Programmiersprachen muss man üben, um sie zu lernen und um sie nicht
wieder zu vergessen. Ich habe also meine Zeit damit vertrieben einen
SHA-256 zu schreiben — eine
kryptographische Hash
Funktion. Die Spezifikation ist
glücklicherweise sehr sehr verständlich.
Und auch wenn es tausende andere Implementationen gibt, die schneller
sind, alle Grenzfälle beachten (ich befürchte, dass mein Programm
Probleme auf Big Endian Systemen bekommt), und sogar Schaltkreise, die
hochoptimiert nur diese Operation beherrschen (Stichwort: Bitcoin ASIC), ist
meiner dennoch sehenswert, da er SHA-256 in 256 Zeilen darstellt.
Die grundlegende Idee zur numerischen Lösung von Differentialgleichungen ist es, die Zeit
in diskreten Schritten \(\tau\) vergehen zu lassen. Nach jedem Schritt wird der
Zustand so geändert, als ob sich während des Zeitschrittes nichts geändert
hätte und die „Kräfte“ werden entsprechend der Bewegungsgleichungen neu berechnet.
Für infinitesimal kleine \(\tau \to \mathrm{d}t\) ist diese Methode schließlich exakt.
Im einfachsten Fall, dem Euler Verfahren, sähe das für ein einfaches
Fadenpendel nach \(k\) Zeitschritten so aus
Unglücklicherweise hat dieses Verfahren ernsthafte Probleme mit der Energieerhaltung
und braucht sehr kleine \(\tau\) für brauchbare Ergebnisse.
Es gibt deutlich ausgefeiltere Methoden, wie den klassischen Runge-Kutta
Algorithmus. Es gibt Methoden, den Zeitschritt \(\tau\) während der Simulation
adaptiv anzupassen, um nur wenig Rechenaufwand in den wenig fehleranfälligen
Phasen zu verbringen. Es gibt spezialisierte Methoden, die sehr gut für bestimmte Bewegungsgleichungen
funktionieren, wie Velocity-Verlet,
der oft für Molekulardynamiksimulationen eingesetzt wird.
Chaotische Systeme haben in der Regel etwas kompliziertere Bewegungsgleichungen. Das oben abgebildete
Doppelpendel etwa wird, wie ich in einem anderen Post beschrieben habe
durch folgendes Ungetüm beschrieben.
Da man das 3-Körperproblem trivial auf ein \(N\)-Körperproblem erweitern kann,
habe ich hier ein „Sonnensystem“ bzw. Bohrsches „Atom“-modell simuliert.
Um die obigen (bewegten) Bilder zu erzeugen und um ein bewegtes Doppelpendel
für meinen Schreibtisch zu haben, — wennauch nur auf einem Bildschirm — habe
ich in C++ einen adaptiven Runge-Kutta-4 Löser geschrieben, der mit den Qt
Zeichenprimitiven animiert wird.
Auch wenn der Code nicht sehr aufgeräumt ist und Startwerte im Quellcode
angepasst werden müssen, sind die Quellen auf GitHub:
github.com/surt91/DGLshow.
Eines der bekanntesten Modelle der statistischen Physik ist das Ising-Modell. Es besteht aus
(klassischen) Spins auf einem Gitter im Wärmebad und soll magnetische
Eigenschaften von Festkörpern modellieren. Es zeigt nämlich in 2D und 3D
(und 4D … ) einen Phasenübergang zweiter Ordnung von „magnetisch“ zu
„nicht magnetisch“, so wie ferromagnetische Materialien, die oberhalb
der Curie Temperatur nicht mehr ferromagnetisch sind.
In einfachen Worten: Die Spins des Ising-Modells richten sich so aus
wie ihre Nachbarn und die Temperatur bringt sie wieder durcheinander.
Aber es wäre natürlich langweilig das Modell so zu benutzen, wie alle
anderen auch. Deshalb stelle ich hier eine Anwendung aus
Pattern Recgonition and Machine Learning
vor, die nichts mehr mit Magneten zu tun hat: Rauschunterdrückung in Bildern.
Andererseits bin ich Physiker und darf deshalb nichts machen, was direkt
nützlich wäre, also beschränke ich mich auf schwarz-weiße Bilder, die
man direkt auf das „spin up“-„spin down“ des Ising-Modells abbilden kann.
Die Idee ist, das jeder Spin einem Pixel \(x_i\) entspricht. Dann koppelt man
die Spins des Ising-Modells \(x_i\) an die Pixel \(y_i\) des verrauschten Bildes
über einen zusätzlichen Energie-Term
Dabei bedeutet \(\left< i,j \right>\), dass man über alle Nachbarn von \(i\) summiert.
Von diesem Modell kann man dann per Simulated Annealing
den Grundzustand suchen oder man macht es sich einfach equilibriert bei \(T=0\).
Das Schema dazu wurde bereits in
diesem Post
gezeigt. Graue Knoten entsprechen den Pixeln des verrauschten Bilds \(y_i\) und weiße
Knoten den Ising-Spins \(x_i\), die am Ende als Pixel des entrauschten Bilds
interpretiert werden.
Genug der Theorie. Es wird Zeit für pixelige Bilder. Leider hatte ich
kein verrauschtes Bild, also habe ich ein beliebiges Bild gemalt und 10%
aller Pixel invertiert.
Links das verrauschte Bild und rechts das entrauschte. Ja, nicht
perfekt. Und in dem zitierten Buch wird auf der gleichen Seite noch eine
sehr viel bessere Methode angesprochen. Aber die hatte nichts mit dem
Ising-Modell zu tun. Und man sieht ja auch eine Verbesserung. Oder?
Nebenbei bemerkt, kann man das Ising-Modell auch als
zellulärenAutomaten mit
zufälligem Element betrachten, denn jeder Spin ist eine Zelle, die nur
lokal von seinen Nachbarn und zufällig durch die Temperatur beeinflusst wird.