Solver1d 实战指南:一维无相互作用薛定谔方程数值求解器
Solver1d 实战指南:一维无相互作用薛定谔方程数值求解器
导读
Solver1d 是 Google Research 仓库中一个轻量级的数值求解器实现,用于在均匀网格上求解无相互作用一维体系的薛定谔方程。本文将以 solver1d/README.md 为主体,结合仓库源码深入讲解其数值方法(哈密顿量直接对角化)、内置的一维势场(Gaussian dips、谐振子、Pöschl-Teller),并通过可复现的命令行示例演示如何求解 Pöschl-Teller 势并与解析解对比。读完本文,你将掌握该求解器的安装方式、核心 API 用法、命令行参数含义,以及其精度边界(相对 DMRG 等方法的差异)。
概述:求解什么、怎么求
Solver1d 求解的是无相互作用一维体系的薛定谔方程:在给定的一维均匀网格(uniform grids)上,将体系的哈密顿量表示为矩阵,通过求解其本征值与本征矢得到各个占据态的能量与波函数。每个本征态由一个电子占据,因此通过 num_electrons 指定电子数后,体系总能量等于前若干个本征值之和。
核心实现位于 solver1d/solver1d/single_electron.py,模块提供两类求解器:
- EigenSolver:把哈密顿量构造成稠密矩阵,调用
np.linalg.eigh直接完全对角化; - SparseEigenSolver:把哈密顿量构造成 SciPy 稀疏矩阵,调用
scipy.sparse.linalg.eigsh(基于 ARPACK)求解部分本征对。
需要特别说明精度边界:README 明确指出,这两种求解器都基于对哈密顿量矩阵的直接对角化,易于理解实现,但精度不如密度矩阵重整化群(DMRG)等更精细的数值方法。因此它更适合作为教学示例或需要快速、直观获得一维基准解的科研场景,而非追求高精度强关联体系。
求解器的数学构造
无论是稠密还是稀疏版本,求解器的构造逻辑一致:在均匀网格 grids 上,先计算格点间距 dx,再分别构造动能矩阵(kinetic matrix)与势能矩阵(potential matrix),二者相加得到哈密顿量矩阵 H = T + V。
动能矩阵(有限差分)
EigenSolver 的 get_kinetic_matrix() 采用三点有限差分近似二阶导数:
mat = (np.eye(self.num_grids)
+ np.diag(np.full(self.num_grids - 1, -0.5), k=1)
+ np.diag(np.full(self.num_grids - 1, -0.5), k=-1))
return mat / (self.dx * self.dx)
即对角元为 1/dx²,相邻两条次对角元为 -0.5/dx²,对应动能算符 T = -0.5 d²/dx² 的差分格式。SparseEigenSolver 的 get_kinetic_matrix() 构造的是完全等价的稀疏三对角矩阵(见 single_electron.py),区别仅在于存储格式,适合大规模网格时节省内存。
势能矩阵
势能矩阵是对角矩阵,对角元为势函数在网格上的采样值 v(x):EigenSolver 使用 np.diag(self.vp),SparseEigenSolver 使用 sparse.diags(self.vp, offsets=0)。
求解基态并提取物理量
调用 solver.solve_ground_state() 后,_update_ground_state() 会计算并写入以下属性:
| 属性 | 含义 |
|---|---|
total_energy |
前 num_electrons 个本征值之和(总能量) |
wave_function |
形状 (num_electrons, num_grids),第 i 行是第 i 个占据态(按本征值升序)的波函数,归一化为 `∫ |
density |
各态波函数平方之和,`n(x) = Σᵢ |
kinetic_energy |
动能矩阵的二次型求和,`Σᵢ ⟨ψᵢ |
potential_energy |
势能矩阵的二次型求和 |
其中归一化因子为 1/sqrt(dx)(见 single_electron.py),从而保证网格积分离散化后粒子数守恒:Σ density * dx = num_electrons,这也是测试中反复校验的物理量(见 single_electron_test.py)。
SparseEigenSolver 的额外参数
SparseEigenSolver 额外接受 additional_levels 参数(默认 5,非负整数):由于 ARPACK 的 eigsh 对靠近 0 的本征值(which='SM')收敛精度有限,实际会多求解 num_electrons + additional_levels 个本征对,以降低前几个占据态能量的数值误差。该参数必须满足 additional_levels <= num_grids - num_electrons,否则抛出 ValueError。测试 single_electron_test.py 中特意将 additional_levels 设为 20 才能让 Pöschl-Teller 势达到与 EigenSolver 相同的精度,说明对于较深的势阱需要适当调大该值。
内置一维势场
README 中列出三种内置势场,全部实现在 single_electron.py 中,且求解器支持任意可在一维均匀网格上求值的势函数——只需传入一个接收 grids 数组并返回势采样的函数即可。
1. Gaussian dips(高斯凹势)
gaussian_dips(grids, coeff, sigma, mu) 支持任意多个高斯凹的叠加,第 i 个分量为:
-coeff[i] * exp(-(grids - mu[i])² / (2 * sigma[i]²))
三个参数均为长度等于凹数量的数组:coeff 控制深度、sigma 控制宽度、mu 控制中心位置。测试 single_electron_test.py 中构造了两个位于 x = ±2、深度为 1 的高斯凹,并验证了求解得到的动能与 von Weizsäcker 动能泛函解析值一致(容差 1e-4)。
2. Harmonic oscillator(量子谐振子)
harmonic_oscillator(grids, k=1.) 定义势能为:
v(x) = 0.5 * k * x²
k 为强度常数,默认 1。谐振子的第 i 个本征能量解析值为 0.5 + (i - 1),因此填充 num_electrons 个电子后的总能量为 num_electrons² / 2,动能恰好为总能量的一半(num_electrons² / 4)。EigenSolver 与 SparseEigenSolver 的测试都以此解析关系做交叉验证,容差 1e-3。
3. Pöschl-Teller 势
poschl_teller(grids, lam, a=1., center=0.) 实现 Pöschl-Teller 势,这是一类可以借助特殊函数解析求解一维薛定谔方程的势场,因此是验证数值求解器精度的理想基准。其一般形式为:
v(x) = -λ(λ + 1) / 2 * a² * 1 / cosh²(a * x)
其中 λ 为正浮点数,势场可容纳的束缚态数目为 M = ceil(λ);a 控制势的宽度(默认 1),center 控制势的中心位置(默认 0)。当 λ <= 0 时函数抛出 ValueError。
解析解与基准:Pöschl-Teller 势
Pöschl-Teller 势的解析本征能量由 poschl_teller_eigen_energy(level, lam, a=1.) 给出(公式来自 Ribeiro & Burke, Phys. Rev. B 95, 115115 中 Table 1 第二行):
E_level = -a² * (sqrt(λ(λ+1)/a² + 0.25) - level + 0.5)² / 2
而 poschl_teller_energy(level, lam, a=1.) 返回从第一能级填满到第 level 能级的总能量。二者都通过 _valid_poschl_teller_level_lambda 校验:λ > 0、level >= 1 且 level <= ceil(λ)。
测试 single_electron_test.py 给出了若干可复现的基准值:
- 整数 λ(如 λ=3):本征能量序列为
-μ²/2,其中μ = λ, λ-1, ..., 1,即-4.5, -2.0, -0.5; - 浮点 λ:例如
λ=0.5时基态能量恰为 -0.125;λ=1.5时两级能量为-1.125, -0.125;λ=2.5时三级为-3.125, -1.125, -0.125; - 总能量:如
λ=3填满 3 个电子时为-4.5 + (-2.0) + (-0.5) = -7.0。
README 中特意说明:当 λ = 0.5 时势场恰好容纳 1 个电子,精确本征能量为 -0.125——这正是下方命令行示例的验证目标。
实战示例:命令行求解 Pöschl-Teller 势
仓库提供了可直接运行的入口脚本 solver1d/solver1d/scripts/solve_poschl_teller_potential.py,它基于 absl.flags 解析参数,完整命令如下(与 README 一致):
python3 -m solver1d.scripts.solve_poschl_teller_potential \
--solver=EigenSolver \
--lam=0.5 \
--scaling=1 \
--grid_lower=-20 \
--grid_upper=20 \
--num_grids=1001 \
--num_electrons=1
脚本会依次输出:求解参数日志(λ、scaling、电子数、网格区间)、解析能量(Exact energy)、数值解总能量(Numerical solution)以及两者之差(Difference)。针对 λ=0.5、1 个电子的情形,数值解应当逼近解析值 -0.125。
命令行参数详解
结合脚本中的 flags 定义,各参数含义与默认值如下:
| 参数 | 类型 | 默认值 | 含义 |
|---|---|---|---|
--solver |
enum | EigenSolver |
取值 EigenSolver 或 SparseEigenSolver,对应 single_electron 模块中的两个求解器类 |
--lam |
float | 0.5 |
Pöschl-Teller 势函数中的 λ |
--scaling |
float | 1. |
Pöschl-Teller 势函数中的缩放系数 a(即上文公式中的 a) |
--grid_lower |
float | -20. |
网格下边界 |
--grid_upper |
float | 20. |
网格上边界 |
--num_grids |
int | 1001 |
网格点数(网格由 np.linspace(grid_lower, grid_upper, num_grids) 生成) |
--num_electrons |
int | 1 |
体系中的电子数(须为不小于 1 的整数) |
需要注意 --scaling 参数:脚本内部构造势函数时只将 lam 传入 poschl_teller,而 scaling 仅用于日志输出(见 solve_poschl_teller_potential.py);若要在运行中改变势的宽度 a,需在脚本中自行将 scaling 传给 poschl_teller 的 a 参数。这是从源码结构中可以确认的实现细节。
另外,仓库根目录还提供了自动化运行脚本 solver1d/run.sh,它创建 Python3 virtualenv、执行 pip install -e solver1d 后以 num_grids=101 运行同一示例,可作为一键验证安装与环境是否就绪的快速路径。
安装与依赖
README 给出标准安装方式——克隆仓库后以可编辑模式安装:
git clone https://github.com/google-research/google-research.git
pip install -e google-research/solver1d
依赖声明在 solver1d/requirements.txt 中:
absl-py>=0.6.1(命令行 flags 与 logging)numpy>=1.13.3scipy>=1.0.0(稀疏矩阵与eigsh)tensorflow>=1.13.1(仅在将求解结果导出为tf.Example时使用)
setup.py 通过 setuptools 打包,packages=setuptools.find_packages() 会自动收集 solver1d 子包,因此安装后即可用 python3 -m solver1d.scripts.solve_poschl_teller_potential 方式运行。
进阶:将求解结果导出为 TFRecord 数据
single_electron.py 中还提供 solved_1dsolver_to_example(solver, params) 函数,将已求解完成(is_solved() == True)的求解器结果转换为 TensorFlow tf.train.Example proto,序列化后可进一步用于训练数据流水线。导出的字段包括:
density:网格上的电子密度(float list)kinetic_energy、total_energy:标量能量dx:网格间距potential:网格上的势函数采样params字典中的任意附加字段(如mu、sigma、coeff等势函数参数)
若传入的求解器尚未求解,函数抛出 ValueError(见 single_electron_test.py)。这为把一维薛定谔方程的解批量生成数据集提供了现成入口,从源码结构看,它适合作为密度泛函理论(DFT)类研究的基准数据生成工具。
总结与适用场景
Solver1d 的价值在于简单、透明、可验证:通过直接对角化构造并求解哈密顿量,配合拥有解析解的 Pöschl-Teller 势作为基准,任何研究者都能快速获得一维无相互作用体系的高质量数值参考解,并精确评估网格离散化带来的误差。适用场景包括:
- 一维基准解的快速生成(如验证密度泛函近似、交换关联泛函);
- 教学与算法演示(有限差分 + 矩阵对角化的完整实现仅数百行);
- 作为 TFRecord 数据生成器,为下游机器学习任务产出带解析解标签的训练样本。
同时应牢记其局限:直接对角化的精度受限于网格间距与差分格式,对于需要极高精度或强关联体系,应转向 DMRG 等更精细的数值方法——这也是 README 开篇明确提醒的边界。