摘要
本文在两种数值格点(均匀格点和对数格点)上推导了Numerov方法的递推方程, 给出了简单的Python实现.
背景
Numerov方法是数值求解常微分方程(ODE)的一种方法, 适用于不含一阶项的二阶ODE
$$begin{equation}
y’’ + f(r)y = s(r).
end{equation}label{eq:numerov-ode}
$$
在物理上有很多方程满足这种形式, 其中与我最为相关的是薛定谔方程(SE), 更确切的是三维有心势下的径向薛定谔方程(rSE). 原子单位下, rSE写成
$$
left[-frac{d^2}{d r^2} + frac{l(l+1)}{r^2} + 2V(r)right]R_l(r) = E_lR_l(r)
$$
其中$R_l$是定义在一维实空间$r$上的波函数$u_l$与矢径长$r$的积, $R_l(r)=ru_l(r)$, $E_l$是能量, $l$是角量子数. 这个方程满足Numerov方程要求的ODE形式
$$
begin{cases}
f(r) = -frac{l(l+1)}{r^2} - 2V(r) + E_l \
s(r) = 0
end{cases}
$$
因此可以用该方法数值求解. 本文首先在两种格点方案, 均匀格点和对数格点上推导Numerov方法的核心方程, 即格点递推公式, 然后给出简单的Python实现.
推导
均匀格点
首先在均匀格点上推导一下Numerov方法. 在$r$点附近对函数$y$作Taylor展开
$$
begin{equation}label{eq:deriv-1}
y(rpm h) = y(r) pm hy’(r) + frac{h^2}{2}y’’(r) pm frac{h^3}{6}y’’’(r) + frac{h^4}{24}y’’’’(r) + cdots
end{equation}
$$
将正负两式相加
$$
begin{equation}label{eq:deriv-2}
y(r-h)+y(r+h) = 2y(r) + h^2y’’(r) + frac{h^4}{12}y’’’’(r) + mathcal{O}(h^6)
end{equation}
$$
由于
$$
y’’’’(r) = frac{d^2}{d r^2}left[f(r)y(r)-s(r)right],
$$
定义$p(r):=f(r)y(r)-s(r), p=y’’, p’’=y’’’’$, 可以采用与式$eqref{eq:deriv-1}eqref{eq:deriv-2}$类似的办法处理$p$, 得到
$$
begin{equation}label{eq:deriv-3}
p(r-h)+p(r+h) = 2p(r) + h^2 p’’(r) + frac{h^4}{12}p’’’’(r) + mathcal{O}(h^6).
end{equation}
$$
把$p, p’’$表达式$eqref{eq:deriv-3}$回代到式$eqref{eq:deriv-2}$中,
$$
y(r-h)+y(r+h) = 2y(r) + h^2p(r) + frac{h^4}{12}left[p(r-h)+p(r+h)-2p(r)right] + mathcal{O}(h^6).
$$
稍作整理, 得到
$$
begin{aligned}
left[1+frac{h^2}{12}f(r-h)right]y(r-h) +& left[1+frac{h^2}{12}f(r+h)right]y(r+h) = \
&2left[1+frac{h^2}{12}f(r)right]y(r) - h^2f(r)y(r) + frac{h^2}{12}left[s(r-h)+10s(r)+s(r+h)right] + mathcal{O}(h^6).
end{aligned}
$$
这就是Numerov方法的一般方程. 特别的, 对于齐次方程, $s=0$, 式子可以化简成
$$
left[1+frac{h^2}{12}f(r+h)right]y(r+h) = 2left[1+frac{h^2}{12}f(r)right]y(r) - left[1+frac{h^2}{12}f(r-h)right]y(r-h) - h^2f(r)y(r) + mathcal{O}(h^6).
$$
取间距为$h$的均匀格点, 此时上式化成三点递推方程,
$$
(1+frac{h^2}{12}f_{n+1})y_{n+1} = 2(1+frac{h^2}{12}f_n)y_n - (1+frac{h^2}{12}f_{n-1})y_{n-1} - h^2f_n y_n
$$
精确到步长的六次方. 实际应用当中, 我们需要先确定前两个格点上的值, 然后就可以用上式推出第三点及之后所有格点上的函数值.
对数格点
除了实空间均匀格点, 我们也可以使用对数均匀格点(logarithmic grid), 其上第n个实空间格点为
$$
r_n = r_0 e^{nh}
$$
上面的Numerov方法不能直接用于格点${r_n}$, 因为这种情况下格点$r$间距是变化的, 但是我们可以通过代数变换使之成为可能. 首先定义变量替换$xmapsto r$
$$
r(x) = r_0e^x
$$
及定义$Y(x)$为
$$begin{equation}
y(r) = r_0e^{x/2}Y(x).
end{equation}label{eq:log-trans-y}$$
从而
$$
begin{aligned}
frac{d^2}{d r^2}y(r) &= frac{1}{r_0e^x}frac{d}{dx}left[frac{1}{e^x}frac{d}{d x}left(e^{x/2}Y(x)right)right] \
&=frac{1}{r_0e^x}left[-frac{1}{4}e^{-x/2}Y(x) + e^{-x/2}Y’’(x)right] \
end{aligned}
$$
其中撇号代表对$x$求导而非$r$. 代回到式$eqref{eq:numerov-ode}$的ODE中
$$
begin{aligned}
frac{1}{r_0}e^{-3x/2}left[-frac{1}{4}Y(x) + Y’’(x)right] + f(r)r_0e^{x/2}Y(x) &= s(r)\
Y’’ + left[f(r)r^2_0e^{2x}-frac{1}{4}right]Y(x) &= r_0e^{3x/2}s(r).
end{aligned}
$$
令
$$begin{equation}
begin{aligned}
F(x):=&f(r)r^2_0e^{2x}-frac{1}{4}= f(r(x))r(x)^2-frac{1}{4} \
S(x):=&r_0e^{3x/2}s(r) = sqrt{frac{r(x)^3}{r_0}}s(r(x))
end{aligned}
end{equation}label{eq:log-trans-f-s}$$
于是得到ODE
$$
Y’’(x) + F(x)Y(x) = S(x)
$$
这与原始ODE$eqref{eq:numerov-ode}$相似, 但它定义在变量$x$上而非实空间$r$上. 由于格点$x$是均匀的, 我们可以应用前面均匀格点的算法解出$Y(x)$, 然后再通过式$eqref{eq:log-trans-y}$变换回$y(r)$.
Python实现
以下是忽略了s后, Numerov方法在均匀格点和对数格点上的Python实现. Numba装饰器用于编译优化.
首先是均匀格点上的实现numerov, 参考了Kristjan Haule的代码.
1234567891011121314151617181920212223242526 |
def (f, h, y0, dy0): '''Solve y''(r) + f(r)y(r)=0 by Numerov method on a linear r grid
Args: f (1d-array): f h (float): the step size of linear grid y0 (float): y value at the first grid point dy0 (float): first-order derivaitve at the first grid point ''' y = np.zeros(len(f)) y[0] = y0 y[1] = y0 + h * dy0 h2 = h**2 h2d12 = h2/12.0 w0 = y0 * (1 + h2d12 * f[0]) w1 = y[1] * (1 + h2d12 * f[1]) yn = y[1] fn = f[1] for n in range(2, len(f)): w2 = 2 * w1 - w0 - h2 * fn * yn fn = f[n] yn = w2 / (1 + h2d12 * fn) y[n] = yn w0, w1 = w1, w2 return y
|
然后是对数格点上的实现numerov_log:
12345678910111213141516171819202122 |
def numerov_log(r, f, y0, dy0): '''Solve y''(r) + f(r)y(r) = 0 by Numerov method on an exponential r grid
Args: r (1d-array): the logarithmic grid f (1d-array) y0 (float): y at the first grid dy0 (float): first-order derivaitve at the first grid ''' r0 = r[0]
F = np.multiply(f, np.power(r, 2)) - 0.25E0 x = np.log(r/r0) # step size in x hx = x[1] - x[0] # convert boundary condition of y to Y Y0 = y0 / r0 dY0 = - Y0/2 + dy0 * r0 # call Numerov on linear grid x Y = numerov(F, hx, Y0, dY0) return Y * np.sqrt(r * r0)
|
原文地址：https://www.cnblogs.com/petewell/p/11584796.html