbeschränkten Grundzustandsprojektion würde die genaue Form der Trial-Wellenfunktion nach ausreichend langer imaginärer Zeit ihre Bedeutung verlieren, solange sie einen nicht verschwindenden Überlapp mit dem gewünschten Zustand besitzt.

In realen Fermionenrechnungen werden jedoch Constraints verwendet. Dadurch kann die Trial-Wellenfunktion unmittelbar in das Endergebnis eingehen. Die Verbesserung der Trial-Wellenfunktion ist deshalb nicht nur eine Frage der schnelleren Konvergenz, sondern kann die systematische Genauigkeit beeinflussen.

Physikalische Observablen

Grundzustandsenergie

Die Energie gehört zu den am zuverlässigsten zugänglichen Größen. Ein gebräuchlicher Mixed Estimator besitzt die Form:

\(E_{\mathrm{mix}}(\tau)=\frac{\langle\Psi_T|\hat{H}|\Psi(\tau)\rangle}{\langle\Psi_T|\Psi(\tau)\rangle}\)

Da der Hamiltonoperator mit seiner eigenen imaginären Zeitentwicklung kommutiert, besitzt die Energie bei erfolgreicher Projektion besonders günstige Eigenschaften. Sobald die Projektion gegen den Grundzustand konvergiert, nähert sich der gemischte Schätzer der Grundzustandsenergie.

Andere Operatoren

Bei einem allgemeinen Operator ist die Situation schwieriger. Der Mixed Estimator lautet:

\(\langle O\rangle_{\mathrm{mix}}=\frac{\langle\Psi_T|\hat{O}|\Psi(\tau)\rangle}{\langle\Psi_T|\Psi(\tau)\rangle}\)

Kommutiert der Operator nicht mit dem Hamiltonoperator, entspricht dieser Ausdruck im Allgemeinen nicht unmittelbar dem exakten Erwartungswert des vollständig projizierten Zustands. Dafür können extrapolierte Schätzer oder aufwendigere Pure-Estimator-Techniken verwendet werden.

Eine gebräuchliche Näherung kombiniert den Mixed- und den Variationswert:

\(\langle O\rangle_{\mathrm{ext}}\approx 2\langle O\rangle_{\mathrm{mix}}-\langle O\rangle_{\mathrm{VMC}}\)

Diese Beziehung reduziert Fehler erster Ordnung in der Differenz zwischen Trial- und exakter Wellenfunktion, ist aber selbst keine grundsätzlich exakte Identität.

Zugängliche physikalische Informationen

Abhängig vom konkreten System können mit GFMC neben Energien beispielsweise Dichteverteilungen, Paarverteilungsfunktionen, Radien, Impulsverteilungen, Spin- und Isospinkorrelationen, elektromagnetische Matrixelemente sowie Übergangsgrößen untersucht werden.

Welche Observable zuverlässig berechnet werden kann, hängt davon ab, wie ihr Operator in die Monte-Carlo-Auswertung eingebaut wird und wie empfindlich die Größe auf Trial-Wellenfunktion, Constraints und statistische Schwankungen reagiert.

Anwendungen von GFMC in der Quantenphysik

Leichte Atomkerne

Eine der bedeutendsten Anwendungen von GFMC ist die ab-initio-Kernphysik. Ab initio bedeutet hier, dass die Eigenschaften eines Kerns aus einem mikroskopischen Hamiltonoperator für seine Nukleonen berechnet werden, statt das gesamte Kernverhalten durch ein rein phänomenologisches makroskopisches Modell zu ersetzen.

Ein schematischer nuklearer Hamiltonoperator kann geschrieben werden als:

\(\hat{H}=\sum_i\frac{\mathbf{p}_i^2}{2m_i}+\sum_{i<j}V_{ij}+\sum_{i<j<k}V_{ijk}\)

Die ersten Terme beschreiben die kinetischen Energien. Danach folgen Zwei-Nukleonen- und gegebenenfalls Drei-Nukleonen-Wechselwirkungen. Moderne Rechnungen können zusätzlich konsistente elektromagnetische und schwache Stromoperatoren benötigen, wenn nicht nur Energien, sondern Reaktionen und Übergänge betrachtet werden.

Die besondere Herausforderung liegt darin, dass Protonen und Neutronen Fermionen mit Spin und Isospin sind. Eine nukleare Wellenfunktion muss dadurch sehr viele gekoppelte interne Komponenten enthalten. Gleichzeitig weisen die Kernkräfte starke kurzreichweitige, tensorielle und spinabhängige Korrelationen auf.

Genau hier besitzt GFMC einen großen Vorteil: Die Methode kann diese Korrelationen explizit behandeln, anstatt sie von vornherein durch ein einfaches unabhängiges Teilchenbild zu ersetzen.

Bindungsenergien und Spektren

GFMC wurde erfolgreich für präzise Berechnungen leichter Kerne eingesetzt. Neben Grundzuständen lassen sich auch angeregte Zustände behandeln, wenn geeignete Trial-Wellenfunktionen konstruiert werden.

Die imaginäre Zeitprojektion liefert grundsätzlich den niedrigsten Zustand mit den Quantenzahlen und Symmetrieeigenschaften, die durch die Ausgangswellenfunktion festgelegt sind. Besitzt ein angeregter Zustand andere Quantenzahlen als der Grundzustand, kann er dadurch gezielt isoliert werden.

Bei mehreren Zuständen mit denselben Quantenzahlen ist die Situation anspruchsvoller. Dann müssen beispielsweise mehrere Trial-Zustände gemeinsam behandelt und Orthogonalitätsbedingungen berücksichtigt werden, damit die Projektion nicht ausschließlich in den niedrigsten Zustand kollabiert.

Untersuchung von Kernkräften

GFMC ist nicht nur ein Werkzeug zur Berechnung bekannter Kerne. Es dient auch als Test für theoretische Modelle der Kernkraft.

Wenn ein Hamiltonoperator die gemessenen Energien verschiedener leichter Kerne nicht gleichzeitig reproduziert, kann dies auf fehlende oder unzureichende Wechselwirkungsanteile hinweisen. Historisch hat gerade die Untersuchung solcher Abweichungen wesentlich dazu beigetragen, die Bedeutung von Drei-Nukleonen-Kräften quantitativ zu untersuchen.

Moderne ab-initio-Rechnungen verwenden unter anderem Wechselwirkungen, die im Rahmen chiraler effektiver Feldtheorien konstruiert werden. GFMC und verwandte Quantum-Monte-Carlo-Verfahren können damit testen, wie gut unterschiedliche Ordnungen, Regularisierungen und Parametrisierungen experimentelle Daten reproduzieren.

Dichten und Korrelationen

Eine Gesamtenergie allein verrät nicht, wie ein Vielteilchensystem intern aufgebaut ist. GFMC ermöglicht deshalb auch die Berechnung räumlicher und operatorabhängiger Korrelationsfunktionen.

Eine Zwei-Teilchen-Korrelation kann schematisch über einen Operator beschrieben werden, der den Abstand zweier Teilchen auswählt:

\(g(r)\propto\left\langle\sum_{i<j}\delta(r-r_{ij})\right\rangle\)

Solche Größen zeigen beispielsweise, wie stark Teilchen bestimmte Abstände bevorzugen oder vermeiden. In Kernen sind diese Korrelationen entscheidend, weil die Wechselwirkung nicht durch ein einfaches mittleres Potential vollständig beschrieben werden kann.

Elektromagnetische und schwache Prozesse

GFMC-Wellenfunktionen können außerdem für Matrixelemente von Strom- und Übergangsoperatoren eingesetzt werden. Dadurch werden Verbindungen zu Elektronenstreuung, elektromagnetischen Übergängen, Beta-Zerfällen und Neutrinoreaktionen möglich.

Hier wird besonders deutlich, warum eine realistische Vielteilchenwellenfunktion wichtig ist. Ein experimentelles Signal kann nicht nur von der Verteilung einzelner Nukleonen abhängen, sondern auch von korrelierten Zwei-Teilchen-Strömen und anderen Vielteilcheneffekten.

GFMC im Vergleich mit anderen Quantum-Monte-Carlo-Methoden

Variational Monte Carlo

Variational Monte Carlo, kurz VMC, startet ebenfalls mit einer Trial-Wellenfunktion. Der entscheidende Unterschied besteht darin, dass VMC diese Funktion nicht durch eine imaginäre Zeitprojektion systematisch in den exakten Grundzustand überführt.

Stattdessen werden Parameter der Trial-Wellenfunktion so gewählt, dass die Variationsenergie möglichst klein wird. Das Resultat kann ausgezeichnet sein, bleibt aber grundsätzlich an die gewählte Funktionsform gebunden.

GFMC wird deshalb häufig auf einer bereits mit VMC optimierten Wellenfunktion aufgebaut. VMC erzeugt einen guten Ausgangszustand, GFMC verbessert ihn durch Projektion.

Diffusion Monte Carlo

Diffusion Monte Carlo, kurz DMC, ist GFMC mathematisch sehr eng verwandt. Beide Verfahren nutzen die Ähnlichkeit zwischen der Schrödinger-Gleichung in imaginärer Zeit und einer Diffusionsgleichung mit zusätzlichen Gewichtstermen.

Die Terminologie unterscheidet sich teilweise zwischen Forschungsgebieten. In elektronischen Strukturrechnungen wird der Begriff DMC besonders häufig verwendet. In nuklearen Vielteilchenrechnungen bezeichnet GFMC typischerweise Verfahren, die den Kurzzeit-Greenschen Funktionspropagator und die interne Spin-Isospin-Struktur explizit behandeln.

Die beiden Begriffe bezeichnen deshalb keine vollständig getrennten mathematischen Welten. Sie gehören zur selben Familie von Projektions-Monte-Carlo-Verfahren, unterscheiden sich jedoch in typischen Implementierungen, Darstellungen und Anwendungsgebieten.

Path Integral Monte Carlo

Path Integral Monte Carlo, kurz PIMC, basiert auf der Pfadintegraldarstellung der Quantenmechanik. Besonders wichtig ist PIMC für thermische Gleichgewichtseigenschaften bei endlicher Temperatur.

Die quantenmechanische Zustandssumme kann dabei formal geschrieben werden als:

\(Z=\mathrm{Tr}\left(e^{-\beta\hat{H}}\right)\)

mit:

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

Die inverse Temperatur spielt mathematisch eine ähnliche Rolle wie die imaginäre Zeit. Dennoch unterscheiden sich Ziel und praktische Konstruktion. GFMC wird typischerweise als Projektionsmethode auf Grundzustände und niedrige Eigenzustände verwendet, während PIMC thermische Ensembles und endliche Temperaturen besonders direkt behandelt.

Auxiliary-Field Quantum Monte Carlo und AFDMC

Auxiliary-Field-Verfahren führen zusätzliche stochastische Hilfsfelder ein. Über Transformationen wie die Hubbard-Stratonovich-Transformation können quadratische Operatorstrukturen durch Integrale über lineare Kopplungen an Hilfsfelder ersetzt werden.

Das Grundprinzip lässt sich schematisch ausdrücken als:

\(e^{-\frac{1}{2}\lambda O^2\Delta\tau}\propto\int dx\,e^{-x^2/2}e^{x\sqrt{-\lambda\Delta\tau}\,O}\)

Dadurch müssen bestimmte interne Freiheitsgrade nicht vollständig als explizit anwachsende Komponenten der Vielteilchenwellenfunktion gespeichert werden. Auxiliary-Field Diffusion Monte Carlo ist deshalb besonders interessant, wenn die explizite Spin-Isospin-Struktur einer GFMC-Rechnung bei wachsender Teilchenzahl zu teuer wird.

Keine universell beste Methode

Die verschiedenen Quantum-Monte-Carlo-Methoden sind Werkzeuge für unterschiedliche Problemklassen. GFMC besitzt eine sehr hohe Genauigkeit bei Systemen, deren vollständige interne Struktur noch explizit behandelbar ist. Andere Verfahren können bei größeren Teilchenzahlen besser skalieren, benötigen dafür aber andere Approximationen oder Darstellungen.

Die Auswahl eines Verfahrens hängt deshalb vom Hamiltonoperator, den gewünschten Observablen, der Teilchenart, der Temperatur, den Symmetrien und den verfügbaren Rechenressourcen ab.

Numerische Implementierung und Rechenaufwand

Wachstum des Zustandsraums

Der entscheidende praktische Nachteil von GFMC ist der hohe Rechenaufwand. Besonders deutlich wird dies bei Nukleonen. Jeder Nukleonenzustand enthält interne Spin- und Isospinfreiheitsgrade, während die Gesamtwellenfunktion gleichzeitig fermionisch antisymmetrisiert werden muss.

Mit wachsender Teilchenzahl nimmt die Zahl interner Zustandskomponenten sehr schnell zu. Hinzu kommt, dass die Wirkung komplexer Operatoren für jeden Walker wiederholt berechnet werden muss.

Dieser Aufwand ist ein wesentlicher Grund dafür, warum die klassische nukleare GFMC ihre größte Stärke bei leichten Kernen besitzt und für größere Vielteilchensysteme häufig skalierbarere Verfahren verwendet werden.

Parallelisierung

Monte-Carlo-Verfahren besitzen grundsätzlich günstige Eigenschaften für parallele Rechner. Viele Walker können zumindest über einen Teil der Berechnung unabhängig voneinander propagiert werden.

Eine einfache Aufteilung besteht darin, unterschiedliche Walker auf verschiedene Prozessoren oder Rechenknoten zu verteilen. Nach einer Anzahl von Schritten müssen jedoch globale Informationen wie Populationsgrößen, statistische Mittelwerte oder Lastverteilungen ausgetauscht werden.

Branching erzeugt außerdem eine dynamische Arbeitslast. Ein Rechenknoten kann zufällig viele überlebende Walker besitzen, während ein anderer nur wenige enthält. Moderne Implementierungen müssen die Population deshalb regelmäßig neu verteilen.

CPUs, GPUs und Hochleistungsrechner

GFMC eignet sich grundsätzlich für massiv parallele Hochleistungsrechner. Moderne CPUs stellen viele Kerne und Vektoreinheiten bereit. GPUs können bestimmte lineare Algebra-, Operator- und Samplingoperationen stark beschleunigen, sofern die Datenstrukturen entsprechend angepasst werden.

Die Nutzung eines Beschleunigers ist jedoch kein automatischer Geschwindigkeitsgewinn. Bei komplexen Wellenfunktionen können Speicherzugriffe, Verzweigungen, Kommunikation und die große Zahl interner Komponenten zum eigentlichen Engpass werden.

Effiziente GFMC-Software muss deshalb Physik und Rechnerarchitektur gemeinsam berücksichtigen. Eine mathematisch identische Operation kann abhängig von Speicherlayout, Parallelisierung und Kommunikationsstrategie völlig unterschiedliche Rechenzeiten besitzen.

Reproduzierbarkeit

Stochastische Berechnungen benötigen besonders sorgfältige Dokumentation. Zu einer reproduzierbaren GFMC-Rechnung gehören mindestens Angaben zu Hamiltonoperator, Trial-Wellenfunktion, Zeitschritt, Walker-Zahl, Constraint-Verfahren, Projektionszeit, Zufallszahlengenerator und statistischer Auswertung.

Die Verwendung unterschiedlicher Zufallszahlen bedeutet nicht, dass jede Rechnung exakt dieselben Zahlen liefern muss. Wiederholte Simulationen müssen vielmehr statistisch miteinander vereinbar sein.

Stärken und Grenzen von Green’s Function Monte Carlo

Hohe Genauigkeit

Die wichtigste Stärke von GFMC liegt in der kontrollierten Grundzustandsprojektion. Eine hochwertige Trial-Wellenfunktion wird nicht einfach als endgültiges Ergebnis akzeptiert, sondern durch den imaginären Zeitpropagator systematisch verbessert.

Für geeignete Systeme lassen sich dadurch sehr präzise Energien und detaillierte Vielteilcheneigenschaften berechnen. Die Methode kann starke Korrelationen direkt berücksichtigen und ist nicht auf eine schwache Wechselwirkung angewiesen.

Direkte Behandlung mikroskopischer Wechselwirkungen

GFMC kann einen vorgegebenen mikroskopischen Hamiltonoperator weitgehend direkt behandeln. Gerade in der Kernphysik ist dies wichtig, weil verschiedene Modelle von Zwei- und Drei-Nukleonen-Wechselwirkungen mit experimentellen Daten verglichen werden können.

Damit ist GFMC nicht nur ein numerisches Lösungsverfahren, sondern auch ein Instrument zur Prüfung physikalischer Theorien.

Rechenaufwand

Die Genauigkeit hat einen Preis. Der Aufwand wächst schnell mit der Teilchenzahl und der Komplexität der internen Freiheitsgrade. Gleichzeitig verlangt eine präzise Monte-Carlo-Auswertung viele Walker und viele Projektionsschritte.

Mehr Rechenleistung erweitert den zugänglichen Bereich, hebt die fundamentale Skalierungsproblematik jedoch nicht vollständig auf.

Sign Problem

Das Fermionen-Vorzeichenproblem stellt die grundlegendste Einschränkung dar. Constraints machen viele Rechnungen erst praktisch möglich, können jedoch systematische Fehler einführen.

Die Beherrschung dieses Fehlers ist daher genauso wichtig wie die Verringerung statistischer Unsicherheiten.

Abhängigkeit von der Trial-Wellenfunktion

Theoretisch dient die Trial-Wellenfunktion nur als Startpunkt einer Projektion. Praktisch bestimmt sie jedoch die Effizienz, Varianz, notwendige Projektionszeit und häufig auch die Qualität von Sign- oder Phasenconstraints.

Eine gute Trial-Wellenfunktion ist deshalb kein optionales Detail. Sie gehört zu den wichtigsten Bestandteilen einer leistungsfähigen GFMC-Rechnung.

GFMC im Kontext moderner Quantentechnologie

GFMC läuft auf klassischen Computern

Der Begriff Quantum Monte Carlo führt leicht zu einem Missverständnis. GFMC benötigt keine Qubits, keine Quantengatter und keinen Quantenprozessor. Die Wellenfunktion und ihre statistische Repräsentation werden auf klassischer Hardware berechnet.

GFMC ist damit eine Methode zur Simulation von Quantenphysik, aber keine Quantenberechnung im engeren Sinn des Quantum Computing.

Bedeutung als Referenzverfahren

Trotzdem ist GFMC für die moderne Quantentechnologie relevant. Neue Quantenalgorithmen zur Berechnung von Grundzustandsenergien müssen an Problemen getestet werden, deren Lösungen bereits möglichst genau bekannt sind.

Für kleine und mittlere Modellsysteme können hochwertige klassische Vielteilchenmethoden solche Referenzwerte liefern. Ein Quantencomputer demonstriert keinen praktischen Vorteil allein dadurch, dass er eine quantenmechanische Energie berechnet. Sein Ergebnis muss hinsichtlich Genauigkeit, Skalierung und Ressourcenbedarf mit den besten klassischen Verfahren verglichen werden.

Vergleich mit Variational Quantum Eigensolver

Ein bekanntes Verfahren des Quantencomputings ist der Variational Quantum Eigensolver, kurz VQE. Dabei wird ein parametrisierter Quantenzustand auf einem Quantenprozessor vorbereitet. Erwartungswerte des Hamiltonoperators werden gemessen, und ein klassischer Optimierer verändert die Parameter.

Die Grundidee des Variationsprinzips lautet auch hier:

\(E(\boldsymbol{\theta})=\frac{\langle\Psi(\boldsymbol{\theta})|\hat{H}|\Psi(\boldsymbol{\theta})\rangle}{\langle\Psi(\boldsymbol{\theta})|\Psi(\boldsymbol{\theta})\rangle}\geq E_0\)

GFMC verfolgt einen anderen Weg. Es optimiert nicht primär einen festen parametrischen Quantenschaltkreis, sondern projiziert eine Trial-Wellenfunktion in imaginärer Zeit.

Bei Problemen, für die GFMC oder andere klassische Methoden bereits hochpräzise Ergebnisse liefern, können diese Werte deshalb zur Überprüfung von VQE- und anderen Quantenalgorithmen dienen.

Mögliche hybride Ansätze

Eine interessante Forschungsrichtung besteht darin, klassische Projektionsverfahren und Quantenhardware nicht als Konkurrenz, sondern als mögliche Komponenten hybrider Methoden zu betrachten. Denkbar ist beispielsweise, einen Quantenschaltkreis zur Konstruktion einer besseren Trial-Wellenfunktion oder bestimmter Korrelationsinformationen einzusetzen und anschließend klassische Monte-Carlo-Techniken zu verwenden.

Auch das Sampling komplizierter Verteilungen oder die Bestimmung bestimmter Wellenfunktionsanteile könnte grundsätzlich von Quantenhardware profitieren. Entscheidend ist jedoch, zwischen theoretischer Möglichkeit und nachgewiesenem praktischem Vorteil zu unterscheiden.

Ein hybrider Ansatz ist erst dann technologisch relevant, wenn er gegenüber einer optimierten klassischen Lösung einen messbaren Vorteil hinsichtlich Genauigkeit, Laufzeit, Speicherbedarf oder Skalierung bietet. Allein die Beteiligung eines Quantenprozessors reicht dafür nicht aus.

Aktuelle Entwicklungslinien und Forschungsperspektiven

Verbesserte Hamiltonoperatoren

Die Genauigkeit einer GFMC-Rechnung kann niemals besser sein als die physikalische Aussagekraft des verwendeten Hamiltonoperators. Selbst eine numerisch nahezu exakte Lösung liefert falsche Vorhersagen, wenn die zugrunde liegenden Wechselwirkungen wesentliche Physik nicht enthalten.

Ein wichtiger Forschungsbereich ist deshalb die Kombination präziser Quantum-Monte-Carlo-Verfahren mit systematisch entwickelten Wechselwirkungen, beispielsweise aus effektiven Feldtheorien.

Bessere Trial-Wellenfunktionen

Ein zweiter Schwerpunkt ist die Entwicklung flexiblerer Trial-Wellenfunktionen. Traditionelle Ansätze verwenden physikalisch motivierte Korrelationsoperatoren und antisymmetrisierte Grundstrukturen. Neuere Ansätze untersuchen zusätzlich maschinell lernbare Darstellungen.

Das Ziel besteht nicht darin, physikalische Kenntnisse zu ersetzen. Vielmehr sollen flexible Funktionsansätze komplizierte Vielteilchenkorrelationen repräsentieren, die mit einfachen analytischen Ansätzen nur schwer darstellbar sind.

Machine Learning und neuronale Quantenzustände

Neural Networks können als parametrisierte Repräsentationen von Vielteilchenwellenfunktionen eingesetzt werden. Ein solcher Ansatz wird häufig als Neural Quantum State bezeichnet.

Für GFMC eröffnet dies mehrere Möglichkeiten. Eine neuronale Wellenfunktion könnte als Trial-Zustand dienen, Importance Sampling verbessern oder Strukturen lernen, die statistische Varianzen reduzieren.

Der Nutzen muss dabei sorgfältig geprüft werden. Ein komplexeres neuronales Modell ist nicht automatisch besser, wenn seine Auswertung pro Walker so teuer wird, dass der Vorteil einer geringeren Varianz wieder verloren geht.

Verbesserte Sampling-Verfahren

Ein erheblicher Teil der GFMC-Rechenzeit entfällt auf die Erzeugung effizienter Stichproben. Verbesserungen bei Drift, Reconfiguration, Branching und korreliertem Sampling können deshalb direkt die praktische Leistungsfähigkeit erhöhen.

Auch Methoden zur Varianzreduktion sind wichtig. Das Ziel besteht darin, mehr physikalische Information aus derselben Zahl teurer Hamiltonoperator-Auswertungen zu gewinnen.

Das Sign Problem bleibt zentral

Trotz enormer Fortschritte bei Rechnern und Algorithmen bleibt das Fermionen-Vorzeichenproblem eine zentrale Grenze. Ein universelles effizientes Verfahren, das das allgemeine Sign Problem exakt beseitigt, ist nicht bekannt.

Fortschritte entstehen deshalb häufig durch bessere problemabhängige Constraints, hochwertigere Trial-Wellenfunktionen oder alternative mathematische Darstellungen, in denen das Problem weniger schwer ausgeprägt ist.

Exascale- und GPU-Rechnen

Moderne Hochleistungsrechner stellen eine immer größere Zahl paralleler Recheneinheiten bereit. Für GFMC bedeutet dies sowohl eine Chance als auch eine Herausforderung.

Viele Walker lassen sich parallel verarbeiten, zugleich müssen komplexe Datenstrukturen und große interne Zustandsvektoren effizient auf Speicherhierarchien und Beschleuniger verteilt werden. Zukünftige Fortschritte werden daher nicht ausschließlich aus neuen physikalischen Algorithmen entstehen, sondern auch aus konsequenter Anpassung an moderne Rechnerarchitekturen.

Verbindung von klassischer und quantengestützter Simulation

Langfristig ist eine Arbeitsteilung zwischen klassischer Hochleistungsrechnung und Quantencomputing denkbar. GFMC zeigt dabei sehr deutlich, welchen Maßstab zukünftige Quantenmethoden erfüllen müssen.

Eine neue Methode muss nicht nur formal auf einem Quantencomputer laufen. Sie muss auch gegenüber hochentwickelten klassischen Verfahren bestehen, die jahrzehntelang optimiert wurden und auf moderner Parallelhardware enorme Präzision erreichen.

Gerade deshalb ist GFMC für die Entwicklung zukünftiger Quantentechnologien interessant: Es definiert für bestimmte Vielteilchenprobleme einen anspruchsvollen klassischen Referenzpunkt.

Fazit

Green’s Function Monte Carlo ist eines der präzisesten stochastischen Projektionsverfahren für ausgewählte quantenmechanische Vielteilchenprobleme. Seine grundlegende Idee ist klar: Eine geeignete Trial-Wellenfunktion wird durch einen Greenschen Funktionspropagator in imaginärer Zeit entwickelt. Zustände höherer Energie werden dabei gegenüber dem niedrigsten kompatiblen Eigenzustand exponentiell unterdrückt.

Die mathematische Grundlage dieser Projektion ist:

\(\Psi(\tau)=e^{-(\hat{H}-E_T)\tau}\Psi_T\)

Da der vollständige Propagator für realistische Vielteilchen-Hamiltonoperatoren nicht direkt berechnet werden kann, wird die imaginäre Zeit in kleine Schritte zerlegt. Die resultierenden hochdimensionalen Integrale werden nicht vollständig auf einem Gitter ausgewertet, sondern durch Monte-Carlo-Sampling repräsentiert.

Walker bewegen sich durch den Konfigurationsraum, werden entsprechend ihrer physikalischen Bedeutung gewichtet und bilden gemeinsam eine stochastische Repräsentation des projizierten Zustands. Importance Sampling konzentriert die Berechnung auf relevante Bereiche und kann die statistische Varianz erheblich reduzieren.

Die größte Stärke von GFMC ist die Fähigkeit, starke Vielteilchenkorrelationen und komplizierte Wechselwirkungen mit hoher Genauigkeit zu behandeln. Besonders in der Kernphysik hat das Verfahren gezeigt, wie Eigenschaften leichter Atomkerne direkt aus mikroskopischen Hamiltonoperatoren berechnet und unterschiedliche Modelle der Nukleonenwechselwirkung überprüft werden können.

Seine Grenzen sind ebenso eindeutig. Der Rechenaufwand wächst schnell mit der Teilchenzahl. Endliche Zeitschritte und Walker-Populationen erzeugen kontrollierbare systematische Fehler. Vor allem aber begrenzt das Fermionen-Vorzeichenproblem die unbeschränkte Projektion. Fixed-Node-, Fixed-Phase- und Constrained-Path-Verfahren stabilisieren entsprechende Rechnungen, führen dafür jedoch zusätzliche Näherungen ein.

GFMC darf deshalb weder als automatisch exakte Methode noch als gewöhnliche Zufallssimulation verstanden werden. Eine zuverlässige Berechnung erfordert eine hochwertige Trial-Wellenfunktion, einen physikalisch geeigneten Hamiltonoperator, eine kontrollierte Kurzzeitapproximation, genügend statistische Stichproben und eine systematische Untersuchung aller relevanten Fehlerquellen.

Im Kontext der Quantentechnologie besitzt GFMC eine besondere Stellung. Das Verfahren selbst läuft auf klassischen Computern und ist kein Quantenalgorithmus. Gerade dadurch ist es jedoch ein wichtiger Referenzpunkt. Neue Methoden auf Quantencomputern müssen zeigen, ob sie Probleme schneller, genauer oder skalierbarer lösen können als ausgereifte klassische Verfahren wie GFMC.

Der wesentliche wissenschaftliche Wert von Green’s Function Monte Carlo liegt damit nicht in einem einzelnen Algorithmustrick, sondern in der konsequenten Verbindung dreier Ideen: quantenmechanische Grundzustandsprojektion, Greensche Funktionen als Propagatoren und statistisches Monte-Carlo-Sampling. Diese Kombination macht aus einem kaum direkt lösbaren Vielteilchen-Eigenwertproblem einen kontrollierbaren stochastischen Rechenprozess und hat GFMC zu einem wichtigen Werkzeug der modernen numerischen Quantenphysik gemacht.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Literatur zu Green’s Function Monte Carlo (GFMC) reicht von den frühen Arbeiten zur stochastischen Lösung der Schrödinger-Gleichung über die Entwicklung leistungsfähiger Projektionsverfahren bis zu modernen Ab-initio-Anwendungen in der Kern- und Vielteilchenphysik. Für eine wissenschaftliche Abhandlung sollten historische Primärquellen, methodische Arbeiten und aktuelle Übersichtsartikel gemeinsam herangezogen werden. Die folgenden Quellen decken diese Ebenen gezielt ab.

Grundlegende Primärliteratur zu Green’s Function Monte Carlo

  • M. H. Kalos: Monte Carlo Calculations of the Ground State of Three- and Four-Body Nuclei, Physical Review 128, 1791–1795, 1962.
    • Diese Arbeit gehört zu den historischen Schlüsselpublikationen für das spätere GFMC-Verfahren. Kalos formuliert die Schrödinger-Gleichung mithilfe einer geeigneten Greenschen Funktion als Integralgleichung und verbindet diese mit einem stochastischen Random-Walk-Prozess. Die Quelle eignet sich besonders zur Darstellung der methodischen Ursprünge von GFMC und der Verbindung zwischen Greenscher Funktion, Integralgleichung und Monte-Carlo-Sampling.
  • J. Carlson: Green’s Function Monte Carlo Study of Light Nuclei, Physical Review C 36, 2026–2033, 1987.
    • Eine zentrale Primärarbeit für die Anwendung von GFMC in der Kernphysik. Carlson beschreibt GFMC-Verfahren für gekoppelte quantenmechanische Systeme mit spinabhängigen Wechselwirkungen und präsentiert Rechnungen für Kerne mit drei und vier Nukleonen. Für die Abhandlung ist diese Publikation besonders wichtig, wenn die Erweiterung von einfachen Modellproblemen zu realistischen nuklearen Vielteilchensystemen erläutert wird.
  • J. Carlson: Green’s Function Monte Carlo Calculations of Light Nuclei, Nuclear Physics A 508, 141–150, 1990.
    • Die Arbeit fasst wichtige frühe Fortschritte bei GFMC-Rechnungen leichter Atomkerne zusammen. Behandelt werden unter anderem Grundzustandsenergien, Ein- und Zweikörperdichten sowie Impulsverteilungen. Sie eignet sich besonders als Primärquelle für die Entwicklung von GFMC von einer reinen Energieberechnung hin zur Untersuchung weiterer physikalischer Observablen.

Spezialisierte Arbeiten zu Algorithmus, Importance Sampling und Vielteilchensystemen

  • S. A. Vitiello, P. A. Whitlock: Green’s-Function Monte Carlo Algorithm for the Solution of the Schrödinger Equation with the Shadow Wave Function, Physical Review B 44, 7373–7381, 1991.
    • Diese methodische Arbeit untersucht eine GFMC-Implementierung, bei der eine Shadow-Wellenfunktion als Importance-Funktion verwendet wird. Sie ist besonders wertvoll für Abschnitte über Importance Sampling, Konvergenz, Stabilisierung stochastischer Random Walks und die Rolle einer geeigneten Trial- beziehungsweise Importance-Wellenfunktion. Gleichzeitig zeigt sie die Anwendung von GFMC außerhalb der Kernphysik am Beispiel von Helium.
  • S. C. Pieper, R. B. Wiringa: Quantum Monte Carlo Calculations of Light Nuclei, Annual Review of Nuclear and Particle Science 51, 53–90, 2001.
    • Diese umfangreiche Übersichtsarbeit dokumentiert den Einsatz von Variational Monte Carlo und GFMC für Grundzustände und niedrig angeregte Zustände leichter Kerne. Sie behandelt realistische Zwei- und Drei-Nukleonen-Wechselwirkungen, Energiespektren, Dichten, Impulsverteilungen, Formfaktoren und weitere Observablen. Die Quelle eignet sich hervorragend, um die praktische Leistungsfähigkeit von GFMC und dessen Stellung innerhalb der Ab-initio-Kernphysik darzustellen.
  • S. C. Pieper, V. R. Pandharipande, R. B. Wiringa, J. Carlson: Realistic Models of Pion-Exchange Three-Nucleon Interactions, Physical Review C 64, 014001, 2001.
    • Diese Arbeit zeigt, wie GFMC als quantitatives Werkzeug zur Prüfung und Parametrisierung realistischer Drei-Nukleonen-Wechselwirkungen verwendet werden kann. Sie ist besonders geeignet, um zu verdeutlichen, dass GFMC nicht nur bekannte Hamiltonoperatoren numerisch löst, sondern auch bei der Bewertung physikalischer Wechselwirkungsmodelle eine wichtige Rolle spielt.
  • S. C. Pieper: Quantum Monte Carlo Calculations of Light Nuclei, Nuclear Physics A 751, 516–532, 2005.
    • Diese Arbeit dokumentiert die Weiterentwicklung von GFMC zu Rechnungen für komplexere leichte Kerne und mehrere Zustände mit gleichen Quantenzahlen. Besonders relevant ist die Anwendung realistischer Zwei- und Drei-Nukleonen-Wechselwirkungen auf Kerne bis in den Bereich von Kohlenstoff. Die Publikation eignet sich für die Diskussion von Skalierung, angeregten Zuständen und dem Übergang zu zunehmend komplexen Vielteilchenproblemen.

Moderne Übersichtsarbeiten und Anwendungen

  • J. Carlson, S. Gandolfi, F. Pederiva, S. C. Pieper, R. Schiavilla, K. E. Schmidt, R. B. Wiringa: Quantum Monte Carlo Methods for Nuclear Physics, Reviews of Modern Physics 87, 1067–1118, 2015.
    • Dies ist eine der wichtigsten modernen Übersichtsarbeiten zu kontinuierlichen Quantum-Monte-Carlo-Verfahren in der Kernphysik. Sie behandelt GFMC und verwandte Verfahren, realistische Kernkräfte, Spin-Isospin-Strukturen, Tensor- und Spin-Bahn-Wechselwirkungen, Drei-Körper-Kräfte sowie elektromagnetische und schwache Observablen. Für eine wissenschaftliche GFMC-Abhandlung ist sie eine zentrale Sekundärquelle, um Methodik, Anwendungen und Grenzen in einem konsistenten Gesamtbild einzuordnen.
  • J. E. Lynn, I. Tews, S. Gandolfi, A. Lovato: Quantum Monte Carlo Methods in Nuclear Physics: Recent Advances, Annual Review of Nuclear and Particle Science 69, 279–305, 2019.
    • Diese Übersichtsarbeit ergänzt die grundlegende GFMC-Literatur um neuere Entwicklungen bei Quantum-Monte-Carlo-Verfahren, chiralen Wechselwirkungen, leichten und mittelschweren Kernen, Neutronenmaterie und elektroschwachen Reaktionen. Sie eignet sich besonders für die Einordnung des aktuellen Forschungsumfelds und für die Abgrenzung von GFMC gegenüber skalierbareren verwandten Methoden wie Auxiliary-Field Diffusion Monte Carlo.
  • A. Lovato, S. Gandolfi, J. Carlson, S. C. Pieper, R. Schiavilla: Electromagnetic Response of 12C: A First-Principles Calculation, Physical Review Letters 117, 082501, 2016.
    • Die Arbeit demonstriert eine anspruchsvolle moderne Anwendung von GFMC auf die elektromagnetischen Antwortfunktionen von Kohlenstoff-12. Sie zeigt, dass GFMC über reine Grundzustandsenergien hinaus zur Berechnung dynamisch relevanter Vielteilchenantworten eingesetzt werden kann. Für die Abhandlung ist sie ein gutes Beispiel dafür, wie realistische Kernkräfte, Ein- und Zweikörperströme und GFMC in einer First-Principles-Rechnung zusammengeführt werden.
  • A. Lovato, N. Rocco, R. Schiavilla: Muon Capture in Nuclei: An Ab Initio Approach Based on Green’s Function Monte Carlo Methods, Physical Review C 100, 035502, 2019.
    • Diese Spezialarbeit führt GFMC in die Berechnung schwacher Kernreaktionen und des Myoneneinfangs. Sie eignet sich als Beispiel dafür, dass GFMC-Wellenfunktionen nicht nur für Struktureigenschaften, sondern auch für Reaktions- und Übergangsmatrixelemente eingesetzt werden können. In einer Abhandlung kann die Quelle die Breite moderner GFMC-Anwendungen verdeutlichen.

Hintergrundliteratur zum Fermionen-Vorzeichenproblem und zu verwandten Projektionsmethoden

  • W. M. C. Foulkes, L. Mitas, R. J. Needs, G. Rajagopal: Quantum Monte Carlo Simulations of Solids, Reviews of Modern Physics 73, 33–83, 2001.
    • Die Arbeit konzentriert sich vor allem auf Variational und Diffusion Quantum Monte Carlo in elektronischen Vielteilchensystemen. Für GFMC ist sie dennoch wichtige Hintergrundliteratur, weil zentrale Konzepte wie imaginäre Zeitprojektion, Importance Sampling, Trial-Wellenfunktionen, Fixed-Node-Näherung und fermionische Knotenstrukturen ausführlich erläutert werden. Sie eignet sich besonders für den methodischen Vergleich zwischen GFMC und DMC.
  • M. Troyer, U.-J. Wiese: Computational Complexity and Fundamental Limitations to Fermionic Quantum Monte Carlo Simulations, Physical Review Letters 94, 170201, 2005.
    • Diese Arbeit ist eine grundlegende Referenz für die theoretische Bedeutung des Fermionen-Vorzeichenproblems. Die Autoren zeigen, dass das allgemeine Sign Problem in Quantum-Monte-Carlo-Simulationen eine fundamentale rechnerische Schwierigkeit darstellt. Für eine GFMC-Abhandlung sollte diese Quelle verwendet werden, um deutlich zu machen, warum das Sign Problem nicht lediglich ein Implementierungsproblem ist und weshalb Fixed-Node-, Fixed-Phase- oder Constrained-Path-Näherungen überhaupt erforderlich werden.

Bücher und Monographien

Bücher und Monographien sind für GFMC besonders wichtig, weil die Methode mehrere Wissensgebiete verbindet: Wahrscheinlichkeitsrechnung, Monte-Carlo-Integration, Random Walks, Greensche Funktionen, imaginäre Zeitentwicklung, Vielteilchenphysik und numerische Fehleranalyse. Die folgenden Werke eignen sich deshalb vor allem zur methodischen Vertiefung und zur konsistenten Darstellung der mathematischen Grundlagen.

Standardwerke zu Green’s Function Monte Carlo und Monte-Carlo-Methoden

  • M. H. Kalos, P. A. Whitlock: Monte Carlo Methods, 2. Auflage, Wiley-VCH, 2008.
    • Ein Standardwerk zur mathematischen und numerischen Grundlage von Monte-Carlo-Verfahren. Behandelt werden Wahrscheinlichkeit, Sampling, Monte-Carlo-Integration, Random Walks, Integralgleichungen, Varianzreduktion und Quantum Monte Carlo. Das eigene Kapitel zu Quantum Monte Carlo umfasst ausdrücklich Variational Monte Carlo, Green’s Function Monte Carlo, Diffusion Monte Carlo und Path Integral Monte Carlo. Für die GFMC-Abhandlung ist das Werk besonders geeignet, um Random Walks, Importance Sampling und die Verbindung zwischen stochastischen Prozessen und der Schrödinger-Gleichung methodisch zu fundieren.
  • B. L. Hammond, W. A. Lester Jr., P. J. Reynolds: Monte Carlo Methods in Ab Initio Quantum Chemistry, World Scientific, 1994.
    • Dieses Werk behandelt Monte-Carlo-Verfahren bei der Ab-initio-Lösung quantenmechanischer Probleme. Für GFMC besonders relevant sind die Kapitel über Green’s-Function-Methoden, Fermionen, Trial-Wellenfunktionen und angeregte Zustände. Das Buch eignet sich hervorragend zur Ergänzung der kernphysikalischen Literatur, da es dieselben fundamentalen Projektions- und Samplingideen aus Sicht der elektronischen Struktur und Quantenchemie erläutert.

Vertiefende Werke zu Quantum Monte Carlo

  • M. P. Nightingale, C. J. Umrigar (Hrsg.): Quantum Monte Carlo Methods in Physics and Chemistry, NATO Science Series C, Band 525, Springer/Kluwer Academic Publishers, 1999.
    • Dieser Sammelband verbindet grundlegende und fortgeschrittene Quantum-Monte-Carlo-Methoden aus Physik und Chemie. Er behandelt elektronische Struktur, Kernphysik, stark korrelierte Quantensysteme, Variationsverfahren, Diffusionsmethoden und Fermionenprobleme. Für eine GFMC-Abhandlung eignet sich das Werk besonders zur methodischen Einordnung in die breitere QMC-Familie und zur Vertiefung des Zusammenhangs zwischen unterschiedlichen Projektionsverfahren.
  • J. B. Anderson: Quantum Monte Carlo: Origins, Development, Applications, Oxford University Press, 2007.
    • Das Werk zeichnet die historische Entwicklung von Quantum Monte Carlo anhand bedeutender Originalarbeiten nach. Besonders wertvoll für GFMC ist die Aufnahme der frühen Kalos-Arbeit über Drei- und Vierkörperkerne sowie weiterer grundlegender Arbeiten zu Random-Walk- und Diffusionsmethoden. Das Buch eignet sich zur historischen Einordnung und zur Darstellung der Entwicklungslinie von den ersten stochastischen Schrödinger-Lösungen zu modernen Quantum-Monte-Carlo-Methoden.

Vorlesungsnotizen und monographie-nahe Ressourcen

  • M. H. Kalos, P. A. Whitlock: Quantum Monte Carlo, Kapitel 8 in Monte Carlo Methods, Wiley-VCH, 2008.
    • Dieses Kapitel ist eine kompakte und fachlich belastbare Einführung in die wichtigsten Quantum-Monte-Carlo-Klassen. GFMC wird direkt neben Variational Monte Carlo, Diffusion Monte Carlo und Path Integral Monte Carlo behandelt. Damit eignet sich das Kapitel besonders zur klaren begrifflichen Abgrenzung dieser Verfahren innerhalb einer wissenschaftlichen Abhandlung.

Online-Ressourcen und Datenbanken

Online-Ressourcen sollten in einer wissenschaftlichen GFMC-Abhandlung vor allem als Recherchewerkzeuge verwendet werden. Sie ermöglichen den Zugriff auf Primärliteratur, Preprints, Publikationsmetadaten, Zitationsketten und institutionelle Forschungsergebnisse. Wissenschaftliche Kernaussagen sollten nach Möglichkeit auf Originalartikel, begutachtete Reviews oder Fachmonographien zurückgeführt werden und nicht ausschließlich auf allgemeine Webseiten.

Fachjournale und Verlage

  • American Physical Society: Physical Review C.
    • Physical Review C gehört zu den wichtigsten Fachzeitschriften für Kernphysik. Zahlreiche grundlegende und moderne GFMC-Arbeiten zu leichten Kernen, Kernkräften, Übergängen und Reaktionen wurden hier veröffentlicht. Die Plattform eignet sich für die Recherche begutachteter Originalarbeiten und für die Kontrolle von DOI, Jahrgang, Band, Seitenzahl und Publikationsdatum.
  • American Physical Society: Reviews of Modern Physics.
    • Reviews of Modern Physics veröffentlicht umfangreiche, fachlich tiefgehende Übersichtsartikel. Für GFMC ist insbesondere die Literatur zu Quantum Monte Carlo, Vielteilchensystemen, elektronischer Struktur und nuklearen Ab-initio-Methoden relevant. Die Zeitschrift eignet sich besonders, um Terminologie, Forschungsstand und methodische Zusammenhänge abzusichern.
  • Annual Reviews: Annual Review of Nuclear and Particle Science.
    • Die Zeitschrift bietet systematische Übersichtsartikel zur Kern- und Teilchenphysik. Reviews zu Quantum-Monte-Carlo-Verfahren sind besonders hilfreich, um GFMC nicht isoliert, sondern im Kontext moderner Ab-initio-Kernphysik, chiraler Wechselwirkungen, Neutronenmaterie und elektroschwacher Prozesse zu behandeln.

Lern- und Forschungsplattformen

  • arXiv: Nuclear Theory und Quantum Physics.
    • arXiv ist für GFMC eine wichtige Preprint-Plattform. Besonders die Kategorie Nuclear Theory enthält zahlreiche Arbeiten zu GFMC, Auxiliary-Field Diffusion Monte Carlo, Kernkräften und Ab-initio-Vielteilchenmethoden. Die Plattform eignet sich zur Suche nach frei verfügbaren Manuskripten und aktuellen Forschungsergebnissen. Bei bereits publizierten Arbeiten sollte in der Abhandlung zusätzlich die begutachtete Journalversion angegeben werden.
  • INSPIRE: Literaturdatenbank für Hochenergie-, Kern- und verwandte theoretische Physik.
    • INSPIRE ermöglicht die Recherche nach Autoren, Publikationen, DOI, arXiv-Versionen, Zitationsbeziehungen und verwandten Arbeiten. Für GFMC ist die Plattform insbesondere bei kernphysikalischen Themen nützlich, da sie Literaturketten zwischen älteren Primärarbeiten und moderner Ab-initio-Forschung sichtbar macht.
  • National Nuclear Data Center: Nuclear Science References Database.
    • Die Nuclear Science References Database, kurz NSR, ist eine spezialisierte bibliographische Datenbank für Kernphysik. Sie eignet sich zur systematischen Suche nach Veröffentlichungen zu bestimmten Nukliden, Reaktionen, theoretischen Methoden und kernphysikalischen Themen. Für eine GFMC-Abhandlung ist NSR besonders wertvoll, wenn konkrete Anwendungen auf leichte Kerne und experimentelle Vergleichsdaten recherchiert werden sollen.
  • U.S. Department of Energy: Office of Scientific and Technical Information.
    • OSTI stellt wissenschaftliche Veröffentlichungen, technische Berichte und frei verfügbare Manuskripte aus Forschungsprogrammen des US-Energieministeriums bereit. Da wesentliche GFMC-Entwicklungen an Einrichtungen wie Los Alamos und Argonne entstanden sind, ist OSTI eine wichtige ergänzende Quelle für institutionelle Veröffentlichungen und zugängliche Manuskriptfassungen.

Institutionelle Forschungsressourcen

  • Argonne National Laboratory: Physics Division und wissenschaftliche Publikationen.
    • Argonne National Laboratory ist eng mit der Entwicklung und Anwendung nuklearer Quantum-Monte-Carlo-Verfahren verbunden. Institutionelle Publikationsseiten sind besonders nützlich, um GFMC-Anwendungen, Autoren, Projektdaten und frei verfügbare Manuskripte zu finden. Für eine wissenschaftliche Abhandlung sollten sie als Recherchehilfe genutzt werden; die eigentliche Literaturangabe sollte nach Möglichkeit auf die veröffentlichte Journalfassung verweisen.
  • Argonne Leadership Computing Facility: Publikationen zu Quantum Monte Carlo und Hochleistungsrechnen.
    • Die ALCF-Publikationssammlung dokumentiert zahlreiche großskalige Ab-initio- und Quantum-Monte-Carlo-Rechnungen. Sie ist besonders für den Abschnitt über Parallelisierung, Hochleistungsrechnen und die erhebliche Rechenkomplexität moderner GFMC-Anwendungen von Interesse.
Surface Code

Surface Code

...

Kationen

Kationen

...

Antibaryonen

Antibaryonen

...

GKP Code

GKP Code

...

Magnon-Polariton

Magnon-Polariton

...

Karlsruher Institut für Technologie (KIT)

Karlsruher Institut für Technologie (KIT)

...