MARC

 008250123s2024        us                              c    eng  d
■001000017164229
■00520250211152936
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798896076087
■035    ▼a(MiAaPQ)AAI31563565
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aHicks,  Ashe.
■24510▼aAlgorithms  for  the  Nuclear  Many-Body  Problem  and  Beyond
■260    ▼a[Sl]▼bMichigan  State  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a91  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Lee,  Dean.
■5021  ▼aThesis  (Ph.D.)--Michigan  State  University,  2024.
■520    ▼aThe  nuclear  many  body  problem  allows  us  to  take  our  fundamental  understanding  of  the  most  basic  building  blocks  of  the  universe  and  from  them  build  an  understanding  of  larger  and  more  complicated  systems.  It  is  the  essential  problem  of  how  individual  particles  form  atoms  and  larger  structures.  Its  applications  are  varied,  and  many  tools  have  been  developed  to  address  this  problem.  Despite  the  breakneck  pace  of  computational  development,  the  nuclear  many-body  problem  still  stretches  our  computational  and  numerical  methods  to  and  beyond  their  breaking  points.  In  this  work,  we  introduce  two  algorithms  which  can  help  in  solving  the  nuclear  many-body  problem.  First,  we  introduce  trimmed  sampling.  This  is  an  algorithm  which  can  be  used  to  treat  noisy  data  obtained  from  highly  sensitive  calculations,  particularly  the  generalized  eigenvalue  problem  which  emerges  from  a  number  of  techniques.  We  solve  a  number  of  example  models  for  which  small  errors  such  as  rounding  error  or  statistical  noise  are  sufficient  to  entirely  destroy  any  usable  results,  but  see  that  trimmed  sampling  is  able  to  recover  good  results  from  these  methods.  It  does  so  using  Bayesian  inference,  by  applying  physics-informed  criteria  and  statistical  sampling  methods  we  are  able  to  eliminate  any  solutions  which  are  non-physical,  leaving  a  more  accurate,  physically  meaningful  result.  We  show  ways  that  this  algorithm  can  be  further  expanded  and  enhanced,  improving  sampling  statistics,  convergence  rate,  and  accuracy,  before  demonstrating  its  performance  on  the  Lipkin  model.  In  the  next  section,  we  describe  the  Projected  Cooling  algorithm.  This  is  a  method  whereby  we  use  an  analogue  of  evaporative  cooling  to  calculate  the  ground  state  of  a  system.  We  show  results  of  projected  cooling  for  several  models.  Together,  this  work  provides  a  description  of  useful  algorithms  which  can  be  applied  to  the  nuclear  many-body  problem.
■590    ▼aSchool  code:  0128.
■650  4▼aComputational  physics
■650  4▼aNuclear  physics
■650  4▼aQuantum  physics
■653    ▼aLipkin
■653    ▼aMarkov  Chain  Monte  Carlo
■653    ▼aNuclear  many-body  problem
■653    ▼aTrimmed  sampling
■690    ▼a0756
■690    ▼a0216
■690    ▼a0599
■71020▼aMichigan  State  University▼bPhysics  -  Doctor  of  Philosophy.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0128
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164229▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books