Sshaw en Es

Propagación en los potenciales Random Smooth
Una tesis presentada
por
Scot Elmer James Shaw
El Departamento de Física en el ful parcial fi
llment de los requisitos
para el grado de Doctor
en Filosofía
en el tema de
Física
Universidad de Harvard,
Cambridge, Massachusetts
mayo 2002
©do2002 - Scot Elmer James Shaw
Todos los derechos reservados.

director de tesis Autor
Eric J. Heller Scot Elmer James Shaw
Propagación en los potenciales Random Smooth
Abstracto
El estudio teórico de los sistemas de la mecánica cuántica a escala micrométrica generalmente ser-
ginebras con dos hipótesis sobre el potencial: que no hay potencial de fondo,
y que cualquier potencial con fi nir es difícil amurallado. En esta tesis, vamos a ver un meno
Nomenon que se ve cuando no se realizan estos supuestos, en el contexto de electrones
conductancia a través de los gases bidimensionales de electrones (2DEGs).
Comenzamos mediante el establecimiento de dos marcos matemáticos di ff Erent para el estudio sis-
tems con potenciales lisas. Las golosinas método de representación variable discreta
sistemas cerrados, en los que uno está resolviendo para estados propios y valores propios. la inversa
método de la función de Green trata de sistemas abiertos, en los que uno está resolviendo para la dispersión
matriz y de estado estacionario de electrones fl ux. Es el último método que aplicaremos a
el caso de la conductancia 2DEG.
Nuestro estudio está motivado por los recientes experimentos que probaron el patrón espacial
de electrones de reflujo. De acuerdo con estos experimentos, se encuentra que los electrones siguen
ramas estrechas en lugar de un usive di ff patrón de propagación. Llegamos a la conclusión de que la
ramas son el resultado de la dispersión de ángulo pequeño o FF de un débil, suave desordenada
potencial de fondo, generados por la capa de átomos donantes en el cristal 2DEG.
entonces tenemos en cuenta las franjas de interferencia observados experimentalmente, que persisten a
Abstracto iv
gamas de varias micras. Se presenta un modelo de novela que explica la persistencia
y el carácter de estas franjas, basándose únicamente en la dispersión de primer orden o FF de la fuerte
potenciales generados por las impurezas en el cristal.
a continuación, nos volvemos a los métodos de la mecánica clásica para estudiar el patrón de ramificación.
Utilizando el análisis de la estabilidad de la trayectoria clásica, se muestra que las ubicaciones de sucursales
se puede predecir por una proyección de la matriz de estabilidad en el colector inicial.
También consideramos que las leyes de escala para diversos aspectos estadísticos del flujo clásica
(Por ejemplo, el tiempo de impulso-relajación). Nos encontramos que estas propiedades de la
ramificado flujo se adhieran a nuestras predicciones teóricas. Por último, consideramos lo que uno
Los mapas tridimensionales pueden decirnos acerca de la dinámica de estos sistemas. El mapa da
nosotros una comprensión de la correlación observada entre las propiedades de estabilidad rama
y los puntos de inflexión en el colector de evolución.

Contenido
Pagina del titulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . yo
Abstracto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Contenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Agradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X
1 Representaciones variable discreta 1

1.1 Propiedades de las funciones de DVR básicos. . . . . . . . . . . . . . . . . 2
1.2 A partir de DVR Funciones generales Ortonormales. . . . . . . . . . 3
1.2.1 puntos arbitrarios. . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Puntos de interes. . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 DVR A partir de polinomios ortogonales. . . . . . . . . . . . . . 6
1.4 Uso de la expansión. . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1,5 Scaling. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 dimensiones superiores. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7 Presentación de simetría. . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8 Algunos ejemplos útiles. . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 El cálculo de la propagación de ondas 17

2.1 La función de Green. . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 El S-Matrix, coeficientes de FFI Transmisión Coe, y la Fórmula Landauer. 21
2.3 Reducción del Sistema Infinito a una matriz finitos. . . . . . . . . . . . 23
2.4 Uso GRAMO - 1 s
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Extensión a Leads múltiple transmisión. . . . . . . . . . . . . . . 27
2.6 Ejemplo An. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 El campo magnético. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 El flujo de electrones en Dispositivos 2 grados simples 38

3.1 El QPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Suave punto de contacto Modelo . . . . . . . . . . . . . . . . . . 39
3.1.2 Método experimental. . . . . . . . . . . . . . . . . . . . . . 42
v
Contenido vi
3.1.3 Un modelo simple. . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.1.4 Analiza la punta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.5 Teoría de la Dispersión AFM punta. . . . . . . . . . . . . . . 50
3.1.6 Simetría. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Una cavidad resonante. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 El desorden y el flujo de electrones ramificada 62

4.1 Indicaciones experimentales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Modelo matemático para el trastorno. . . . . . . . . . . . . . . . . . . . sesenta y cinco
4.3 Medición de Desorden. . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.4 Resultados flujo de electrones. . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Ramificado 4.5 Flujo en un campo magnético. . . . . . . . . . . . . . . . . . . 74
4,6 trastorno en un cavidad resonante. . . . . . . . . . . . . . . . . . . . . . 78
5 franjas 83
5.1 La longitud térmica. . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Dentro de la duración de la fase-Coherencia. . . . . . . . . . . . . . . . . . 87
5.2.1 Promediar térmica. . . . . . . . . . . . . . . . . . . . . . . . 87
5.2.2 La dispersión simple-Modelo. . . . . . . . . . . . . . . . . . . 90
5.2.3 Límite Continuum solo Dispersión. . . . . . . . . . . . . . . 93
5.3 Dispersión múltiple y la duración de la fase-Coherencia. . . . . . . . . 95
6 Estabilidad y la Matriz de Estabilidad 101

6.1 Dinámicas locales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.2 La matriz de estabilidad a través de tiempo discreto. . . . . . . . . . . . . . . . . 103
6.3 Un Fuller, Derivación más complicado. . . . . . . . . . . . . . . . . 105
6.4 La Unidad determinante de la matriz de estabilidad. . . . . . . . . . . . . 107
6.5 Un primer vistazo a la estabilidad. . . . . . . . . . . . . . . . . . . . . . . . . 108
6.6 La reducción de dimensionalidad. . . . . . . . . . . . . . . . . . . . . . . . . 109
6.7 Estabilidad y sistemas cerrados . . . . . . . . . . . . . . . . . . . . . . 110
6.8 Estabilidad y sistemas abiertos. . . . . . . . . . . . . . . . . . . . . . . 113
7 Promedios Ensemble 118

7.1 Potenciales azar Revisited. . . . . . . . . . . . . . . . . . . . . . . 119
7.2 Las correlaciones potenciales . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.2.1 Auto-correlación y la función espectral. . . . . . . . . . 122
7.2.2 Simetría circular. . . . . . . . . . . . . . . . . . . . . . . . 124
7.2.3 Correlación de Gauss. . . . . . . . . . . . . . . . . . . . . . . 125
7.2.4 ondas planas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Los tiempos de relajación 7.3 Momentum. . . . . . . . . . . . . . . . . . . . . . 129
7.4 El crecimiento de los exponentes. . . . . . . . . . . . . . . . . . . . . . 134
7.4.1 La rarefacción. . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Contenido vii
7.4.2 exponentes de Lyapunov. . . . . . . . . . . . . . . . . . . . . . . 138

7.5 Distribuciones de largo alcance. . . . . . . . . . . . . . . . . . . . . . . . 139
8 flujo bifurcado Clásica 144

8.1 sistemas físicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.2 colectores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
8.3 Parámetros adimensionales. . . . . . . . . . . . . . . . . . . . . . . . 148
8.4 Características rama. . . . . . . . . . . . . . . . . . . . . . . . . . 150
8.4.1 Análisis de la estabilidad Branch. . . . . . . . . . . . . . . . . . . . 150
8.4.2 distribución de intensidad. . . . . . . . . . . . . . . . . . . . . . . 152
8.4.3 escalas de longitud. . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.4.4 Estructuras espacio de fases. . . . . . . . . . . . . . . . . . . . . . 160
8.5 Gestión de la rama. . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Mapas 9 unidimensionales 166

9.1 Ecuaciones de mapeo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
9.2 Potenciales de mapeo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.3 Ramas en los sistemas de mapeo. . . . . . . . . . . . . . . . . . . . . . 170
9.4 Análisis de la estabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Bibliografía 178
Lista de Figuras
2.1 Configuración para la técnica numérica para el cálculo de la propagación de ondas. 18

2.2 Configuración para el ejemplo de § 2.6 . . . . . . . . . . . . . . . . . . . . . . 29
3.1 Las curvas de nivel de una función suave QPC muestra. . . . . . . . . . . . . . 41

3.2 QPC medidas de conductancia . . . . . . . . . . . . . . . . . . . . . . . . . 42
3,3 esquemática de un dispositivo 2DEG con punta de exploración AFM. . . . . . . . . 43
3,4 QPC modelo de juguete esquemática. . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Cálculos para un modelo simple de QPC conductancia. . . . . . . . . 46
3.6 Simulación de AFM escanear a través de QPC conductancia. . . . . . . . . . . . . . 48
3.7 Los datos experimentales para el modo de QPC primero. . . . . . . . . . . . . . . . . 49
3.8 Demostración de AFM dependencia de altura para mediciones de conductancia. . . . . . . . . . . . .
...................... 51
3.9 promedios de exploración bidimensionales que muestran la dependencia de la altura de la
punta del AFM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.10 ondas cuánticas a través del QPC con varios posibles alturas de AFM 54
3.11 Abrir potencial cavidad resonante . . . . . . . . . . . . . . . . . . . . . 56
espectro de transmisión 3,12 de banda ancha de la cavidad resonante abierto. . . . 58
3.13 funciones de onda resonante con ningún nodo angulares en la cavidad resonante abierto. . . .
............................... 59
espectro de transmisión 3,14 de banda estrecha de la cavidad resonante abierto. . . 60
3.15 funciones de onda resonante a todos los picos en una banda de energía estrecha de la
cavidad resonante abierto. . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1 datos experimentales que muestran ramificados flujo. . . . . . . . . . . . . . . 64

4.2 Ejemplo 2DEG potencial desordenada . . . . . . . . . . . . . . . . . . 68
4.3 Quantum reflujo a través de un potencial 2DEG desordenada. . . . . . . . . . 71
4.4 Una comparación de electrones de reflujo y una exploración de punta de AFM ramificada. . . . 73
4.5 Electrón reflujo con el trastorno a las dos di ff Erent fortalezas campo magnético. 75
scan punta 4,6 AFM con campo magnético distinto de cero. . . . . . . . . . . . . . . 77
4,7 potencial cavidad resonante con el trastorno. . . . . . . . . . . . . . . . . 79
4.8 espectros de transmisión de la cavidad para un intervalo de fuerzas trastorno. . . . . 81
viii
Lista de Figuras ix
4.9 ondas estacionarias en los picos de resonancia en la cavidad con el trastorno. . . . . 82
5.1 Supervivencia de franjas con el promediado térmica. . . . . . . . . . . . . . . 84

5.2 Comparación de la verdadera distribución térmica con nuestra aproximación. 89
5.3 señales de ejemplo, en el modelo de dispersión simple. . . . . . . . . . . . . 94
5.4 configuración de dispersión unidimensional. . . . . . . . . . . . . . . . . . . . 98
6,1 esquemática de la dinámica local y la utilidad del exponente rarefacción 116
7.1 La función de correlación impulso. . . . . . . . . . . . . . . . . . . 132

7.2 Dependencia del tiempo de impulso de relajación en la fuerza potencial. 133
7.3 El impulso de relajación en un potencial con Bessel función de auto-correlación 133
7.4 Crecimiento del exponente media rarefacción en tiempos cortos y medianas 137
7.5 Crecimiento del exponente rarefacción media para la multiplicación de matrices. 137
7.6 Crecimiento de la media exponente Lyapunov a veces cortas y medias. 140
7.7 Crecimiento del exponente media Lyapunov para la multiplicación de matrices. . 140
7.8 Distribución de las huellas de la matriz estabilidad. . . . . . . . . . . . . . . . . . 142
8.1 cuántica y clásica fl ujo a través de un potencial 2DEG . . . . . . . . 145

8.2 Clásica UX fl y la estabilidad de Lyapunov exponente. . . . . . . . . . . . . 151
8.3 Classical UX fl y rarefacción exponentes. . . . . . . . . . . . . . . . . 153
8.4 distribución de la intensidad logarítmica normal aproximado para ramificado flujo. . . 154
8.5 tiempo de auto-intersección mínimo como una función de la fuerza trastorno. . 160
8.6 Evolución de las estructuras en el espacio de fase en ramificado flujo. . . . . . . . . 162
8.7 Una demostración de la ingeniería de un colector para poner una rama en una trayectoria
determinada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
9.1 Mapeo del sistema con un potencial de dos dimensiones en rodajas . . . . . . . . 171
9.2 Mapeo del sistema con un potencial aleatorio no en rodajas. . . . . . . . . . . 172
9.3 exponentes de rarefacción en un sistema de mapeo sencilla. . . . . . . . . . 176
9.4 exponentes de Lyapunov en un sistema de mapeo sencillo. . . . . . . . . . . 177
Expresiones de gratitud
Debido a que este puede ser mi única oportunidad de agradecer a estas personas por escrito, que puede ser un poco más
detallada en mis gracias más de lo necesario.
Como mi asesor, Rick Heller merece gracias por muchas cosas. En particular, para crear el entorno de la
investigación en la que he realizado mis estudios de grado. Llegué a Harvard con la intención de unirse a su grupo, por
dos razones principales: las áreas de investigación en el que se vio involucrado, y lo que había oído acerca de su
personalidad. No se me ha decepcionado en cualquier sentido. Él ha proporcionado orientación en los momentos clave
en mi trabajo al mismo tiempo que me permite trabajar de forma independiente la mayoría de las veces.
Debido al entorno de investigación sostenida por Rick, he cruzado con muchos estudiantes graduados y
posdoctorados que tienen influido y mejorado mi investigación. La dirección de mi trabajo de graduación ha sido
fuertemente influenciada por los miembros del grupo Westervelt, en particular Marcos Topinka y Brian LeRoy.
Dentro del grupo de Heller, hablando con Ragnar Fleischmann me ayudó ya que me dieron mis pies debajo de
mí para el cálculo de la conductancia 2 grados. El ejemplo de Michael Haggerty me ha llevado a la situación
actual de toda mi filosofía de programación. Alex Barnett me ha proporcionado los beneficios de su propia
experiencia numérica. Lev Kaplan y Steve Tomsovic tienen, a través de sus escritos y la comunicación directa,
me proporcionaron una visión de los aspectos más analíticos para entender estos sistemas.
La influencia de aquellos con los que trabajé antes de venir a la Universidad de Harvard también sigue siendo
importante. Profesores David Cook y John Brandenberger en la Universidad de Lawrence me proporcionaron las
bases que me permitieron golpear el funcionamiento de tierra en Harvard y completar mi tesis en cuatro años.
David ayudó a mis habilidades numéricas a florecer, y John me sometió a un examen difícil de mi intuición física.
Doy gracias a Keith Burnett en Oxford para correr el riesgo de un estudiante de los EE.UU. y darme mi experiencia
de investigación en el mundo real primero.
Mis padres, Michael y Susan Shaw, necesitan fi gura aquí en alguna parte: ellos me dan más que mi
material genético, después de todo. Mi interés por la ciencia y las matemáticas comenzó temprano en mi vida,
y se animó y me educó en formas tanto sencillas y tortuosos. Visitas a museos, libros sobre ciencia,
experimentos químicos con Stu ss encuentran en la cocina -la mayoría de nosotros que terminan yendo en la
ciencia probablemente tenía estas experiencias. Pero, ¿cuántos de nosotros, como los niños pequeños, se
engañe pensando que un poco de profesor 1 fue, de hecho, el juego electrónico de mano para el que había
estado pidiendo?
Mientras estoy escribiendo nombres abajo, no puedo descuidar la de Arik Martin, lo mejor posible, el amigo
más constante desde la secundaria. Me ha proporcionado una gran cantidad de apoyo y aliento en los últimos
años; él es un gran tipo y no quiero perder la oportunidad de conseguir que en el registro permanente.
Por último, Moria Tumbleson, mi novia desde que eran estudiantes de primer año en la Universidad de
Lawrence. Ella me acompañó a Massachusetts cuando llegué a la universidad, lejos de su familia, amigos y
trabajo. Su apoyo puede resumirse en la siguiente
1 Un dispositivo difundida por Texas Instruments que se parece a una calculadora, pero que presenta al usuario con problemas de matemáticas
simples para responder.

Expresiones de gratitud xi
hecho: en este mismo momento, ella es mi tesis corrección de pruebas para mí. A pesar de que no es un científico, que
será, tal vez, sea la única persona que no sea yo quien va a leer toda la cosa.
Capítulo 1
Representaciones variable discreta
En este capítulo se destaca de gran parte del resto de esta tesis en que se trata de
un método numérico de manera aislada de cualquier resultado. Aunque el método de resolución
di ff ecuaciones diferenciales de representación variable discreta (DVR) demostró ser uno
eso no cifra prominente en esta investigación, no obstante es importante para llevar
a la atención de la comunidad de la física. Que es mucho más conocido dentro de la
comunidad química.
DVR es un método para resolver ecuaciones diferenciales di ff. Parece a horcajadas sobre el
límite entre la discretización de la red y la expansión base-función, dos métodos bien
conocido por la comunidad física. Vamos a tratarlo en gran medida con el lenguaje de una base-
extensión de la función, a pesar de que lleva más equipaje que que puedan implicar. Tenga en cuenta que
algunos autores se refieren a ella como base variacional.
Los métodos de DVR son útiles en la mecánica cuántica para resolver schr odinger de
ecuación cuando tenemos alguna información útil sobre el potencial. DVR fi NDS una
casa en esta tesis, ya que es implícitamente una técnica suave de potencial. Ver también [ 1 ]
1
Capítulo 1: Representaciones variable discreta 2
Para una buena introducción a las bases de DVR.
1.1 Propiedades de las funciones de DVR Basis
Para cualquier expansión base-función, necesitamos primero identificar las funciones de base que
vamos a utilizar. Hay muchas bases di ff Erent DVR, y el que usted elija
dependerá del problema que se desea resolver. Aquí es donde un poco de información
sobre los potenciales lisas para ser encontradas es útil. Esto se hará más clara
mas tarde; por ahora, podemos afirmar algunas propiedades generales de las funciones de base y DVR
cómo se convierten en útiles. Lo haremos en una dimensión, teniendo dimensiones superiores
base fija para ser productos de conjuntos unidimensionales.
En el sentido más general, se requerirá el seguimiento de nuestras funciones de base DVR.
Somos, después de una serie de norte funciones de base { F yo( X)} con las propiedades
F yo( X j) = λ - 1/2yo δ ij (1,1)
para un conjunto de norte puntos { X j} y los pesos { λ yo}, y
∫ segundo
dx f yo( x) f j ( x) = δ ij (1,2)
un
para un intervalo [ a, b] que contiene todas las X j. A continuación, utilizar estas funciones de base a
funciones de onda aproximadas tomando
Σ
ψ (x) ≈ norte - 1 ψ (x yo) F yo( x) λ yo1/2 (1,3)
i=0
el cual, dada nuestra requisitos para las funciones de base, es exacta en los puntos de la rejilla.
Para dos funciones de onda φ (x) y ψ (x) aproximado que el anterior, podemos expresar la
integral de solapamiento de
(Σ ) • •
∫ segundo
dx ψ (x) φ * ( X) ≈ ∫ segundo dx ψ (x yo) F yo( x) λ yo1/2 •Σ φ * ( X j) F j ( x) λ 1/2j • (1,4)

un un
yo j
∫ segundo
=Σ λ 1/2
yo λ 1/2 j ψ (x yo) φ * ( X j)
dx f yo( x) f j ( X) (1,5)
un
i, j
=Σ λ yo ψ (x yo) φ * ( X yo). (1,6)

yo
Motivados por este resultado, entonces tomamos
∫ segundo
Σ
dx F (x) ≈ norte - 1 λ yo F (x yo) (1,7)
un
i=0
como una regla de cuadratura aproximada. Vamos a utilizar esta regla de cuadratura con frecuencia en
la determinación de las funciones de DVR y pesos. En este punto, hemos hecho declaraciones
trata ni de la calidad de esta aproximación integral ni cualquier restricción sobre la
función F (x). Como es razonable, sin embargo, la calidad de las soluciones que obtenemos
de nuestra base de DVR está relacionada con la calidad de esta integral.
1.2 A partir de DVR general Ortonormal
funciones
Es, en general, posible construir un conjunto base { F yo( X)} para un DVR comenzando con una
conjunto arbitrario de funciones ortonormales { pag yo( X)}, dónde
∫ segundo
dx p yo( x) p j ( x) = δ ij, (1,8)

un
y puntos arbitrarios { X yo}. Aunque tal construcción general es posible, la calidad
de la aproximación resultante será generalmente pobres. Nos fijamos en dos casos, uno en donde
tenemos puntos arbitrarios { X yo}, y uno donde estos puntos son escogidos de tal manera que la
regla de cuadratura es digno de confianza (aunque sin receta se dará hasta la próxima
la sección de la forma de lograr eso). En cualquiera de los casos, podemos ampliar cualquier función en el
intervalo [ a, b] en términos de nuestras funciones ortonormales; En particular, podemos ampliar la
funciones de base de DVR F yo( X):
F yo( x) = Σ un ij pag j ( X). (1,9)

j
1.2.1 puntos arbitrarios
Si escogemos puntos al azar para la { X yo}, por lo general no generar un buen
regla de cuadratura y el DVR resultante no serán particularmente útiles. Uno podría
imaginar casos, sin embargo, cuando uno quiere seguir este camino, así que la incluimos
por completitud. Dado que la regla de cuadratura es inexacta, que no va a usar para determinar
mina de los coeficientes de FFI expansión del Consejo de Europa relativas a la base DVR las funciones ortonormales.
A pesar de que han de renunciar a la regla de cuadratura, insistimos en el DVR básica
propiedad
F yo( X j) = λ - 1/2 yo
δ ij (1,10)
Σ
un ik pag k ( X j) = λ - 1/2 yo
δ ij (1,11)
k
Σ
λ 1/2
yo un ik pag k ( X j) = δ ij
(1,12)
k
λ 1/2
yo un ik = [ pag k ( X j)] - 1 (1,13)
donde el inverso en la ecuación final es una matriz inversión.
No tenemos ninguna manera en el momento de separar los pesos λ yo de la expansión
coe fi cientes. Mirando a la ortogonalidad de la { F yo( X)}, podemos hacerlo. Tenemos que
∫ segundo
dx f yo( x) f j ( x) = δ ij (1,14)
un
∫ segundo
[Σ ] [Σ ]
dx un ik pag k ( X) un jl pag j ( X) = δ ij (1,15)

un
k l
∫ segundo
Σ Σ
un ik un jl dx p k ( x) p l ( x) = δ ij (1,16)
un
k l
Σ Σ
un ik un jl δ kl = δ ij (1,17)
k l
Σ
un ik un jk = δ ij (1,18)
k
Σ
( un ik) 2 = 1. (1,19)
k
Esta expresión nos permite separar el λ yo términos después de la inversión de la matriz.
1.2.2 Puntos de interes
Vamos a suponer que, de alguna manera puntos, hemos seleccionado { X yo} de tal manera que la resultante
regla de cuadratura es buena. En este caso, tenemos un medio mucho más directa de encontrar la
de expansión coe fi cientes un ij. Se les da por
un ij ≡ ∫ segundo dx f yo( x) p j ( X) (1,20)

un
norte - 1
Σ
= λ k F yo( X k) pag j ( X k) (1,21)
k=0
= λ 1/2 yo pag j ( X yo), (1,22)
donde hemos aplicado la regla de cuadratura de la ecuación. ( 1.7 ) Para aproximar la integral.
Usando esta definición de la un ij, nosotros tomamos
Σ
F yo( x) = λ 1/2yo pag j ( X yo) pag j ( X). (1,23)
j
A partir de la ecuación. ( 1.23 ) Ahora podemos determinar los valores de los coe fi cientes λ yo por
Σ
F yo( X k) = λ 1/2 yo
pag j ( X yo) pag j ( X k) (1,24)
j
Σ
δ ik λ -yo1/2 = λ 1/2 yo
pag j ( X yo) pag j ( X k) (1,25)
j
δ ik λ -yo1 =Σ pag j ( X yo) pag j ( X k) (1,26)

j
λ -yo1 =Σ pag 2 j ( X yo). (1,27)

j
1.3 DVR A partir de polinomios ortogonales
Vamos a reducimos nuestro enfoque mediante la aplicación de los resultados de la sección anterior, en el caso
donde nuestras funciones ortonormales están relacionados con una familia de polinomios ortogonales.
Esto nos dará una manera de determinar los puntos { X yo} necesario para una buena cuadratura
regla.
Dejar que las funciones { q yo( X)} ser una familia de polinomios ortogonales en el intervalo
[ a, b] con la función de ponderación w (x); es decir,
∫ segundo
dx w q (x) yo( x) q j ( x) = h yo δ ij (1,28)

un
dónde h yo es la norma de q yo( X). Comenzamos funciones ortonormales de fi nir pag yo( x) =
w (x) 1/2 h - 1/2yo q yo( X). Estos continuación, se parecen a las funciones de la sección anterior, y nos
pueden aplicar esos resultados.
En general, es el caso que existe una cuadratura de Gauss asociado con
un conjunto de polinomios ortogonales y su función de ponderación w (x). Es decir, hay
existe un conjunto de norte puntos { X yo} y los pesos { λ yo} de tal manera que cualquier polinomio P (x) de
orden 2 norte - 1 o menos se puede integrar exactamente por
∫ segundo
dx w (x) P (x) = Σ λ yo w (x yo) P (x yo). (1,29)

un
yo
Se encuentra que los puntos son { X yo} ≡ { x: q NORTE( x) = 0} [ 2 ], Y se dan los pesos
por el resultado de la sección anterior,
λ -yo1 =Σ pag 2 j ( X yo) (1,30)

j
= w (x yo) Σ q j2( X yo) h j.- 1 (1,31)

j
Esta expresión de los pesos es considerablemente más fácil de aplicar que la encontrada en
[ 2 ], Aunque también se encuentra en otras referencias [ 3 , La ecuación. 8.4.18].
Utilizando la definición de la ecuación. ( 1.23 ), el F yo( X) tienen la forma de polinomios PAG yo( X) de
orden norte - 1 vez w (x) 1/2. Por lo tanto tenemos que
∫ segundo ∫ segundo
dx f yo( x) f j ( x) = dx w (x) P yo( x) P j ( X) (1,32)

un un
=Σ λ k w (x k) PAG yo( X k) PAG j ( X k) (1,33)

k
=Σ λ k F yo( X k) F j ( X k) (1,34)
k
donde la suma es igual a la integral porque PAG yo( x) P j ( X) es un polinomio de orden
2 norte - 2, y de este modo exacto en la cuadratura. Vemos que los puntos y los pesos que nos
necesitar en la definición del DVR son sólo los de la cuadratura de Gauss asociado
con la familia de polinomios ortogonales.
Dado que la cuadratura es exacta para las funciones pag yo( X), las aproximaciones en hallazgo
F yo( X) en términos de ellos son ahora exacta. Por lo tanto tenemos que
Σ
F yo( x) = λ 1/2yo pag j ( X yo) pag j ( X), (1,35)
j
o, volviendo a la serie original de los polinomios ortogonales,
Σ
F yo( x) = w (x) 1/2 w (x yo) 1/2 λ 1/2 yo
h -j q1 j ( X yo) q j ( X). (1,36)
j
Como una interesante (y en última instancia útil) a un lado, ya w (x) será, en general, tienen
sin ceros, tenemos norte las condiciones en el polinomio PAG yo( x) = f yo( x) w (x) - 1/2: que
debe tener ceros en absoluto X j: j 6 = yo y eso PAG yo( X i) = w (x yo) - 1/2 λ - 1/2 yo
. Por lo tanto PAG yo( X) es
única de fi nido, y así debe ser de la forma
X - Xj
PAG yo( X) α Π . (1,37)
j 6 = yo
X yo - X j
La normalización de este polinomio se deja indeterminada, pero funciona con el SUM-
mación en pag yo( X) encontraron anterior muestra que lo hace ceder esta forma. Esta forma de producto
hace que sea un poco más fácil de visualizar las funciones de base de DVR que lo hace la suma.
1.4 Uso de la expansión
Ahora usamos estas funciones de base y la cuadratura que viene con ellos a
resolver la ecuación de Schrödinger para una sola partícula. Usamos la cuadratura asociado
para aproximar todas las integrales que nos encontramos.
La expansión de nuestra función de onda, tomamos
Ψ ( X) ≈ Σ do yo F yo( X), (1,38)

yo
dónde
∫ segundo
do i = dx Ψ ( x) f yo( X) (1,39)
un
≈Σ λ j Ψ ( X j) F yo( X j) (1,40)
j
= λ 1/2 yo Ψ ( X yo). (1,41)
Para los elementos de matriz del operador potencial energético V, tenemos que
∫ segundo
V ij = dx f yo( x) f j ( x) V (x) (1,42)

un
≈Σ λ k F yo( X k) F j ( X k) V (x k) (1,43)
k
=Σ λ k λ -yo1/2 δ ik λ -j 1/2 δ jk V (x k) (1,44)

k
= δ ij V (x yo) (1,45)
de manera que, en la medida en que confiamos en la cuadratura, tenemos una energía potencial en diagonal. Algunos
los autores se refieren a este proceso como la elección de una base de que “coordinan diagonaliza
espacio."
La energía cinética no es diagonal, pero en dimensiones más altas de una se encuentra que
es escasa. Los elementos de matriz K ij son, en general, dif'ıcil determinar ya que
involucrar a los derivados no sólo de la pag yo( X) sino también de w (x) 1/2. En términos de la DVR
funciones de base, que tienen
∫ segundo
K ij = dx f yo( X) ˆ KF j ( X) (1,46)
un
= - ∫ segundo dx f yo( x) f '' j( X) (1,47)

un
≈-Σ λ k F yo( X k) Fj ('' X k) (1,48)

k
=-Σ λ k λ -yo1/2 δ ik F j ''( X k) (1,49)

k
= - λ 1/2 F '' j( X yo). (1,50)
Nuestra hamiltoniano está representado por la matriz H ij = K ij + δ ij V (x yo). el eigen-
vectores nos dan la do yo coe cientes FFI de la expansión. A continuación, encontramos los valores de la
funciones propias en los puntos de rejilla de do i = λ 1/2 yo Ψ ( X yo). Debido a la mayor precisión
Cuadratura de Gauss que nos da para un fijada número de evaluaciones de la función, el uso
este conjunto base DVR nos permite resolver la ecuación de Schrödinger con matrices más pequeños
que de otro modo podría ser requerida.

1.5 Escala
Si partimos de un conjunto de polinomios ortogonales, se nos da un conjunto de puntos X yo
con la que comenzar. Aunque no es un asunto complicado, es fácil confundirse
cuando se trata de re-escalar los puntos para el DVR. Podemos mover la ubicación de nuestra
puntos de la rejilla de escalar las funciones de base. Supongamos que queremos mover los puntos X yo a
HX yo. Entonces conseguimos los elementos de matriz del hamiltoniano como H ij = h - 2 K ij + δ ij V (hx yo).
Los vectores propios siguen siendo la do yo, pero los que ahora están relacionados con los valores de la ola
función en los puntos de escaladas do i = λ 1/2 yo Ψ ( HX yo).
1.6 Dimensiones Superiores
Un ejemplo en tres dimensiones debe ser su ciente FFI para demostrar los principios.
Que una función de base tridimensional DVR se dará por
F ijk ( x, y, z) = f yo( x) f j ( y) f k ( z) (1,51)
y el operador de energía cinética dada por
K̂ = -∇ 2 = - ∂ 2
K Kx+ ˆ Ky+ ˆ Kz (1,52)
∂x 2 - ∂ 2 ∂y 2 - ∂ 2 ∂z 2 = ˆ
Los elementos de la contribución potencial de energía al hamiltoniano son
∫ segundo ∫ segundo ∫ segundo
V ijklmn = dx dy dz f ijk ( x, y, z) V (x, y, z) f LMN ( x, y, z) (1,53)

un un un
= dx f yo( x) f l ( X) dy f j ( y) f metro( y) dz f k ( z) f norte( z) V (x, y, z) (1,54)

un un un
≈Σ λ un F yo( X un) F l ( X un) Σ λ doΣF k ( X do) F norte( X do) V (x un, X segundo, X do)
λ segundo F j ( X segundo) F metro( X segundo)
un segundo do
(1,55)
Σ Σ
=Σ λ un λyo- 1/2 δ I a λ l- 1/2 δ la λ segundoj λ - 1/2 δ jb λ -metro
1/2
δ megabyte λ do λk- 1/2 δ kc λ -norte
1/2
δ Carolina del Norte
un segundo do
× V (x un, X segundo, X do) (1,56)
= δ Illinois δ jm δ kn V (x yo, X j, X k). (1,57)
Por lo que permanecen en diagonal, tal como se ve en una dimensión.
La energía cinética es de nuevo más complicada que la energía potencial.
K ijklmn = dx dy dz f ijk ( x, y, z) ˆ KF LMN ( x, y, z) (1,58)

un un un
)
= dx dy dz [f yo( x) f j ( y) f k ( z)] ( ˆ Kx+ ˆ Ky+ ˆ Kz [ F l ( x) f metro( y) f norte( z)]
un un un
(1,59)
= dx f yo( z) ˆ K X F l ( z) dy f j ( y) f metro( y) dz f k ( z) f norte( z) + · · · (1,60)

un un un
= K Illinois δ jm δ kn + K jm δ Illinois δ kn + K kn δ Illinois δ jm. (1,61)
Por lo tanto, aunque la energía cinética no es diagonal, no es densa.
Este escalado con dimensionalidad de los problemas expresados en la base es un DVR
aspecto importante del método. Supongamos que tenemos norte funciones de base a lo largo de cada uno
de re ejes de coordenadas. En ese caso, el hamiltoniano completo es una norte re × norte re array, así tiene
un total de norte 2 re elementos de matriz. Hay un total de norte re elementos distintos de cero de V a
calcular y dN d + 1 elementos distintos de cero de K. Debido a la superposición, sólo hay dN d + 1
elementos distintos de cero de H. DVR, a continuación, nos da una ecuación de matriz dispersa de resolver, y
se adapta bien a dimensiones superiores.

1.7 Presentación de Simetría
Muchos de los problemas tratados en la mecánica cuántica han incorporado en simetrías
que podríamos desear para explotar en una técnica de solución. Podemos hacer eso en DVR
construir versiones simétricas de forma explícita del conjunto de funciones base. Asumiremos
que la base DVR tiene puntos de rejilla que son simétricas respecto al origen. 1
Comencemos con un conjunto base DVR { F yo( X)}. Tengamos definen las funciones de base
f +yo ( x) = 2 - 1/2 [ F yo( X) + f norte - 1 - yo( X)] (1,62)
F yo
-
( x) = 2 - 1/2 [ F yo( X) - F norte - 1 - yo( X)]
(1,63)
donde ahora sólo vamos yo ∈ [ 0, NORTE/ 2 - 1] y es necesario que norte se justo. Así tenemos
un total de norte funciones de base, si se toman todos f + yo y F- yo para reemplazar el F yo, pero estos
nuevos conjuntos están en clases de simetría explícitos. Se ve fácilmente que las bases son dos
equivalente.
Con nuestro nuevo conjunto de bases, se obtiene casi la totalidad de los beneficios de la base original DVR
sin modi fi cación. Tenemos, por ejemplo, que
∫ segundo ∫ segundo
dx f ± yo ( x) f ± j ( x) = 1 dx [f yo( X) ± F norte - 1 - yo( x)] [f j ( X) ± F norte - 1 - j ( X)] (1,64)

un 2 un
[∫ segundo
=1 dx f yo( x) f j ( X) ± ∫ segundo dx f yo( x) f norte - 1 - j ( X)

2 un un
∫ segundo
]
± ∫ segundo dx f norte - 1 - yo( x) f j ( X) + dx f norte - 1 - yo( x) f norte - 1 - j ( X)

un un
(1,65)
=1 (1,66)
2 ( δ ij ± δ en - 1 - j ± δ norte - 1 - i, j + δ norte - 1 - en - 1 - j)
= δ ij ± δ en - 1 - j. (1,67)
1 Todavía tengo que encontrar una base DVR útil con puntos de cuadrícula que no son simétricas respecto al origen, por lo que esto parece
una suposición razonable de hacer.

Ahora tenemos en cuenta que, dado que estamos restringiendo el rango de yo, nunca podremos tener i =
norte - 1 - j. De ahí que nos queda
∫ segundo
dx f ± yo ( x) f ± j ( x) = δ ij. (1,68)
un
Tenga en cuenta que esta notación está destinado a indicar que hacemos la misma elección de más o
menos en ambas funciones.
Para los posibles elementos de la matriz energética, tenemos
∫ segundo
V ij±= dx f ± yo ( x) V (x) f ± j( X) (1,69)

un
∫ segundo
=1 dx [f yo( X) ± F norte - 1 - yo( x)] V (x) [f j ( X) ± F norte - 1 - j ( X)] (1,70)

2 un
[∫ segundo
=1 dx f yo( x) V (x) f j ( X) ± ∫ segundo dx f yo( x) V (x) f norte - 1 - j ( X)

2 un un
∫ segundo
]
± ∫ segundo dx f norte - 1 - yo( x) V (x) f j ( X) + dx f norte - 1 - yo( x) V (x) f norte - 1 - j ( X) (1,71)

un un
=1
2 [ δ ij V (x yo) ± δ en - 1 - j V (x yo)
± δ norte - 1 - i, j V (x norte - 1 - yo) + δ norte - 1 - en - 1 - j V (x norte - 1 - yo)] . (1,72)
Suponemos que estamos trabajando con un potencial aún. Desde los puntos de la
cuadratura son simétricas, de manera que X i = - X norte - 1 - yo, tenemos V (x i) = V (x norte - 1 - yo).
La explotación de este resultado y las limitaciones de yo y j,
V ij±= δ ij V (x yo). (1,73)
Por último, los elementos de matriz de energía cinética son
∫ segundo
K ±ij = dx f ± yo ( X) ˆKF ± j ( X) (1,74)

un
∫ segundo
=1 dx [f yo( X) ± F norte - 1 - yo( X)] ˆ K [f j ( X) ± F norte - 1 - j ( X)] (1,75)

2 un
[∫ segundo
=1 dx f yo( X) ˆ KF j ( X) ± ∫ segundo dx f yo( X) ˆ KF norte - 1 - j ( X)

2 un un
∫ segundo
]
± ∫ segundo dx f norte - 1 - yo( X) ˆ KF j ( X) + dx f norte - 1 - yo( X) ˆ KF norte - 1 - j ( X) (1,76)

un un
=1 (1.77)
2 ( K ij ± K en - 1 - j ± K norte - 1 - i, j + K norte - 1 - en - 1 - j) .
Esta expresión también puede ser simplificarse, en el caso de que cada uno de los ortonormal
funciones { pag yo( X)} es ya sea simétrica o antisimétrica (que no tienen por qué ser del todo
mismo). En este caso, se tiene que pag yo( x) = ± pag yo( - X) y pag '' yo ( x) = ± pag '' yo ( - X) para todos yo, como
así como la condición establecida ya que, X i = - X norte - 1 - yo.
Mirando primero a los coe fi cientes λ yo, notamos eso
λ -yo1 =Σ pag 2 j ( X yo) (1,78)

j
=Σ [ ± pag j ( - X yo)] 2 (1,79)

j
=Σ pag 2 j ( - X yo) (1,80)

j
=Σ pag 2 j ( X norte - 1 - yo) (1,81)

j
= λ-1 norte - 1 - yo.

(1,82)
Ahora, para el operador de energía cinética, tenemos que
K ij = - λ 1/2 yo F '' j( X yo) (1,83)
Σ
= - λ 1/2 yo λ 1/2 j
pag k ( X j) pagk ''( X yo) (1,84)
k
Σ
= - λ 1/2 yo λ 1/2 j
[ ± pag k ( - X j)] [ ± pagk''( - X yo)] (1.85)
k
Σ
= - λ 1/2 norte - 1 - yo λ
norte
1/2 - 1 - j
pag k ( X norte - 1 - j) pagk'' ( X norte - 1 - yo) (1,86)
k
= - λ 1/2 norte - 1 - yo F norte

'' - 1 - j ( X norte - 1 - yo)
(1,87)
= K norte - 1 - en - 1 - j. (1,88)
Del mismo modo, se puede demostrar que K en - 1 - j = K norte - 1 - i, j. Esto nos da la ed simplifica
expresión
K ±ij = K ij ± K norte - 1 - i, j. (1,89)
1.8 Algunos ejemplos útiles
Aunque la discusión anterior es su ciente FFI para elaborar la base de cualquiera de DVR
los conjuntos disponibles de polinomios ortogonales, existen expresiones ed muy simplifica
para algunas de las posibles opciones. Es decir, que es posible crear las matrices para la
problema sin pasar por las cantidades descritas anteriormente.
Un buen ejemplo es la elección de un DVR basado en polinomios de Hermite. los
polinomios de Hermite son ortogonales en el intervalo ( -∞, ∞) con la ponderación
función w (x) = e - X 2. Los puntos de la cuadratura se encuentran, como de costumbre, como ceros de
un polinomio de Hermite, y los pesos provienen de una suma sobre polinomios de Hermite
en los puntos de cuadratura. No voy a ir a través de los pasos de la derivación aquí, pero
se puede demostrar (véase [ 1 ]) Que los elementos de la matriz de energía cinética son dadas por
•
••
•• (1/6) (4 norte - 1 - 2 X 2 yo ) i=j
K̂ = - ∂ 2
K . (1,90)
∂x 2 ⇒ K ij = ••
••
( - 1) yo - j [ 2 ( X yo - X j) - 2 -. 5] yo 6 = j
Otro ejemplo útil proviene de una base trigonométrica. Tomamos el conjunto de
funciones seno normalizados 2 1/2 pecado( iπx) para el rango (0, 1). El DVR resultante tiene
la ventaja de producir puntos de la cuadrícula igualmente espaciados. Nos encontramos que [ 4 ]
X i = ( i + 1) / ( N + 1) (1,91)
Capítulo 1: Representaciones variable discreta dieciséis
λ i = ( N + 1) - 1 (1,92)
w (x) = 1 (1,93)
{ pecado [(2 N + 1) ( X - X yo) π / 2] }

yo
F yo( x) = λ 1/2 - pecado [(2 N + 1) ( x + x yo) π / 2] (1,94)
2 pecado[( X - X yo) π / 2] pecado[( x + x yo) π / 2]
•
[2
•• π2
•
2 3( N + 1) 2 + 1 3 - pecado - 2 ( pi x yo)]
i=j
K ij = { pecado - 2 [( X yo - X j) π / 2] - pecado - 2 [( X yo - X j) π / 2]} yo 6 = j . (1,95)
••
• ( - 1) yo - j π 2 2
Es interesante observar que algunas bases de DVR trigonométricas en realidad están disfrazados
bases de polinomios [ 5 ]. Para soluciones simplificados en otros casos especiales, véase [ 1 ], [ 4 ], Y
[ 6 ].
Capitulo 2
El cálculo de la propagación de ondas
Los sistemas con los que tratamos en la mecánica cuántica son a menudo cerrados. De tal
casos, que realizan cálculos para hallar los estados propios del potencial dado. Aunque el
di fi cultades que se pueden encontrar en estos cálculos no debe ser minimizada,
esto es sólo un tipo de sistema que puede ser tratada con la mecánica cuántica. En esto
capítulo, nos ocupamos de desarrollar una técnica para el tratamiento de sistemas abiertos por
el cálculo de propagación, en contraposición a pie, las ondas.
Por otra parte, estamos buscando una técnica que hace el menor número de simplificaciones a o
suposiciones sobre el potencial de lo posible. En última instancia, estaremos calculando el
conductancia a través de los potenciales de lisas, desordenados, por lo que, en particular, vamos a evitar
supuestos de FL en potenciales o en paredes duras cantidad infinita. También vamos a evitar limitar
nosotros mismos para el “régimen de túnel”, donde se conecta un sistema casi aislada
débilmente a clientes potenciales. Por supuesto, al evitar estas simplificaciones, estamos cortando a nosotros mismos
O ff de algunas técnicas muy fi ciente E (véase, por ejemplo, [ 7 , Cap. 6] y [ 8 ]) y nosotros
será limitada en el tamaño de los sistemas que podemos estudiar y las escalas de energía
17
Capítulo 2: El cálculo de propagación de las ondas 18
flujo incidente
plomo 1 Sistema 2 conducir Transmisión
Reflexión
rejilla de diferencias finitas

puntos acoplados
Figura 2.1: Aquí vemos el marco conceptual inicial para nuestra técnica numérica para el cálculo de la propagación de
ondas. Tenemos la visión del sistema contenida en una cubeta; a la izquierda ya la derecha son los cables de
conexión del sistema de depósitos térmicos, que no incluye explícitamente. Todos los de la dispersión tiene lugar en
una fi con región Ned refiere como el “sistema”. No se produce la dispersión en las derivaciones, que sirven para
definir los modos o canales de la dispersión. Discretizamos espacio sobre una rejilla di ff rencia finita. Puntos en la
cuadrícula se acoplan solamente a los vecinos más cercanos, y por lo tanto la comunicación entre el sistema de
dispersión y los conductores se lleva a cabo en las dos bandas indicadas. con el tiempo vamos a ampliar esta
configuración para incluir a más clientes potenciales.
que podemos alcanzar. Hay comercio-o ff s que se hará en la elección de cualquier información numérica
técnica.
Técnicas para resolver problemas bajo estas limitaciones existen, aunque son
no tan ampliamente aplicado como las técnicas más e fi ciente que implican más simplificaciones.
El esquema general de nuestro método es el siguiente. Comenzamos por el pensamiento de la totalidad
entorno físico como compuesta de un “sistema”, donde se produce la dispersión,
y semi-infinito “pistas”. Estos cables deben soportar modos transversales cuantificados. los
idioma del proceso de dispersión es entonces la de la matriz de dispersión (S-matriz),
el acoplamiento de los modos de incidentes a los modos dispersos. La matriz S nos lleva a un cálculo
de la conductancia, si se desea que la cantidad, por lo familiar Landauer fórmula [ 9 ].
Ver figura 2.1 para una representación esquemática de esta configuración.
Debe tenerse en cuenta que no vamos a resolver por el solo hecho de la matriz S, aunque en algunos
casos que se desea toda la información. Nuestros cálculos también deben hacer accesible
los estados de dispersión del sistema.
Para las matemáticas necesarias para llevar a cabo este método, comenzamos por hallazgo de una ma-
trix representación de la inversa de la función de Green para el sistema, teniendo en
tener en cuenta el acoplamiento del sistema de dispersión a los clientes potenciales. En lugar de realizar
una inversión de la matriz computacionalmente costosa, que resolver una serie de Ax = b multi- matriz
tiplication problemas para determinar la respuesta del sistema a los diversos posible
modos incidente. Si se desea, se pueden extraer los elementos de matriz de dispersión de
estas respuestas del sistema.
Nuestra inversa función de Green trata a todo el dominio del potencial a la vez.
Existen otros métodos en la literatura que implicaría la construcción de hasta fun- de Green
ción a través del un sistema “rebanada” a la vez, llama recursiva Green's función (RGF)
métodos [ 10 , 11 , 12 , 13 ]. Estos métodos de intercambio de un gran problema para muchos pequeños
problemas. Hay dos debilidades a estas técnicas. En primer lugar, descartando informa-
ción sobre los puntos interiores del sistema, que hacen inaccesible la propagación
los propios Estados. En segundo lugar, no parece que pueden tratar con sistemas más
de dos cables. Sólo hay un gran beneficio a estos métodos, sin embargo. Aunque el
número de operaciones necesarias es la misma, rompiendo el problema arriba en muchos
trozos pequeños, uno reduce los requisitos de memoria del ordenador. Este cambio
permiten a uno calcular la conductancia de los sistemas más largos.
2.1 La función de Green
Antes de profundizar en nuestro método de hallazgo función de Green para un sistema,
debemos describir este objeto y su utilidad. La función de Green nos dice la

respuesta de un sistema a una fuente de función delta [ 14 , Cap. 8]. Para una ff diferencial general de di
operador F, utilizado en la ecuación diferencial di ff Ff (x) = 0 en una región sin fuentes,
fi ca la función de Green satis
F̂G F ( x, x ') = δ (x - X ').

FG (2,1)
Si tenemos un sistema gobernado por el operador diferencial di ff F y tenemos una conocida
función de fuente g (x), podemos determinar la solución f (x) con esa fuente por
∫
f (x) = dx ' G (x, x ') g (x ') (2,2)
Como se puede fácilmente veri fi. Nuestro objetivo es determinar la función de Green para el
sistema de dispersión; entonces podemos utilizar una ola incidente dada como la fuente, y determinar
la onda dispersada resultante.
El operador di ff diferencial con el que nos interesa de trabajo es el tiempo-
schr independiente ecuación odinger en dos dimensiones,
Hˆ (~ x) ψ (~ x) = Eψ (~ x), (2,3)
[ mi - ˆ H (~ x)] ψ (~ x) = 0. (2,4)
La función de Green es entonces una solución a
[ mi - ˆ H (~ x)] G (~ x, ~ x ') = δ (~ x - ~ X '). (2,5)
Hay, en general, dos posible solución a esta ecuación: el llamado “avanzada”
y las funciones de Green “retardado”. Podemos seleccionar uno u otro por la inclusión de
un infinitesimal número imaginario ± iη en la ecuación diferencial di ff,
[ mi - ˆ H (~ x) ± iη] G ± (~ x, x ~ ') = δ (~ x - ~ X '). (2,6)

Tomando los signos superiores nos da la solución retrasados físicamente aceptable. De
este punto en adelante, cada vez que nos referimos a la función de Green GRAMO vamos a significar la
función de Green retardada G +.
Mirando hacia delante un poco, queremos una técnica susceptible de solución en un ordenador.
Esto significa que vamos a trabajar con representaciones matriciales de nuestros operadores. Tomando
el hamiltoniano para ser una matriz cuadrada y yo para ser la matriz identidad correspondiente,
la representación ecuación matricial de la ecuación di ff diferencial es [( E + iη) I - H] G = YO,
G = [(E + iη) I - H] - 1. (2,7)
2.2 El S-Matrix, Transmisión Coe cientes de FFI, y
la Fórmula Landauer
La cantidad de frecuencia de interés para la propagación de los problemas de onda es la conductividad
tancia, sobre todo porque se trata de la cantidad experimental de más fácil acceso. Nosotros
ahora ver la conexión entre la conductancia y la matriz de dispersión, a través de
la fórmula Landauer. a continuación, vamos a relacionar la matriz S de la función de Green.
Después de la investigación de microondas que se hizo alrededor de la Segunda Guerra Mundial, gran parte de la
idioma para estudiar la dispersión se convirtió en el de guías de onda. Es decir, hablamos de
Modos de incidentes, o canales, y cómo un evento de dispersión parejas los incidentes Chan
Nels en canales dispersos. Es dentro de este marco conceptual que la Landauer
fórmula es útil, ya que se conecta los coe transmisión FFI de estos canales a la
conductancia mide a través de un sistema. En pocas palabras, es
Σ
G = 2 mi 2 T yo, (2,8)
h yo
dónde GRAMO aquí es la conductancia (no la función de Green), el T yo son la transmisión
coe coe fi cientes para los canales de incidentes, y la suma es sobre todos los canales. mi 2 / h es el
cuántica de la conductancia y la 2 se debe girar a la degeneración. No vamos a derivar esta
expresión aquí (ver [ 9 ] si estás interesado).
Usando la ecuación. ( 2.8 ), Obtenemos la conductancia mediante el cálculo de coeficientes de FFI coe transmisión.
Podemos, a su vez, determinar coe fi cientes de transmisión mediante la búsqueda de la S-matriz. los
S-matriz nos dice cómo un potencial de dispersión se conecta a canales de incidentes dispersos
canales, incluyendo ambos turnos de amplitud y fase. Si un sistema tiene norte incidente
canales, que pueden especificar una onda incidente dada por norte amplitudes en un vector ~ a. Similar,
con metro canales de salida, que pueden especificar la onda dispersada con metro amplitudes en una
vector ~ segundo. La matriz S sería entonces metro × norte y conectaría a la onda incidente
la onda dispersada por ~ b = s · ~ a. Las propiedades de los S-matriz reflejar las simetrías
del sistema físico [ 9 ]. Indexar todos los canales de incidentes y todos los canales dispersos,
el elemento de la matriz S s ij nos dice la dispersión en el canal j del canal incidente yo.
La fi ciente Coe transmisión T yo es entonces
Ti=Σ | s ij | 2. (2,9)
j ∈ transmisión
plomos
Restringimos la suma de mirar sólo a los canales en los “cables de transmisión” para que podamos
no incluyen elementos s ij correspondiente a La reflexión.

2.3 Reducción del Sistema Infinito a un Finitos
Matriz
Para escribir una ecuación matricial de la función de Green, que primero necesitamos una matriz repre-
resentación para el hamiltoniano H. Nos encontramos uno por el que se establecen una finito espacial
di ff rejilla rencia. Se trata de una malla espacial rectangular regular con separaciones un X y un y. UN
notable beneficio de la base di ff erencing infinito es que el componente potencial energético
de H es diagonal, requiriendo sólo los valores del potencial en los puntos de rejilla. Nosotros
aproximar las segundas derivadas en el hamiltoniano por
∂ 2X ψ (x, y) ≈ ψ (x - un X, y) - 2 ψ (x, y) + Ψ (x + a X, y) , (2,10)

un 2 X
y lo mismo para ∂ 2 y. La aproximación utilizada para la segunda derivadas de la ecuación. 2.10 resultados
Sólo en acoplamiento-vecino más cercano en el componente de energía cinética de H.
Nuestro objetivo es una representación de la matriz infinita de la función de Green en el sistema.
Tenemos, utilizando la Ec. 2.7 y la matriz para H generada por infinito erencing di ff, una
en fi representación matricial noche para la función de Green (porque el infinito di ff rencia
rejilla que cubre los cables y el sistema tiene un número infinito de puntos de la rejilla). Sin embargo,
podemos escribir la ecuación. 2.7 simbólicamente en la forma
• • • •
• GRAMO l GRAMO
• ls • ( E + iη) I - H l τ •
• • = • • , (2,11)
• • • •
GRAMO sl GRAMO s τT ( E + iη) I - H s
donde hemos denominado elementos de puntos en el sistema con un subíndice s y esos
para los puntos en las derivaciones con un subíndice l. Hemos organizado las filas y columnas
de la matriz de tal manera que podemos dividir en sub-matrices que tratan por separado con
los cables, el sistema, y el acoplamiento entre los dos. El sub-matriz infinita GRAMO s,
tratar con el sistema, es la pieza de interés.
Ahora se deriva una matriz de identidad que vamos a necesitar. Vamos a trabajar en términos de una
matriz general, a continuación, aplicar el resultado a nuestro caso específico. Supongamos que tenemos una
matriz cuadrada UN dividida en sub-matrices

• •
• UN 0 UN 1 •
A= • • , (2,12)
• •
UN 2 UN 3
dónde UN 0 y UN 3 son ellos mismos cuadrado. Dejar que la matriz B = A - 1 ser igualmente
subdividido, con sub-matrices segundo 0 y segundo 3 de las mismas dimensiones que UN 0 y UN 3
respectivamente. Tomando el producto de UN y SEGUNDO, tenemos

• •
• UN 0 segundo 0 + UN 1 segundo 2 UN 0 segundo 1 + UN•1 segundo 3

UN · B = • • = YO. (2,13)
• •
UN 2 segundo 0 + UN 3 segundo 2 UN 2 segundo 1 + UN 3 segundo 3
Un poco de álgebra con este resultado nos permite expresar los elementos de segundo puramente en términos de
elementos de A. Desde la esquina superior derecha,
UN 0 segundo 1 + UN 1 segundo 3 = 0 (2,14)
segundo 1 = - UN0- UN
1
1 segundo 3.
(2,15)
Combinando este resultado con la esquina inferior derecha, tenemos que
UN 2 segundo 1 + UN 3 segundo 3 = yo (2,16)
- UN 2 UN0 UN
-1
1 segundo 3 + UN 3 segundo 3 = yo
(2,17)
segundo
3 = UN 3 -
-1
UN 2 UN - 1 0 UN 1. (2,18)
Similar,
segundo
0 = UN 0 -
-1
UN 1 UN - 1 3 UN 2. (2,19)
Aunque este resultado no es profundo, no nos permite tratar con partes de una matriz
en aislados unos de otros, y en particular para realizar las inversiones por separado.
Para nuestro sistema, la sub-matriz de la ecuación. ( 2.11 ) Tratar con los clientes potenciales, ( E + iη) I - H l,
tiene un número infinito de elementos en ella. El sub-matriz de tratar con el sistema,
( E + iη) I - H s, tiene sólo un número finito de elementos. Debido a que hemos de fi nida la
división entre los conductores y el sistema de tal manera que todo se produce la dispersión en el sistema, la
soluciones en las derivaciones están viajando olas en modos transversales constantes; con este
simplificación, podemos determinar la inversa
gramo l ≡ [( E + iη) I - H l] - 1 (2,20)
analíticamente; gramo l es la función de Green combinada para los conductores semi-infinito. Nosotros entonces
de fi ne la matriz
σ ≡ τ T gramo l τ, (2,21)
en términos de los cuales
GRAMO
s = EI -
-1
H s - σ. (2,22)
Tenga en cuenta que hemos dejado caer el término iη en esta expresión; que ya no es relevante, ya que es
la matriz σ es en sí mismo complejo y pantanos la infinitesimal iη. Tenga en cuenta que σ es solo
distinto de cero para los puntos del sistema adyacente a los conductores, como la base erencing di ff infinito
sólo las parejas vecinos más cercanos.
La matriz σ se puede dividir en matrices individuales para cada plomo, σ = Σ pag σ pag.
Dejar que los modos transversales de plomo pag ser χ pm( y). Tenemos que
h2 Σ
σ pag( y yo, y j) = - ¯ χ pm( y yo) mi ik pagmetro un X χ pm( y j), (2,23)
2 mamá 2 X metro
donde el y yo y y j son las y- coordenadas de puntos de cuadrícula yo y j, y k pag metro es la ola
número para una onda que se propaga en el modo de metro de plomo pag [ 15 , § 3,5]. Eq. 2.23 es derivado
por primera usando la expansión de función de base de la función de Green para un semi-infinito
plomo, a continuación, la discretización de la ecuación resultante. Hemos escrito la ecuación. 2.23 para y como el
dirección transversal. Puede ser fácilmente alterado para tener X como la dirección transversal por
el intercambio X 'S y y 'S en toda la expresión.
Para hallar los vectores de onda k pag metro, observamos que la relación de dispersión en la aproximación
mación del infinito di ff erencing nos da
h2
E = ? pm + ¯ [1 - cos ( un X k pag metro)],
(2,24)
mamá 2 X
con pm la energía del modo transversal χ pm. En el límite un X → 0, la ecuación. 2.24 se convierte
la relación de dispersión en el espacio libre familiar. También es importante la expresión de la
velocidad de propagación de una onda en uno de estos modos, ¯ hv = ∂ k MI, lo que nos da
• ) 2 •• 1/2
h h
v pM = ¯ pecado( un Xm)
k pag • 1-( 1 - mi - pm . (2,25)
= ¯
mamá X mamá X h̄ 2 / mamá 2 X
h
2.4 Uso GRAMO - 1 s
Dada una matriz de representación finita de la función de Green, podemos hallar la
elementos de la matriz S se necesita en la fórmula Landauer. Lo hacemos mirando una vez
de nuevo en los modos de plomo transversales, que de fi ne nuestros canales de dispersión.
Considere una onda incidente en el canal yo que incide sobre el sistema de dispersión. Esta
onda nos da un término fuente a lo largo del borde del sistema, lo que nos permite aplicamos el
función de Green para determinar la respuesta del sistema. Podemos entonces proyecto que
respuesta en los modos dispersos para determinar elementos de S-matriz. En símbolos,
∫ ∫
s ij = ¯ h ( - v yo v j) 1/2 dy dy ' ψ fuera
j ( y) G s ( X r, y; X l, y ') ψ en yo ( y '), (2,26)
dónde X r da la coordenada del borde de la transmisión y plomo X l da la
coordenada del borde de la ventaja incidente. Los términos que aparecen fuera de la
integrales en esta ecuación son necesarios porque las ofertas S-matriz en reflujo, mientras
las integrales se ocupan de la amplitud [ 15 ]. En términos de matrices, que representan el incidente
y los estados dispersos como vectores, que tienen
φ yo ≡ GRAMO s · ψ en
yo ⇒ s ij = ¯ h ( - v yo v j) 1/2 φ yo · ψ fuera
j.
(2,27)
Computacionalmente, invertir una matriz grande es costoso. Elegimos, por lo tanto, para resolver
el problema de una manera ligeramente di ff Erent de que implicaba anteriormente. Podemos determinar
GRAMO
s utilizando los métodos descritos anteriormente; en lugar de invertirla, resolvemos la matriz
-1
ecuación GRAMO - 1s φ i = ψ en yo con φ yo como lo desconocido. Hay paquetes computacionales
a disposición de e fi cientemente resolver este “ Ax = b ”Tipo de problema, explotando la diseminación de
GRAMO
s. 1
-1
2.5 Extensión a Leads múltiple transmisión
Conceptualmente, la forma que hemos descrito anteriormente este método es el más fácil
manera de entenderlo: un solo incidente de plomo y un solo plomo transmisión, todo ello en una
sistema lineal. Sin embargo, este método permite una mayor expansión para incluir cables
1 En este trabajo, he usado el paquete “SuperLU.” Se realiza una descomposición LU de la matriz, mediante intercambios de
renglones para preservar escasez en la descomposición. Esto me permite resolver de múltiples lados derecho sin signi fi cativo
adicional e ff ORT, y así extraer la matriz S completa en un solo paso.
en los lados del sistema. La extensión matemática es fácil; los cables adicionales
y sus estados transversales apenas un par de otros puntos de la matriz.
Aunque uno puede conectar cables adicionales, no hay que confundir esto con la idea
de añadir “terminales”. Muchos experimentos en 2DEGs generalmente entren en las categorías:
“Dos terminal” y “cuatro terminal.” En un experimento de dos terminales, uno aplica una polarización
voltaje y la corriente medidas entre dos conductores. En un experimento de cuatro terminales,
se pasa una corriente entre dos conductores y mide un voltaje rencia di ff a través de dos
di ff Erent conduce. Estamos llevando a cabo un experimento con claridad numérica de dos terminales con
nuestro formalismo.
Uno tiene mucha más libertad con los conductores de lo que hemos dicho hasta ahora de manera explícita.
Por ejemplo, ninguno de los cables tiene que cubrir todo un lado del sistema. Más
importante, en realidad no es un requisito que los cables sean de la forma descrita
aquí, semi-en dispositivos rectangulares finitos con modos transversales constantes. Mientras
se puede determinar la función de Green para los conductores y los términos de acoplamiento entre
los cables y el sistema, se puede hallar la matriz σ en la ecuación. 2.21 y por lo tanto GRAMO - 1 s.
2.6 Un Ejemplo
Las fórmulas dadas anteriormente están completos, pero sin ver a su aplicación se
son algo abstracto. De hecho, la aplicación de las fórmulas puede ser algo
di fi culto a llevar a cabo, ya que hay muchos índices para mantener recta. Presentamos aquí
un ejemplo con cables laterales, y para ser en general que dejar que esos cables laterales tienen una anchura
di ff Erent que la del sistema. Para mantener las fórmulas un poco tratable, vamos
tomar el sistema a ser discretizado en un tres por tres cuadrícula. Esta configuración se muestra en
2 conducir
0 1 2
plomo 1
3 4 5 Lead 3
6 7 8
El plomo 4
Figura 2.2: Disposición para el ejemplo de la § 2.6 . El sistema está discretizada en una rejilla de tres bythree, con los
nueve puntos de la cuadrícula según la etiqueta. Hay cuatro cables en el sistema, con 1 y 3 de tres puntos de ancho
y 2 y 4 sólo dos puntos a través. Las líneas discontinuas indican las fronteras entre el sistema y los cables.
Figura 2.2 .
La cosa más fácil que mirar es el potencial. Que no haya un potencial en general V
en el sistema. Como se mencionó anteriormente, la única información que necesitamos sobre este
potencial es su valor en los puntos de rejilla. Nosotros representamos el potencial que el nueve por nueve
matriz diagonal
• •
• V [ 0] 0 0 ··· 0 •
• •
• •
• •
• 0 V [ 1] 0 ··· 0 •
• •
• •
• •
Vs= • 0 0 V [ 2] ··· 0 • , (2,28)
• •
• •
• .. .. .. .. .. •
• . •
• . . . . •
• •
• •
0 0 0 ··· V [ 8]
dónde V [i] indica el valor del potencial en el punto de la cuadrícula yo.
El siguiente componente a considerar es la energía cinética. Empecemos por de fi nir
Los valores
h2
t x, y ≡ ¯ . (2,29)
2 mamá 2 x, y
Utilizando el resultado de la ecuación. 2.10 , Podemos expresar la energía cinética
K = pag 2 (2,30)
2 metro
h2 ( ∂2 )
=-¯ x+ ∂2 y
(2,31)
2 metro
= - t X [ ψ (x - un X, y) - 2 ψ (x, y) + Ψ (x + a X, y)]
- t y [ ψ (x, y - un y) - 2 ψ (x, y) + Ψ (x, y + una y)] . (2,32)

Traducido en una formulación de matriz, esto nos da esa

• •
• 0 tX0 ty0 0 0 0 0 •
• •
• •
• •
•
•
tX0 tX0 ty0 0 0 0 •
•
• •
• •
• •
• 0 tX0 0 0 ty0 0 0 •
• •
• •
• •
• ty0 0 0 tX0 ty0 0 •
• •
• •
• •
K s = ( 2 t x + 2 t y) yo - • 0 ty0 tX0 tX0 ty0 • . (2,33)
• •
• •
• •
• •
• 0 0 ty0 tX0 0 0 ty •
• •
• •
• •
• 0 0 0 ty0 0 0 tX0 •
• •
• •
• •
• 0 0 0 0 ty0 tX0 tX •
• •
• •
• •
0 0 0 0 0 ty0 tX0
La matriz para el hamiltoniano en el sistema es entonces sólo H s = K s + V s.
Ahora dirigimos nuestra atención a los clientes potenciales. Tenemos que determinar la transversal
modos en los clientes potenciales, utilizando el mismo discretización utilizada en el sistema. Aquí, sin embargo,
sólo hay que preocuparse de una dimensión. En cuanto a plomo 1, que será más adelante
utilizado como el plomo para nuestras ondas incidentes, volvemos a escribir la matriz de Hamilton como el
suma de una matriz de energía potencial y la energía cinética de una matriz:
• • • •
• V [ 0] 0 0 • • 2 ty- ty 0 •
• • • •
• • • •
• • • •
H1= • 0 V [ 3] 0 • + • - ty2 ty- ty • . (2,34)
• • • •
• • • •
• • • •
0 0 V [ 6] 0 - ty2 ty
Tenga en cuenta la elección que hemos hecho para el potencial en el liderazgo: hemos emparejado
que el potencial transversal a la potencial en el borde del sistema. Aunque somos
de ninguna manera se requieren para tomar esta decisión, si no entonces no será (arti fi cial)
re fl exiones o FF de la discontinuidad en el potencial.

Esta matriz de tres por tres representa entonces el hamiltoniano unidimensional para
la transversal conduce en el sistema. Resolviendo para los vectores propios y valores propios de
la matriz, obtenemos el conjunto { χ 1 yo , 1 yo : yo ∈ [ 0, 2]} de vectores propios y valores propios. Dado
la energía de nuestra onda incidente, la Ec. ( 2.25 ) Nos da, además, un conjunto de velocidades
{ v 1yo : yo ∈ [ 0, 2]}.
Lead 3 se ve muy similar a como 1 tratada más arriba, así que vamos a mirar ahora en una de las
cables secundarios. Tenemos que
• • • •
• V [ 1] 0 • • 2 tX- tX •
H2= • • + •• • . (2,35)
• • •
0 V [ 2] - tX2 tX
La solución a este problema de valores propios de una dimensión nos da el conjunto { χ 2 yo , 2 yo : yo ∈ [ 0, 1]},
y de éstos obtenemos { v 2 yo : yo ∈ [ 0, 1]}. Tenga en cuenta, sin embargo, que desde este cable tiene X como
la dirección transversal cambiamos X 'S y y 'S en nuestras ecuaciones.
No vamos a escribir todos los términos de la matriz de energía propia, ya que ello conseguir
bastante largo. Veamos uno de los conductores, sin embargo, para ver donde va a contribuir.
Recordemos la ecuación. ( 2.23 ) Para la contribución de la matriz auto-energía de un solo plomo,
h2 Σ
σ pag( y yo, y j) = - ¯ χ pm( y yo) mi ik pagmetro un X χ pm( y j). (2,36)
2 mamá 2 X metro
En cuanto a plomo 1, la y yo y y j será reemplazado por el y- coordenadas de los puntos 0, 3,
y 6 en el sistema. O, más bien, tomamos χ 1 metro( y i) = χ 1 metro[ yo]. La matriz de energía propia voluntad
acoplar los tres puntos entre sí en todas las combinaciones posibles. Mirando a la
matriz energética auto completo de nueve por nueve, vemos que los conductores contribuyen a los elementos
indicada a continuación:
• •
• 100100100 •
• •
• •
• •
• 022000000 •
• •
• •
• •
• •
• 0 2 2, 3 0 0 3 0 0 3 •
• •
• •
• •
• 100100100 •
• •
• •
• •
• 000000000 • . (2,37)
• •
• •
• •
• •
• 003003003 •
• •
• •
• •
• 100100100 •
• •
• •
• •
• 000000044 •
• •
• •
• •
0 0 3 0 0 3 0 4 3, 4
Ahora tenemos toda la información necesaria para escribir nuestra función de Green inversa,
GRAMO
s = EI -
-1
H - σ. Para aplicarlo, miramos a la Ax = b problema GRAMO - 1 sφi= ψ en yo . Qué,
Sin embargo, hemos de tomar como las ondas entrantes? Ya que GRAMO - 1 s
es una matriz de nueve por nueve,
necesitamos tanto φ yo y ψ en yo a ser vectores de nueve elementos. Vamos a empezar por pedir todo
de los modos de plomo transversales: { χ 10, χ 11, χ 12, χ 20, χ 21, χ 30, χ 31, χ 32, χ 40, χ 41}. Llegamos a la ψ yo
vectores de “relleno” estos estados propios con ceros. Por ejemplo, para el primer incidente
el modo que tenemos que
ψ en
0 = [ χ 10 [ 0], 0, 0, χ 10 [ 1], 0, 0, χ 10 [ 2], 0, 0] .
(2,38)
En los elementos de ψ en 0 que corresponden a puntos adyacentes para dirigir 1, tomamos el valor
de χ 10 en aquellos puntos adyacentes; para todos los demás puntos del sistema, tomamos ceros. Si nosotros
están interesados en una onda de salida en el segundo estado de plomo 2, escribiríamos
ψ fuera
4 = [ 0, χ 21 [ 0], χ 21 [ 1], 0, 0, 0, 0, 0, 0] , (2,39)
usando la lógica similar.
El uso de estos vectores, podemos resolver primera GRAMO - 1 sφ0= ψ en 0. El elemento de la matriz S es entonces
Encontrado por s 04 = ¯ h ( - v 10 v 4)2 media φ 0 · ψ fuera 4. Para obtener la conductancia total del sistema,
tendrá que determinar s ij: yo ∈ [ 0, 2], j ∈ [ 3, 9]. Tenga en cuenta que esto sólo significa la resolución
Tres Ax = b problemas.
2.7 Campo Magnético
Hasta este punto, hemos supuesto que no hay campo magnético presente.
Por supuesto, hay muchos experimentos en los que está presente un campo magnético, tal vez
como el único parámetro independiente disponible (por ejemplo, [ dieciséis ]). Ciertamente uno puede manejar una
campo magnético en la ecuación de Schrödinger, aunque hay complicaciones en la inclusión
una en nuestros cálculos. En primer lugar, uno tiene que hacer frente a la presencia de los cables.
La presencia de un campo magnético en las derivaciones cambia un número de las propiedades de
los cables sobre los que hemos dependido. Por ejemplo, si no se tiene cuidado, el plomo
modos ya no pueden ser descritos por ondas planas que se propagan en fi transversal fijo
modos. Incluso si es así, entonces los modos transversales serán, en general, ya no serán
ortogonal [ 15 ], Y serán ff on diferente para las ondas entrantes y salientes.
Si queremos tomar el campo magnético a cero en las pistas, tenemos que tener una
potencial vector que apunta a lo largo de cada ventaja en que el plomo. Para un sistema rectangular,
eso significa que ~ UN debe ser perpendicular a cada pared del sistema en esa pared.
entonces podemos reducir ~ UN a cero en las derivaciones sin introducir ningún rizo, y por lo tanto
sin ningún tipo de campos magnéticos espurios [ 17 ]. De hecho, podemos reducir ~ UN a cero con una
Paso Función en los bordes del sistema, y por lo tanto tener una constante campo magnético en
el sistema y cero campo en las derivaciones.
Tenemos la restricción adicional de que debemos utilizar una forma continua de fi nido Vec-
tor potencial. Si usamos una fi nida por tramos de ~ UN, habrá falsa re fl exiones o FF de
las discontinuidades, incluso si las diversas piezas corresponden al mismo campo magnético.
Siguiendo [ 18 ], Encontramos un potencial vector continua que satisface nuestra ori- límite
requisito entación y nos da una constante de campo magnético.
Vamos a empezar con un potencial vector ~ UN 0 (~ x) = Por ˆ X. Esto nos da nuestra constante
magnética de campo, y es perpendicular a las paredes en los lados izquierdo y derecho de nuestros
sistema. Observamos que la transformación de norma generada por
f (x ~; theta) = - bxy pecado 2 ( θ) + 1 (2,40)

4 Por 2 - X 2) sen (2 θ)
rotará el potencial vector a través del ángulo θ sin cambiar la resultante
magnética de campo cuando tomamos
~ A (~ x) = ~ UN 0 (~ X) + ∇ f (~ x; θ). (2,41)
No queremos cambiar la orientación del vector potencial sobre todo el sistema,
sin embargo, como ya es correcta a lo largo de dos paredes. Por lo tanto, tenemos que crear una máscara
para esta transformación calibre, una que va a uno a lo largo de las paredes superior e inferior
y para poner a cero a lo largo del paredes izquierda y derecha. Tomando las dimensiones del sistema sea
w X y w Y, podemos tomar
( wy )( wy ) -1
m (~ x) = . (2,42)
y + wywy- y y + wywy- y + wX x + w Xw X - X
Este no es el más bonito de funciones, pero puede ser re-fundido a una forma que no se basa
sobre la cancelación de fi nidades permanecer finito; esto no es más que la representación más simple. Nosotros
luego tomar
~ A (~ x) = ~ UN 0 (~ X) + ∇ [ f (x ~; π / 2) m (~ x)] . (2,43)
Ahorradores de la álgebra, encontramos que el potencial vector tiene los componentes
X( w y - y) y 2 ( w 2 y X2+ w2 X wy y - w2 X y 2)
UN x = BW 2 (2,44)
[ w y2( w X - x) x + w 2 X( w y - y) y] 2
y( w X - x) x 2 ( w 2 X y2+ w2 y wX X - w2 y X 2)
UN y = - BW 2 . (2,45)
[ w y2( w X - x) x + w 2 X( w y - y) y] 2
Puede ser veri fi que este potencial vector da una constante de campo magnético en el
sistema y, a pesar de ser continuamente definido, es perpendicular a cada una de las paredes.
Punto, cabe destacar que se trata de fi nida unde en las esquinas del sistema. Si bien esto es cierto,
veremos más adelante que sólo necesitamos para evaluar la función entre los puntos de cuadrícula,
no a ellos, por lo que se evitan las esquinas.
Ahora que tenemos un potencial vector de aplicar, echemos un vistazo a lo que vamos a hacer con
eso. El potencial vector entra en las ecuaciones como una modificación de los términos de acoplamiento
entre los sitios de celosía. El acoplamiento se modi fi ed por la exponencial
{ es decir
∫ segundo
}
exp d ~ x · ~A (~ x) , (2,46)
h̄ un
donde integramos desde el punto un apuntar b [ 19 , Vol. 3, p. 21-2]. Vamos a estimar este
integrante tomando ∫ segundo
d ~ x · ~UN ≈ (~ X segundo - ~ X un) · ~A [(~ x a + ~ X b) / 2]. (2,47)

un
Para introducir este acoplamiento para el hamiltoniano de la manera más general, tenemos
{ es decir }
H ij ( A) = H ij ( 0) exp A [(~ x i + ~ X j) / 2] . (2,48)

h̄ (~ x yo - ~ X j) · ~
h
Observamos primero que, debido a nuestra elección de trabajar en la base di ff erencing infinito, H ij ( 0)
sólo es distinto de cero en la diagonal y de puntos de la rejilla del vecino más cercano. Este hecho no es
cambiado por el potencial a largo plazo del vector, por lo que la diseminación de nuestro problema de la matriz no es
un ff reflejada. En segundo lugar, observamos que los términos de la diagonal no se alteran por la magnética
campo.
La explotación más simple de esta transformación de norma, convirtiendo el campo magnético
o ff con una función de paso en los bordes del sistema, no es ideal. El medidor permite
que hagamos esto sin introducir campos adicionales, pero sí tenemos un problema con
una falta de coincidencia en modo transversal en los bordes del sistema. Como resultado, hay algunos
re fl exiones en los bordes que no tienen significado físico. El e ff ect parece haber
insignificante, siempre que exista una mínima dispersión fi cante físicamente signi pasando en el
mismo tiempo (es decir, sólo es observable si V (~ x) = 0). Una solución más rigurosa, si uno
tiene la intención de evitar el campo magnético en las derivaciones, sería aplicar este indicador y
a continuación, incluir una longitud de cada conductor en el dominio, el uso de estas longitudes para reducir el
potencial vector a cero [ 18 ].

Capítulo 3
El flujo de electrones en simple 2DEG
dispositivos
Una buena parte de los estudios de propagación de ondas en la última década, tanto teórica
y experimental, se han centrado en el comportamiento de los dispositivos mesoscópicos y dos
gases de electrones dimensional [ 20 ]. Un gas de electrones de dos dimensiones, o 2DEG, se forma
cuando una heteroestructura de cristal (normalmente GaAs / AlGaAs) está hecho de tal manera que elecciones libres
trones sienten una posibilidad fuerte con fi nir en una dirección [ 21 ]. Los electrones de modo confinado
son ff e caz reducidos a dos grados de libertad. Dispositivos se forman ya sea por etch-
ing distancia partes del cristal o por acoplamiento capacitivo “puertas” a la 2DEG y
la reducción de la densidad de electrones en las zonas. Actual, entonces se pasa a través del dispositivo,
y la conductancia se puede medir como una función de diversos parámetros externos (por ejemplo,
magnética campo).
En este capítulo, comenzamos a discutir la investigación que se ha realizado en colabo-
oración con los experimentadores en el grupo Westervelt [ 22 , 23 ]. Estos experimentos,
38
Capítulo 3: Flujo de electrones en Dispositivos 2 grados simples 39
y la teoría correspondiente, han analizado la estructura espacial de electrones fl ow
en un 2DEG. El parámetro independiente en los experimentos es la posición de una
microscopio de fuerza atómica (AFM) punta encima de la muestra, dando resolución espacial a la
experimentos. También vamos a tocar en otro tipo de experimentos que pueden ser simulados
con estos métodos numéricos.
3.1 El QPC
El dispositivo 2DEG prototípico es el contacto de punto cuántico (QPC) [ 24 , 25 , 26 ].
No sólo son los dispositivos más simples (que no sea un sistema totalmente abierto), pero
también son componentes de la mayoría de dispositivos más complejos [ 27 , 28 ]. Este sencillo dispositivo
Es entonces cuando comenzamos.
3.1.1 Suave punto de contacto Modelo
Antes de hacer cualquier modelado de los experimentos de conductancia, necesitamos un modelo
del QPC. Como se describe en el capítulo 2 , La técnica que vamos a utilizar para hallar la
la conductancia a través de la 2DEG sólo requiere que seamos capaces de especificar el valor de
el potencial en cada punto de la cuadrícula. Por tanto, podemos de fi nir una función potencial V (~ r) en
cualquier manera que deseamos. Para duplicar el sistema físico en la mayor medida posible, sin embargo,
construimos una función suave, analítico para modelar el potencial punto de contacto.
Elijamos V de tal manera que V (x, y) = f (x) y 2. Es decir, en cualquier fi jo X el valor
potencial transversal es parabólica. Esto es razonable física y ayuda a nuestra intuición
al hacer la analítica soluciones en una dimensión. Dado que también queremos hacer el
potencial simétrico alrededor del centro del punto de contacto, podemos escribir en la forma
V (x, y) = mi 2 ω (x) 2 (3,1)

2
con ω (x) 2 una función par, por lo que la relación con las soluciones analíticas en el y
dirección lo más explícito posible. Ahora tenemos que elegir una ω (x); en este trabajo, vamos
tomar
•
••
• ω 0 ( 1 - 3 | 2 x / l | 2 + 2 | 2 x / l | 3) | 2 x | <l
ω (x) = , (3,2)
••
• 0 |2x|>l
dónde l es un parámetro que determina la “longitud” del punto de contacto, y ω 0
determina el “ancho”. Tomamos
ω 0 = mi F (3.3)
h̄ (N -. 5),
h
dónde norte da el número de modos de puertas abiertas para el QPC. Este potencial tiene la ven-
tajas de ser adiabático como queramos (a través del parámetro l), ir a cero de forma explícita
más allá de una región conocida, y que tiene un número explícitamente controlable de trans- abierto
Modos de verso. Figura 3.1 muestra contornos de esta función potencial.
La característica de excelencia de la conductancia punto de contacto es de cuantificación [ 24 ]. Esta
cuantificación se manifiesta como pasos en la conductancia como una función de la tensión de
aplicada a las puertas que crean el QPC. Relacionando esto con mi modelo de cálculo, se
se cuantizado pasos en la conductancia como una función del parámetro ω 0, hecho
muy explícita por la formulación con NORTE. Aunque este aspecto de la conducta no es QPC
nuestro enfoque principal, sirve como un útil veri fi cación que nuestro método y el modelo
estan trabajando.
Figura 3.1: contornos de ejemplo de la función de potencial utilizados en este trabajo para modelar el QPC.
El origen de las medidas de conductancia es bastante sencillo de entender. Recordemos la
fórmula Landauer, Eq. 2.8 , Que da a la conductancia como una suma de coef- transmisión
coe fi. En el límite adiabático, no hay dispersión entre los modos como los cables
estrecha en la punto de contacto; es decir, como los modos transversales evolucionan suavemente como
una función de X, una ola en el yo º estado permanece en el yo º estado. La ola es ya sea
reflejada en el mismo modo, o se propaga a través del QPC. Haciendo caso omiso de túneles y
por encima de la barrera La reflexión (que también se suprime en un punto de contacto adiabático),
esto significa que cada coe fi ciente de transmisión T yo es cero o uno. Como el punto
contacto se abre, las energías de la disminución modos transversales; como es- de cada modo
ergy pasa la energía de Fermi, los correspondientes coe transmisión fi ciente cambios desde
cero a uno y la conductancia aumenta en 2 mi 2 / h.
En el límite adiabático, todos los pasos serían aguda y de la misma altura. Para un verdadero
potencial, tenemos que lidiar tanto con un túnel y la mezcla de modos. Ambos ECTS e ff
suavizar los pasos de conductancia. En figura 3.2 , Vemos los pasos de nuestro modelo para una
elección de los parámetros. Tenga en cuenta que, mientras que los pasos iniciales son muy diferentes, este último
10
6
G (2 e 2 / h)
0
0 2 4 6 8 10
apertura QPC (número de modos)
Figura 3.2: Una demostración de la conductancia cuantificado mostrado por mi modelo computacional. Para los
primeros varios modos, los pasos son bastante agudo, aunque túnel hace generar algo de redondeo. Para los
modos más altos, los ECTS e ff de mezcla de modo y tunelización abrumar al patrón regular paso. El número
de modos que muestran pasos afilados se puede cambiar cambiando la adiabaticidad (el parámetro “longitud”)
del QPC.
pasos son borrosas por las no idealidades.
3.1.2 Método experimental
Ahora que tenemos un QPC numérico que puede ser comparado con los experimentos, nos volvemos
a la configuración experimental. Para la cuantificación sencilla de la conductancia, la independiente
parámetro es el voltaje en las puertas QPC. El paisaje potencial inducida en
la 2DEG por las puertas es estático en un sentido: aunque el voltaje en las puertas puede ser
cambiado, las propias puertas no se pueden mover. Los recientes avances en experimental
técnica y el equipo han hecho posible una medición con resolución.

Una punta (AFM) cargado negativamente atómica microscopio de fuerza se puede mantener por encima de la
muestrear, la creación de una protuberancia móvil en el potencial visto por electrones en el 2DEG.
El potencial inducida por la punta del AFM es una protuberancia de Lorentz circularmente simétrica,
centrada debajo de la punta [ 29 ]. La altura de la de Lorentz se determina por el voltaje
de la punta, y su anchura por la distancia desde la punta a la 2DEG. La punta de AFM puede
ser movido, y la conductancia se puede medir como una función de la posición de la punta. Aunque el
conexión exacta entre esta medida y la función de onda de la transmisión
electrones debe ser establecida, no al menos mantienen la promesa de obtener imágenes de la
electrón flujo; es de esperar cierta dependencia | ψ | 2 para la amplitud de la
AFM de correo ff ect. Ver figura 3.3 para un esquema de la instalación.
Figura 3.3: En este esquema de un dispositivo de 2DEG, vemos la configuración básica para nuestras mediciones de
conductancia 2 grados. Los contactos óhmicos se acoplan directamente a la 2DEG, lo que permite una tensión de
polarización a aplicar al sistema y corriente medida. Las puertas, aquí en un quantum punto de contacto con fi guración, se
modelan en la parte superior del cristal y acoplados capacitivamente a la 2DEG. Su correo ff ect puede cambiarse mediante la
variación de la tensión de polarización aplicada entre ellos y el 2DEG. Finalmente, una punta de microscopio de fuerza
atómica (AFM), también acoplado capacitivamente a la 2DEG, se puede mover encima de la muestra.
Dispersas s-ola
De la onda P de Transmisión
onda plana incidente
Figura 3.4: Una esquemático para el modelo simple bajo consideración en § 3.1.3 . Una onda plana incidente en una
pequeña ranura en una pared da lugar a una onda P transmitida. Un punto dispersor solo da lugar a una s-onda
saliente. Consideramos que la interacción de estas dos ondas en la ranura para determinar reflujo.
3.1.3 Un modelo sencillo
Antes de entrar en las predicciones computacionales y resultados experimentales, es
útil observar un modelo sencillo de construir intuición acerca de lo que podríamos esperar
para ver a medida que avanzamos sobre la punta del AFM. El modelo que aquí se presenta no pretende
dar predicciones cuantitativas de los resultados, sino simplemente para alertarnos sobre alguna
fenómenos para los que buscan.
Un diagrama esquemático del modelo se da en la figura 3.4 . Consideramos una onda plana incidente
en una pequeña hendidura en una pantalla. Que satisface las condiciones de contorno de Dirichlet en la pantalla
y teniendo sólo el término de orden más bajo (la longitud de onda larga o límite hendidura pequeña) para la
onda transmitida, la onda transmitida es una onda P. Esta ranura desempeña el papel de la
punto de contacto en el modelo. A continuación, introducir un único dispersor punto para jugar el
función del potencial de Lorentz bajo la punta del AFM.
Teoría de la dispersión nos da la onda transmitida por completo
ψ (~ r) = φ (~ r) + s (k) G (~ r, ~ r s) φ (r ~ s), (3,4)

dónde GRAMO es la función de Green, φ es la onda incidente, ~ r s es la ubicación de la
punto dispersor, y s es una amplitud dependiente de la energía (en dos dimensiones, s (k) =
- ( 8 πk) 1/2 exp [ iπ / 4] f (k) para la dispersión de amplitud f (k) [ 30 , La ecuación. (2,11)]). Estamos en-
TERESADAS en la determinación del reflujo a través de la ranura, con el reflujo encontrado de la plena ψ
por
h
~J=¯ (3,5)
2 im (ψ * ∇ ψ - ψ ∇ ψ *).
La solución para el pleno ψ requiere la función de Green para el sistema con una
pantalla y una hendidura, que no se conoce analíticamente. Teniendo en cuenta que sólo nos interesa
en el UX FL en la ranura, sin embargo, podemos utilizar la función de Green para un simple plano,
G (~ r, ~ r ') = - yo (3,6)
4 H 0 ( k | ~ r - ~ r '|),
dónde H 0 es un saliente Hankel función [ 30 , La ecuación. (2,10)]. Tomamos el incidente φ como
el p-onda. Si utilizamos la función de este verde, la ola que viene o FF del dispersor punto
no satisfará las condiciones de contorno en la pantalla. Ya que sólo miramos a la ola
en la ranura y no están interesados en una mayor dispersión de la orden, esta aproximación es
su fi ciente.
En figura 3.5 , Se muestran los resultados con este modelo. El resultado importante es que,
cuando representando el cambio en la conductancia en función de la posición del dispersor, vemos
franjas regulares espaciados a la mitad de la longitud de onda incidente. La onda incidente por sí solo tiene
no hay franjas de intensidad, y la onda completa para cualquier ubicación dada dispersor no tiene
franjas radiales simples.
¿Qué tenemos la intención de tomar distancia de este modelo simple si nos fijamos en los sistemas reales?
En primer lugar, que las características que se observan en la conductancia no necesita estar presente en el ser ola
UN) SEGUNDO) DO)
Figura 3.5: Estos son los resultados calculados para nuestro modelo simple dispersión de QPC conductancia. Cada
imagen es de cuatro longitudes de onda cuadrada. En (A), mostramos | φ | 2, la onda incidente. Tenga en cuenta que no
hay características en esta onda, distintos de la dependencia angular. En (B), se muestra | ψ | 2 para una única ubicación
del dispersor. La onda resultante tiene características para ella, que la onda incidente interfiere con la onda dispersada.
En (C), se muestra el cambio en reflujo como una función de la posición dispersor (es decir, la intensidad en un punto se
determina por el cambio de reflujo a través de la hendidura cuando el dispersor es en ese punto). En esta imagen, vemos
la influencia de | φ | 2 en la dependencia angular y de interferencia en las franjas de media longitud de onda espaciados.
sondeado. Como se ve en esta demostración, los márgenes observados en el trazado de exploración no necesita ser
representante de flecos en | ψ | 2. En segundo lugar, esperamos ver características en la escala de un
media longitud de onda. Por último, esperamos que cualquier característica observado que tienen un sobre que
está relacionado con | ψ | 2.
3.1.4 Tip Scans
Los experimentos que estamos interesados en el modelado de escanear la punta del AFM sobre una
rejilla de dos dimensiones de los puntos y mira conductancia como una función de posición de la punta.
Teniendo en cuenta la esencia del modelo presentado anteriormente, esperaríamos ver una serie de cosas
en estos resultados. Puede haber flecos en los resultados, con una separación de una mitad
longitud de onda, así como un sobre en general debido a la espacial per fi l del electrón
flujo se va a examinar. Por estas ECTS e ff aparezcan en los datos experimentales, los experimentos
debe satisfacer una serie de condiciones; entre ellos, que la longitud de coherencia en el
material es su fi cientemente largo y que los electrones son su fi cientemente monocromática.
Computacionalmente, tenemos una sola, bien de fi nida de energía y en la longitud fi nita coherencia,
por lo que estos problemas no aparecen explícitamente. 1
Ya hemos visto la forma funcional del potencial QPC, pero aún no han sido
para especificar la forma de la potencial inducida por la punta del AFM. Es un Lorentz
con altura variable y anchura [ 29 ]. La altura de la de Lorentz es controlado por
el (negativo) de tensión de la punta del AFM. La mitad de la anchura de la Lorentzian es igual a
la distancia de la punta de la 2DEG. Como resultado, la configuración experimental impone
un valor mínimo de este parámetro. En los experimentos en consideración, la
distancia de punta a 2DEG tiene un mínimo cerca de 60 nm debido al cristal por encima
la 2DEG. La longitud de onda de Fermi en el sistema es, en comparación, cerca de 40 nm. Esta
significa que el dispersor punto utiliza en § 3.1.3 es una mala representación de la dispersión
centro creado por la punta. Con una media de anchura de 1,5 λ f, la Lorentzian es considerablemente
grosera de las características que esperamos imagen con ella.
En figura 3.6 , Vemos los resultados de cálculo de un Lorentz en dos dimensiones
explorar en busca de un punto de contacto operativo en la meseta de la conductancia primera. Estos datos hacen
mostrar la periferia a intervalos de media longitud de onda, como se esperaba. Tenga en cuenta que estos datos no hacen
comenzar hasta 60 millas náuticas de la QPC. Si la punta está más cerca de la punto de contacto, la cola
del Lorentz se extiende en el contacto, aumenta el potencial en su centro, y se cierra
que o FF. Uno puede ver el principio de este “cross-talk” e ff ect a la izquierda de la exploración.
Las franjas tienen dos características notables. La primera es las franjas concéntricas,
1 Para simular la temperatura finito de los experimentos, podemos realizar cálculos en una serie de energías cerca de la superficie
de Fermi e integrar sobre la distribución térmica.

1.5 mi 2 / h 2 mi 2 / h
Figura 3.6: Estos son los resultados de cálculo para la conductancia de un QPC como una función de la posición de
Lorentz. La región de exploración comienza a la izquierda 60 nm de distancia del QPC, y es 300 nm en un lado. La barra
de escala es lineal, pero es evidente que los colores no se aplican de forma lineal; para llevar a cabo las funciones más
pequeños sobre la mayor parte de la imagen, nos concentramos el mapa de color cerca de 2 mi 2 / h. Hay tres cosas para
señalar en la imagen: la región a la izquierda, donde no podemos ver mucho porque el AFM se está cerrando o FF del
QPC, los anillos concéntricos predichos en la medición de la conductancia y la variación de los anillos causados por las
ondas reflectante o FF de los lados de la QPC.
reminiscencia del modelo simple con un dispersor de punto y una rendija. El segundo es el
variaciones transversales de estas franjas. Esto puede ser explicado como el e ff ect del segundo
orden cerrado órbitas. en el capítulo 5 , Vamos a discutir la formación de franjas en detalle.
Estas franjas también aparecen en los datos experimentales, una muestra de los cuales se muestra
En figura 3.7 . Aquí, también, los datos comienzan a cierta distancia del QPC, para la
misma razón dada por los resultados computacionales. Los datos no es tan “limpia” como la
a partir de los cálculos, debido a otras características, sin control de la potencial paisajístico
en el 2DEG. Sin embargo, el acuerdo cualitativo es evidente. Cuantitativamente, el
cálculos están de acuerdo tanto con la separación de las funciones y de su magnitud relativa.
Figura 3.7: Estos datos son de un experimento y son cortesía del grupo Westervelt. Mostramos la conductancia en
función de la posición de AFM, con el QPC en la meseta de la conductancia primera. se incluye un esquema de la
puerta de punto de contacto. No hay datos se muestran en la región donde la punta del AFM se cierra el punto de
contacto. Flecos están separados por λ / 2 ( ≈ 20 nm)
3.1.5 Teoría de la Dispersión AFM Consejo
La posibilidad demostrado de medición de características en escala media longitud de onda con
nuestra gran Lorentz plantea la pregunta de cómo esto es posible. Nuestra primera pista viene
de algo primero observó experimentalmente: las características medidas desaparecen como el
altura de la de Lorentz se reduce. El control experimental de, y el conocimiento
aproximadamente, la altura de la de Lorentz no es muy grande, pero se observó que reducir a la mitad
el voltaje en la punta (y por lo tanto reducir a la mitad la altura de la de Lorentz) causaron la
características que desaparezcan. Computacionalmente, por supuesto, tenemos un control ner mucho más fi
los parámetros del potencial. En figura 3.8 , Nos fijamos en la conductancia en función
de posición de la punta para una serie de alturas de los picos, a partir de 1,2 mi F y terminando en 0,8 mi f.
Vemos que las características, las cuales comienzan en el orden de 0,05 GRAMO, desaparecen a medida que disminuimos la
altura de Lorentz. Así que está claro, es algo acerca de la presencia de una inflexión clásica
punto en el potencial de Lorentz que es crítica en el cambio de la conductancia de la
sistema.
Otra forma de probar la dependencia de la fuerza de la punta al- potencial
mínimos para una comparación directa con el experimento. La fijación de la tensión en el AFM
y cambiar la distancia entre ella y la 2DEG tiene el e ff ect de la disminución de la
la fuerza del potencial que genera. Los experimentadores establecieron su sis-
TEM y seleccionado un área lo suficientemente lejos del punto de contacto que podrían tener
mediciones sin la AFM un ff ión de la misma QPC. A continuación, realiza dos
escaneos dimensionales de la punta del AFM y se promediaron las señales resultantes, la obtención de una
di ff valor medio de Erent di ff alturas Erent AFM. Podemos ejecutar una simulación donde
reproducimos los parámetros experimentales y realizar las mismas medidas y

1.6 2.2
1.4
UN) SEGUNDO) 1.82
1.2
∆ G/x 2 ( 2 e 2 / h λ f2)
1.6
1.4
G (2 e 2 / h)
1.2
0.8 1
0.6 0,81
0.4 0.6
0.4
0.2 0.2
0 0
012345678 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5
X ( λ F) X ( λ F)
Figura 3.8: Estos gráficos muestran la conductancia en función de la posición de la punta para una serie de alturas de
los picos punta. El centro de la Lorentz se encuentra en el y = 0 eje y escaneado en el X dirección, comenzando en el
centro del QPC. curvas sucesivas se les da un conjunto o ff vertical de modo que todos ellos pueden ser vistos (el
desplazamiento horizontal aparente es un artefacto de cambiar punta influencia en el QPC). En todos los casos, la
media anchura de la Lorentz es de 1,5 λ. La curva más alta tiene el potencial punta de AFM en aproximadamente 0,8 mi F
y la curva más bajo lo tiene a aproximadamente 1,2 mi f. En (A), se muestra la conductancia, sin modificar fi ed. En (B),
se muestra una versión modificada ed de los mismos datos, en las que mostramos ((2 mi 2 / h) - G) x 2. La razón de esta
modi fi cación es que la
X - 2 geométrica ff fallo de la señal hace que sea difícil ver lo que está sucediendo durante la última parte de las curvas en
(A). En ambos (A) y (B), observamos la desaparición de características como el pico de la Lorentzian cae por debajo de
la energía de Fermi.
0.16
UN) SEGUNDO) 0.14
0.12
Average Signal (e 2/ h)
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Altura (nm)
Figura 3.9: Los datos experimentales y computacionales ((A) y (B), respectivamente) para la intensidad de señal
media como una función de la altura de AFM. El acuerdo es bueno, aunque observamos que el ruido llega a dominar
la señal experimental en torno a 0,01 mi 2 / h. En el trabajo computacional, el pico de la punta del AFM potencial es igual
a la energía de Fermi a una altura punta de 25 nm. Esto es claramente en el rango donde está desapareciendo la
señal, y el redondeo se puede entender como sigue. En la teoría y experimento, hay un suave fondo desordenado
potencial presente (discutido en el capítulo 4 ). Cuando el AFM es por un bache en este potencial, el potencial punta
se elevará por encima de la energía de Fermi para alturas por encima de 25 nm. Tomando este e ff ect en cuenta,
esperamos que la señal desaparezca a una altura de 30 nm. Aunque hay alguna señal residual para los potenciales
de AFM de dispersión más débiles, la desaparición de un punto de inflexión clásica es claramente un evento
significativo.
un promedio. Los resultados, mostrados en la figura 3.9 , Muestran un acuerdo sorprendentemente fuerte.
En el caso de las simulaciones, se sabe que el observado la desaparición de la
la señal se lleva a cabo como la protuberancia potencial cae por debajo de la energía de Fermi.
Si vamos a ver un e ff efecto sobre la conductancia, que razonablemente probable
encontrar una onda dispersada de regresar a la QPC. En figura 3.10 , Nos fijamos en la ola real
funciones para los electrones que llegan a través del QPC y dispersan o FF del Lorentz.
Nos fijamos en los modos FF punto de contacto de tres Erent di, ya las tres Erent di ff Lorentz
alturas (una de esas alturas es cero, para proporcionar un punto de referencia). Notamos eso
el Lorentz por debajo de la energía de Fermi dispersa claramente la onda de entrada, pero hay
es poca interferencia que se remonta en el QPC. Cuando el pico de Lorentz está por encima de la
energía de Fermi, sin embargo, hay una gran interferencia de volver al punto de contacto,
que es la firma que buscábamos para indicar cuando la conductancia debe
ser un fuerte ff reflejada.
3.1.6 Simetría
En el sistema físico, una simetría se observa bajo un cambio en la dirección
del flujo de corriente. Es decir, si dejamos el voltaje en ambos las puertas y la punta de la misma,
y dejar la punta en el mismo lugar, a continuación, cambiando la dirección de la tensión de polarización
a través de la 2DEG no cambia la conductancia medida. Esto es importante
en cuenta, ya que las mediciones se han realizado utilizando corriente alterna y la técnicas de lock-in.
Algunos podrían argumentar que esta simetría es el resultado de la dispersión de los agujeros debido fl
frente a los electrones, ya que en un cristal como este podemos pensar en ser actual
llevado por electrones o agujeros (o ambos). Sin embargo, aparece la misma simetría
trivialmente en un modelo que es estrictamente de un solo electrón propagación de la onda.
Nuestro sistema exhibe tanto la conservación de reflujo y el tiempo de reversibilidad (sin magnética
campos sin embargo, se han introducido). Los resultados anteriores consideración en un scat- unitaria
matriz tering (( s T) * = s - 1), y los últimos resultados en una matriz de dispersión simétrica
( s T = s) [ 9 ]. Supongamos que, para un determinado fi con guración del sistema, tenemos metro estafa-
Modos de conductos a la izquierda de la QPC y norte la realización de los modos de la derecha. Nosotros
el cálculo de la conductancia de izquierda a derecha por la suma
metro - 1 m+n-1
Σ Σ
GRAMO l → r = 2 mi 2 | s ji | 2, (3,7)
h i=0 j=m
Figura 3.10: Estas cifras muestran | ψ | 2 para los electrones que llegan a través del punto de contacto abierto a uno,
dos, y tres modos transversales, con tres di ff Erent Lorentzians. El centro de la Lorentzian se centra verticalmente y
derecha del centro horizontalmente. Desde la parte superior, tenemos la altura del pico a 0, .75 mi f, y 1,25 mi f. Lorentzianos
medias anchuras son 1,5 λ en cada caso. Tenga en cuenta que es sólo cuando la altura del pico excede mi F que vemos
fuerte retrodispersión al QPC. Tenga en cuenta también que, con la introducción de los modos segundo y tercero,
vemos “lóbulos” que faltan a la punta del AFM y se doblan pero no retrodispersados.
recordando que la matriz S se conecta a los modos de entrada salientes. Ahora, con el
misma matriz de dispersión, obtenemos la conductancia de derecha a izquierda por la suma
m+n-1 metro - 1
Σ Σ
GRAMO r → l = 2 mi 2 | s ji | 2 (3,8)
h i=m j=0
y, puesto que S es simétrica,
GRAMO r → l = GRAMO l → r. (3,9)
Este resultado no es profunda, pero tiene algunas consecuencias no-intuitivas. Cenar-
plantear que tenemos un sistema con un punto de contacto simétrica y una tensión de polarización CC.
Si colocamos el AFM en el lado de transmisión del sistema, debe ahora ser in-
tuitivo que vamos a tener algún patrón de franjas de interferencia regulares y un sobre
relacionada con la función de onda transmitida. Sin embargo, si colocamos la punta del AFM en el
posición simétrica, debemos tener la misma conductancia. Por lo tanto el mismo patrón
está por ver si escaneamos el AFM en el incidente lado del QPC. Nuestra intuición para el
origen físico del patrón es mucho más turbia en este caso.
3.2 Una cavidad resonante
Antes de las técnicas experimentales fueron desarrollados para la resolución espacial de las elec-
tron flujo, las medidas de conductancia se hicieron con otras variables independientes:
las tensiones en puertas, campo magnético, o energía de Fermi, por ejemplo. Un tal experimento
ment es medir la conductancia de alguna cavidad como una función de estos parámetros,
para estudiar el espectro de esa cavidad, y para extraer información acerca de la dinámica.
Uno de tales cavidad ha sido de particular interés para los grupos Westervelt y Heller
[ 30 , Capítulo 8].
Figura 3.11: Esta imagen en escala de grises muestra el potencial utilizado para la cavidad resonante en § 3.2 . El
potencial QPC es de la misma forma que hemos considerado hasta ahora. La parte del espejo se define de la siguiente
manera. En primer lugar, encontramos el arco deseado (aquí, 90 grados de arco con el centro de curvatura en el QPC).
Cualquier región a la derecha de este arco se llevará a cabo en algún potencial dado mayor que la energía de los
electrones que entran en el resonador. A continuación, barrer una curva cuártica alrededor del borde de esta región para
hacer la pared blanda; la quartic se elige para que coincida con los valores y derivados de los potenciales a ambos lados
de la pared suave.
La cavidad en cuestión tiene dos componentes (véase la figura 3.11 ). Olas entran a través
un QPC, al igual que hemos considerado anteriormente. Por el lado de la transmisión del QPC
(En este caso, el lado derecho) colocamos un espejo, que es un segmento de un círculo. Podemos variar la
longitud de arco del espejo, así como la ubicación del centro de curvatura. clásicamente,
el sistema es cerrado si el centro de curvatura está a la izquierda de la QPC, abierta si es
a la derecha, y si coinciden marginal.
Este sistema ha sido considerado por el grupo de Heller antes. en [ 31 ], NDS uno fi
cálculos de tren de ondas para el sistema 2DEG, mostrando acuerdo con algún general
características de los resultados experimentales. en [ 30 ], Hersch explora la misma geometría,

tanto teórica como en un experimento de microondas de su propio diseño y ejecución.
Se explora la importancia de órbitas clásicas di ff Ractive en la geometría abierta. En
un sistema de este tipo, a diferencia de los experimentos 2 grados, uno tendrá de hecho la fuerte
esquinas que se concentra en, y el acuerdo entre el experimento y la teoría
es muy bueno.
Con estos antecedentes, uno podría preguntarse por qué esta geometría debe ser revisada.
La resolución de las características de [ 31 ] Es su fi cientemente gruesa que no podíamos esperar para mostrar
acuerdo mejor que los cálculos de ondas pequeñas, y ya que estamos tratando con suave
los potenciales de los fenómenos serán ff on diferente que las observadas por Hersch. Existen
varias razones para proceder a pesar de estas limitaciones. Una es simplemente para demostrar
la facultad general de las técnicas desarrolladas para tratar di ff Erent experimental
situaciones. En el futuro, también podríamos abordar cuestiones de pie experimentales,
por ejemplo, cómo se podría usar la sonda AFM para medir la onda estacionaria en una cavidad.
Nuestra razón principal, sin embargo, es sentar las bases para el trabajo en una cavidad con
trastorno liso (explorado en el capítulo 4 ).
Computacionalmente, tenemos más control y libertad en la creación del sistema de
uno lo hace de forma experimental. El inconveniente es que, con la información única acerca imperfecta
el sistema experimental, hay cantidad de control nos permitirá exactamente replicarlo. Lo haremos
Por lo tanto, simplemente elegir un rango de parámetros que produce algunos resultados interesantes.
Vamos a usar el sistema resonador con el QPC que tuvo lugar en un solo modo de apertura - es decir,
en el comienzo mismo de la meseta de la conductancia primera. En este punto, la onda
Sal de este QPC sin impulso longitudinal y estamos en un régimen donde
regresar ondas pueden interferir con la onda de salida (como en el régimen de túneles).
0.9 1
0.8
0.7
0.6
Transmission
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12 14 dieciséis
Energía (MeV)
Figura 3.12: Aquí vemos la transmisión de la cavidad resonante en una amplia gama de energías, a partir de
cero. Vemos la estructura general que esperamos. A bajas energías, vemos picos individuales
correspondientes a los modos sin nodos angulares y un número creciente de nodos radiales. Para energías
más altas, vemos más estructura que la geometría permite nodos angulares también.
También hacemos el QPC tiempo suficiente para que todo el túnel de otros modos se suprime.
Por último, tomemos mi F como nuestro parámetro independiente y mirar el espectro de una
fi ja cavidad. Hemos establecido el espejo para que el sistema es marginal; es decir, el centro de
curvatura está centrado en la apertura de la QPC (aunque observamos que, para una suave
potencial, esto es un concepto definido fi mal de).
En figura 3.12 , Vemos la curva de conductancia para una amplia extensión de la energía.
Vemos que la conductancia tiene el tipo de estructura que es de esperar, la
picos de conductancia correspondientes a las resonancias de la estructura. Para energías más bajas,
vemos un patrón regular de picos fuertes individuales, aunque hay algunos más pequeños
picos presentes también. La investigación de estos picos fuertes (véase la figura 3.13 ) vemos eso
que corresponden a una secuencia de modos con ningún nodo angulares.

Figura 3.13: En esta figura, nos fijamos en las funciones de onda en la cavidad en los picos de conductancia más
fuertes en la figura 3.12 . Estos picos fuertes corresponden a los casos simples de ningún nodo angulares. A partir de
las energías bajas, vemos una progresión gradual en el número de modos radiales existentes en energías que, a escala
adecuada, nos dan la progresión de números enteros cuadrados.
0.7
0.6
0.5
0.4
Transmission
0.3
0.2
0.1
0
6,4 6,6 6,8 7 7,2 7,4 7,6 7,8 8 8.2
Energía (MeV)
Figura 3.14: Aquí nos fijamos en una exploración ner fi de las energías en una banda estrecha de la figura 3.12 , La exposición de la
estructura resultante de los modos con nodos angulares.
A altas energías, la estructura se vuelve más interesante. Esto es consecuencia de
el acortamiento de la longitud de onda Fermi, y la creciente sostenibilidad de los nodos angulares
en la cavidad. Elegimos una gama de energías de la figura 3.12 y hacer un ner fi
exploración de las energías, que se muestra en la figura 3.14 . Vemos la estructura adicional aquí, y en
Figura 3.15 vemos las ondas estacionarias en la cavidad en los picos en esta transmisión
curva.
Figura 3.15: Estas son las funciones de onda de los picos en la conductancia en la figura 3.14 . A estas energías,
observamos que los picos de transmisión más estrechos corresponden a los modos con los nodos angulares. No
hay modos con un nodo central, según lo dictado por la simetría de la cavidad. El pico de transmisión más débil, la
tercera, es notable, ya que es tiene signi fi cativo amplitud cerca de los bordes del espejo.
Capítulo 4
El desorden y ramificada de electrones
Fluir
En el capítulo anterior, los dispositivos que consideramos tenían particularmente simple
potenciales. Se tuvieron en cuenta sólo la forma del potencial generado por el
puertas electrostáticas y la punta del AFM. Lo que se ha quedado fuera son componentes de la
potencial que están fuera del control del experimentador. Hay desorden en
el cristal 2DEG, lo que lleva a un potencial de fondo bultos que será inevitable
presente en el sistema experimental. Puesto que hemos sido cuidadosos para desarrollar técnicas
que puede manejar los potenciales lisas arbitrarias, podemos desarrollar un modelo para este trastorno
e incluirlo en nuestras simulaciones.
Cabe señalar que, a pesar de la presencia y naturaleza de este trastorno es ge-
ralmente dejado fuera de las simulaciones, los resultados experimentales del grupo tienen Westervelt
puesto de relieve la importancia de considerar este trastorno. Es no sólo está presente, pero
tiene un impacto signi fi cativo en los resultados se ve en la nueva resolución espacial de la conductancia
62
Capítulo 4: El desorden y ramificada flujo de electrones 63
mediciones.
En este capítulo, vamos a empezar por el desarrollo de un modelo de cómo esta desordenada
potencial debería aparecer. Vemos entonces los ECTS ff e incluyendo que el fondo
potencial en nuestros cálculos tiene el flujo de electrones.
4.1 Indicaciones experimentales
A pesar de que todavía no se había discutido, ya hemos visto algunas pruebas de Disorders
der. Haciendo referencia de nuevo a los datos mostrados en la figura 3.7 , Vemos que el de flujo se inclina,
bien lejos del QPC, de una manera que sugiere la presencia de características adicionales en
el potencial. No fue hasta los experimentos probaron la región de flujo de electrones así
lejos del QPC, sin embargo, que el impacto total de este trastorno se hizo evidente.
Mientras que el flujo cerca de la QPC podría ser entendido por una teoría bastante sencillo
mirar los modos transversales del punto de contacto, esta imagen se descompone en el
escala del micrón.
El flujo de electrones a través de distancias más largas se ve que tiene una estructura ramificada, tal como
muestra en la figura 4.1 . El primer sospechoso por una causa es claramente el fondo desordenada
potencial. Si el potencial 2DEG fueron FL en el QPC después, los patrones simples de QPC
modos transversales se mantendrían en todas las escalas de longitud. Por otra parte, podemos ver que el
e ff ect de la enfermedad no es simplemente di ff usive. Si lo fuera, veríamos el “untando
fuera”de características sin la introducción de nuevas estructuras interesantes.

Figura 4.1: En esta figura, vemos los datos experimentales tomadas durante un intervalo relativamente grande más allá
del punto de contacto. Vemos inmediatamente que el patrón espacial de la fl ujo no es simplemente una extensión de los
patrones de modos transversales QPC. Las partes (a) y (b) muestran los resultados en sistemas experimentales di ff
Erent, lo que demuestra que este ramificado flujo es más la regla que la excepción. La flecha en (A) indica la ubicación
de una aparente cáustica, lo que indica que la de flujo ha experimentado algún evento de enfoque.
Capítulo 4: El desorden y ramificada flujo de electrones sesenta y cinco
4.2 Modelo matemático para el Trastorno
Las técnicas que nos permiten calcular la propagación de electrones con el general lisa
potenciales también nos permiten introducir ningún potencial de fondo que queremos. Debemos
primero determinar qué forma este contexto debe tomar. Hay dos ori- física
ginebras de este potencial: impurezas a través de la estructura cristalina, y variaciones
en la densidad de átomos donantes en el plano dopado. Vamos a considerar ambos
contribuciones. Al modelar el potencial desordenada, vamos a tratar de imitar el
sistema físico lo más estrechamente posible. Esto significa que el diseño de un modelo que utiliza la
parámetros físicos del sistema experimental, y deben tener algún medible
cantidades que se pueden comparar con ese sistema.
Vamos a tratar tanto las impurezas y los átomos donantes como cargas puntuales por encima de una
la realización de avión. El potencial e ff reflexivo inducida en el 2DEG será de la forma
h2 re
V (r) = - q ¯ (4,1)
( r2+
2 metro re 2) 3/2,
dónde q es la carga en el átomo de impureza o donante y re es la distancia entre
la carga y el 2DEG; la distancia r se mide en el plano. Llegamos a este
expresión por primera aproximación de la 2DEG como ideal la realización de avión y hallazgo
las variaciones de densidad 2DEG [ 32 , § 3.2.2]. A partir de estas variaciones de densidad, observamos
la densidad de dos dimensiones de los estados de encontrar la variación local en número de onda [ 21 ,
Ch. 1]. Por último, determinar la dirección ff potencial reflexivo implícitos en estas número de onda
variaciones. Debido a nuestra hipótesis de un plano conductor ideales, esta no es la completa
forma del potencial que surgiría en un 2DEG con la movilidad y el portador limitado
densidad. Lo hace, sin embargo, capturar la característica clave de la proyección en el largo alcance
comportamiento [ 21 , Cap. 9]. Ambos de nuestras fuentes de trastorno tienen una carga | q | = mi, el electrón
cargar. átomos donadores están cargados positivamente, las impurezas están cargadas negativamente. 1
Veamos primero a las impurezas. Estas cargas se distribuyen al azar en
el espacio tridimensional con una densidad ρ yo. La densidad de impurezas es en gran parte una
función del proceso de fabricación. Para las muestras utilizadas en los experimentos de interés
para nosotros, ρ yo es su fi cientemente pequeño ( ρ yo ~ 10 14 cm - 3) que ignoramos cualquier correlación entre
cargos.
Las impurezas aparecen a lo largo del cristal, tanto por encima como por debajo de la 2DEG,
por lo que es e ff caz hay límite en lo lejos que pueden ser de la 2DEG. Tampoco, más
importante, de lo cerca que pueden ser para la 2DEG. Los que son su fi cientemente lejos
Del 2DEG tendrán muy amplios potenciales, los bajos. Los que están cerca de la
2DEG, sin embargo, tendrá contribuciones altos y estrechos.
A continuación consideramos los donantes. Estas cargas se distribuyen en una de dos dimensiones
región paralela a la 2DEG (llamado δ- dopaje). La densidad de la lámina en esta capa es σ re,
y para los sistemas bajo consideración σ re ≈ 8 × 10 12 cm - 2. La capa dopante es
22 nm de distancia de la 2DEG. Cabe señalar que este está más cerca que en muchas
experimentos a causa de las necesidades experimentales particulares del grupo Westervelt.
Uno quiere llevar la punta del AFM lo más cerca posible a la 2DEG tener una estrecha
perturbación. Como resultado, la estructura del cristal por encima de la 2DEG se hace más delgada que
de lo contrario es necesario.
La comparación de la densidad de la lámina de átomos donantes para la densidad espacial de impurezas, que
ver que hay un mayor número de átomos donantes significativamente un ff ión de la 2DEG.
1 Los orígenes de las cargas de las impurezas son estados electrónicos localizados. Algunos de los electrones liberados por los
donantes fi nd estas impurezas en la estructura cristalina en lugar de por lo que es a la 2DEG.
La distribución de los átomos donantes en su plano es, sin embargo, de gran importancia. Si
los donantes se distribuyen con uniformidad completa, podríamos razonablemente tratarlos
como una hoja de carga con un simple Entretanto campo e ff ect en el 2DEG. Es inevitable
las variaciones en la densidad de átomos donantes que dan lugar a protuberancias en el fieltro potencial
en el 2DEG.
Aunque los donantes no se distribuirán de manera uniforme, el otro extremo es también
no realizado. La densidad de átomos donantes es su fi cientemente alta que no podemos ignorar
correlaciones y distribuirlos completamente al azar. Estas correlaciones de carga
limitar las variaciones en la densidad, que, a su vez, limita las magnitudes de las variaciones de
el e ff potencial reflexivo. Nos encontramos en [ 33 ] Un estudio auto-consistente de la distribución de
átomos donadores. La fi autores nd una función de correlación para los átomos donantes cargadas, y una
relación de aplicar esta función de correlación a cualquier densidad átomo donante. Utilizamos esta
función de correlación en un simple pero su fi ciente de la moda: se ofrece un máximo local
densidad para los donantes cargadas, que luego que utilizamos para limitar la distribución aleatoria
de los átomos.
4.3 Trastorno de medición
Este modelo para un potencial desordenada tiene la ventaja de tener en cuenta
parámetros físicos del sistema. Podemos entrar en el (al menos aproximadamente) conocidos
densidades de los donantes y las impurezas, y generar un conjunto de potenciales aleatorios.
Un ejemplo de un potencial de este conjunto se muestra en la figura 4.2 . Tenga en cuenta que,
aunque los potenciales son al azar, nos quedamos con ninguna param arbitrariamente ajustable
- 7meV 17meV
Figura 4.2: Aquí vemos un ejemplo del potencial de los trastornos generados por nuestro modelo. se incluyen el
ECTS e ff de las fluctuaciones de densidad de donantes y de impurezas. Los notables ECTS e ff de impurezas
pueden ser vistos como el ocasional fuerte repunte en el potencial, lo que hemos tratado de llevar a cabo con el
mapa de colores. En el potencial real, estos picos más altos que van 17meV, pero los datos han sido picada que
nos permita ver el fondo más suave.
etros. 2 Sería útil, por tanto, para probar el modelo comparando a algún otro
parámetro experimentalmente accesible.
Nos encontramos un parámetro tal en la movilidad μ. Esta cantidad se puede medir
experimentalmente, y tenemos un medio para medir numéricamente también. Hacemos
por lo que el uso de trayectorias clásicas y mirando a la correlación impulso-momento
función. Definimos la cantidad
c (t) = ˆ p (t) · ˆ pag( 0), (4,2)
que nos dice lo bien que la partícula “recuerda” su dirección inicial de propagación.
Dejamos que el tiempo de impulso-relajación τ para un potencial ser definido como el tiempo τ para
que el conjunto promedió 3 < c (τ) > ha caído a un valor de mi - 1. Tenga en cuenta que < c (τ) >
decae exponencialmente con el tiempo, como se discute más adelante en esta tesis (véase, por ejemplo,
Figura 7.1 ). La movilidad se da en términos del tiempo de impulso-relajación de
μ = eτ / m [ 21 , La ecuación. 9,69]. También es útil tener en cuenta una longitud de impulso-relajación
l = v F τ.
Nuestro sistema físico tiene una movilidad en el rango de 10 6 a 4,5 × 10 5 cm 2 / V s. Utilizando el
rangos físicamente aceptables de parámetros del sistema, este potencial modelo consistentemente
produce movilidades en ese rango.
A continuación, nos gustaría caracterizar a los potenciales aleatorios generados por este
método con el fin de compararlos con los de otros métodos. dos medidas
que utilizamos son longitud de correlación y la distribución potencial de altura. En el primer caso,
comenzamos suponiendo que la función de autocorrelación del potencial será

2 Debido a las barras de error en todos los parámetros experimentales, se nos da rangos dentro de los que trabajar.
3 Aquí, “conjunto” significa tanto nuestro conjunto de potenciales de azar y conjuntos de trayectorias aleatorias en esos potenciales.
circularmente simétrica (una suposición razonable, ya que no hemos construido en cualquier preferida
dirección). El número que citamos como la longitud de correlación es la distancia que
uno tiene que viajar radial de la función de autocorrelación para caer o FF a mi - 1 ( el
valor de desplazamiento cero es 1). La longitud de correlación es la respuesta a la pregunta
“En general, la amplitud son las características del potencial?”
La distribución de potencial de altura responde a la pregunta “en general, lo grande que son
las características en el potencial?”Para responder a esto, que recogen el valor del potencial en
puntos en una cuadrícula regular. A continuación hacemos un histograma de estos valores. Si el potencial
es su fi cientemente aleatorio (que se encuentra, cuando se toman durante muchos longitudes de correlación), este
distribución será una gaussiana. Tomamos una desviación estándar de esta Gauss
distribución como la escala de altura del potencial.
Poniendo nuestros valores experimentales en el modelo, los potenciales resultantes tienen
longitud de correlación escalas del orden de 40 nm y las escalas de altura entre diez y
quince por ciento de la energía de Fermi.
4.4 Resultados flujo de electrones
La planificación que se ha puesto en el diseño de las posibilidades y la coincidencia
de parámetros experimentales no era un desperdicio; cuando nos encontramos cuántica de reflujo a través de estos
potenciales al azar, se observó el mismo fenómeno de ramificación visto experimentalmente.
Un ejemplo se muestra en la figura 4.3 .
El uso de los métodos establecidos en el Capítulo 2 , La cantidad de más fácil acceso para nosotros
es la densidad de reflujo de la mecánica cuántica en el sistema. El medi- espacialmente resuelto
surements realizados en los experimentos, sin embargo, de la conductancia como una función
Figura 4.3: Aquí vemos un ejemplo de cuántica de reflujo a través de un potencial desordenada en nuestro modelo. La
imagen superior muestra el potencial, con un mapa de colores que comienza en verde para valores bajos, a través de gris
y de blanco. El QPC aparece en rojo en la izquierda. La imagen inferior muestra el quantum de reflujo a través del
sistema. Estos datos son sobre un área de dos micras de largo por uno de alto micras.
de la posición de punta de AFM. Es razonable suponer que estas dos cantidades se mostrarán
comportamiento similar, ya que la cantidad de retrodispersión de la punta del AFM se nece-
riamente dependerá de la electrónica de reflujo en su posición. Este supuesto debe, sin embargo,
ser probado. Del mismo modo que hemos simulado una exploración de punta para mirar franjas cercanas al QPC en Fig-
Ure 3.6 , También podemos introducir un potencial punta de AFM móvil en un sistema con ramificado
electrones flujo y medir la conductancia. Como se muestra en la figura 4.4 , Encontramos una fuerte Agreement
ment entre las dos cantidades. Este resultado refuerza tanto la reivindicación experimental
ese electrón de reflujo ha sido asignada, y nuestra intención de sacar conclusiones sobre la
sistema experimental basado en cálculos UX fl.
Dado que los potenciales son generados al azar, el objetivo nunca fue reproducir pre
precisamente los resultados de cualquier experimento dado. Sin embargo, nos quedamos encantados al
lo bien que se reprodujeron las características cualitativas. No sólo son las ramas
presente, pero también vemos las mismas escalas de longitud generales para la formación y per-
ruptura de las ramas. En las exploraciones de punta simulados, vemos las características de los datos
similares a las de los datos experimentales.
Un resultado importante de estas simulaciones es la siguiente: comparar el potencial
En figura 4.3 para el flujo a través de él, no se puede hacer una correlación directa ramificado
ción entre las características evidentes del potencial y las ubicaciones de las ramas. En
en particular, no es el caso que las ramas simplemente siguen las zonas bajas de la
potencial, lo que podríamos caracterizar como “canales” que dirigen el fl ujo. aunque hay
son eventos ocasionales, donde, por ejemplo, el de flujo se divide en torno a una impureza aguda
dispersión central, las ramas son el resultado de la dispersión de ángulo pequeño acumulado.
De las dos contribuciones al potencial, la mucho más importante para la ramificación

Figura 4.4: En esta figura, vemos una comparación de la densidad de la mecánica cuántica fl ux (parte superior) y la conductancia
en función de la posición de la punta (parte inferior) para el mismo potencial desordenada. Como era de esperar, la fuerza de la
señal cuando el escaneo de la punta del AFM es dependiente de la densidad de reflujo en la posición de la punta. Las franjas se
ven en la exploración punta no están presentes en el reflujo, también como se esperaba. Estos datos cubren un área de una micra
de largo por .6 micras de altura.
es que a partir de las variaciones de densidad de dopante. Si se quita las impurezas de la
sistema, las ramas permanecen. Ellos pueden cambiar algo en los detalles, pero
siguen presentes y cualitativamente la misma. La eliminación de los dopantes y dejando sólo
la cativamente impurezas signi fi cambia el flujo, sin embargo, y ya no son ramas
presente.
4.5 flujo bifurcado en un campo magnético
Hasta este momento, sólo hemos considerado el fenómeno de flujo ramificado en sis-
tems sin un campo magnético externo. El ECTS e ff de un campo magnético son algo
intuitivo, pero son sin embargo, observar.
En primer lugar, consideremos el e ff ect de un campo magnético sobre el electrón reflujo en sí. En
un sistema con una super fi potencial, el e ff ect del campo sería doblar todas electrones
trayectorias a curvas con algunos radio ciclotrón conocido. Con el trastorno presente,
sin embargo, la dinámica favorecerán algunos caminos más de otros (por lo tanto la naturaleza ramificado
del fl ujo). La competencia entre estas dinámicas de los electrones en el magnética
de campo da como resultado un “trinquete” de las ramas como la intensidad de campo se incrementa, en lugar
que un barrido continuo. Aunque esto es dif'ıcil para transmitir sin una continua
conjunto de imágenes UX fl, la idea se ilustra en la figura 4.5 .
El desplazamiento de las ramas tiene mayores implicaciones para la situación experimental,
ya que la medición de la conductancia accesibles depende de la dispersión. Podemos UN-
compren- dan la correlación entre la conductancia medida y de electrones fl ux por
teniendo en cuenta las trayectorias clásicas. Para disminuir la conductancia del sistema, un tra-
jectory necesita ser dispersada por la punta del AFM y volver al QPC. En la ausencia
Figura 4.5: Aquí vemos dos conjuntos de datos de electrones reflujo densidad, tomadas con los mismos valores desordenados
potencial, pero en dos di ff Erent magnéticos ELD. Para la imagen superior
B = 0, y para la imagen de fondo B = 25mt. Ambos conjuntos de datos cubren un área de dos micras de largo por una
micra alta. Vemos que, cuando se aumenta el campo, las ramas no se doblan de forma continua. Más bien, las ramas
son los mismos a cierta distancia, momento en el que los electrones toman claramente caminos distintos.
Entendemos esto como el e ff ect del campo magnético acumulando hasta que es su ciente para causar FFI
trayectorias para saltar de una rama a otra forma dinámica favorecida. Este trinquete e ff ect continúa como las de
reflujo aumenta, dando lugar a una flexión neto acumulado de trayectorias. También observamos que la densidad de
reflujo se ha desplazado dentro de las ramas presentes, otro correo ff ect que lleva a cabo el doblado neta causada
por el campo magnético.
de un campo magnético, esto significa que la trayectoria debe incidir sobre la punta del AFM
potencial en un ángulo recto con el punto de inflexión clásica y estar dispersos a lo largo de la espalda
sí mismo. invariancia inversión del tiempo garantiza que la trayectoria seguirá el mismo
rama de nuevo al QPC que se utiliza para llegar a la AFM. La colocación del AFM sobre
una rama garantiza tanto una alta densidad de electrones que chocan y una alta densidad de
posibles vías de retorno en el que se dispersen.
En presencia de un campo magnético, se pierde la invariancia de la inversión del tiempo que nos
se usa para describir nuestro proceso de dispersión. La existencia de una trayectoria clásica de
el QPC con el AFM, ya no garantiza la existencia de una vía de retorno.
Pensar en términos de inversión del tiempo, sin embargo, nos señala en la dirección de lo que
en su lugar debe esperar para ver. El conjunto de trayectorias que se puede utilizar para volver a la
QPC del AFM son sólo aquellos que son vistos yendo a la AFM de la QPC
para el opuesto campo magnético. Las condiciones para una señal fuerte, la presencia de
Ambos caminos de salida y retorno, son satis fi cado por aquellas regiones del espacio donde éstos
dos patrones de ramificación se superponen. entonces podríamos predecir que la señal medida
con una punta de exploración se correlacionan con el producto de las densidades de fl ux calculado en tanto
signos del campo magnético. Esta predicción nace mediante simulaciones, como se muestra en
Figura 4.6 .
Esta intuición implica una relación que ya sabemos que es cierto: la señal
que se mide debe ser simétrica en campo magnético [ dieciséis ]. Cambio de la señal de la
campo simplemente intercambia los papeles de los caminos de salida y regreso.

UN)
SEGUNDO)
DO)
Figura 4.6: En esta figura, se muestran los resultados de una exploración punta del AFM simulada en el
presencia de campo magnético. Los datos son más de una gama limitada, la medición de una micra de largo por .6 micras de
altura. En la fila (A), vemos que el fundente y los resultados de un análisis de punta a cero campo magnético. La
correspondencia entre los dos es como se ha visto antes. En (B), tenemos el reflujo en un campo magnético de ±. 1T. (La
interferencia en la esquina superior derecha de la imagen de la primera en (B) es simplemente el resultado de una rama de
golpear la esquina de la rejilla.) En (C), se muestra la raíz cuadrada del producto de los dos conjuntos de datos en (B), y el
resultado de una exploración de punta de AFM simulado a B = . 1T. (Hemos elegido la raíz cuadrada del producto de manera
que, a medida que tomamos segundo → 0, que se reducen a la imagen utilizada en (A).) Esta exploración punta se correlaciona
con el producto, en lugar de a la de reflujo, ya sea en valor real campo. Nos encontramos la misma punta de datos de
escaneado si tomamos B = -. 1T. La característica más interesante de la exploración punta en (C) se aísla isla de señal cerca del
centro de la exploración donde dos ramas se cruzan entre sí.
4.6 Trastorno en una cavidad resonante
Podemos ahora, como se sugirió anteriormente, mirar el correo y siguientes ect que tiene un potencial desordenada
en la cavidad resonante considerado en § 3.2 . En una cavidad, esperamos ECTS e ff notables para
los niveles de desorden que probablemente no se vean en un sistema abierto en nuestras escalas de longitud. los
razón es que los electrones confinados a una cavidad se “vea” el mismo trastorno muchas veces
a medida que rebotan alrededor. Hay tres cosas que consideramos cuando introducimos
trastorno. En primer lugar es que las energías de resonancia de la cavidad se desplazarán, y así los picos
en la curva de transmisión se moverá. En segundo lugar, observamos que el estado cerrado de la
cavidad, especialmente cuando nos acercamos a la marginalidad, es un delicado equilibrio. Pequeños niveles de
trastorno en la cavidad puede destruir fácilmente por las razones indicadas anteriormente. Como resultado,
es de esperar que la transmisión de la cavidad se incrementará a lo largo del
espectro. Por último, la simetría de la cavidad se rompe por cualquier trastorno. Con el
la simetría rota, las olas pueden acoplarse a una nueva clase de modos de la cavidad y que deben ver
nuevos picos aparecen en el espectro de transmisión.
Tomamos la misma configuración cavidad utilizado antes, e introducir gradualmente el trastorno. Un
ejemplo del potencial resultante se muestra en la figura 4.7 . En figura 4.8 , Vemos lo
que ocurre con el espectro en una banda estrecha como se introduce el trastorno. Existen
cinco pasos a medida que aumenta la fuerza trastorno, terminando en 0,05 mi F. Incluso en este nivel de
trastorno, se observa que los picos de conductancia existentes se desplazan y aparecen otros nuevos.
Además, toda la curva de conductancia se eleva, como el cierre geométrico de la
cavidad se pierde. En figura 4.9 , Podemos ver lo que está sucediendo a las funciones de onda en el
Mismo tiempo; para la comparación, tenemos las funciones de onda en los picos de conductancia para
trastorno de cero y para el trastorno a 0,05 mi F. Lo más interesante, vemos que el trastorno
Figura 4.7: Esta imagen muestra el potencial en nuestra cavidad resonante con un fondo desordenado introducido.
Debido a las alturas de los picos en el trastorno son pequeñas (alrededor del 5%) en comparación con la energía
de los electrones que vamos a enviar a través del sistema, el mapa de color de escala de grises se corta o FF y no
vemos la suavidad del espejo y QPC. El radio de curvatura del espejo es cinco longitudes de correlación de la
enfermedad.
ha permitido que nuestro sistema previamente simétrica para acoplar a los modos con un nodo central.
0.9 1
0.8
UN)
0.7
0.6
Transmission
0.5
0.4
0.3
0.2
0.1
0
6,4 6,6 6,8 7 7,2 7,4 7,6 7,8 8 8.2
Energía (MeV)
B2 B6
0.9 1 B7
B3
0.8
SEGUNDO)
0.7
A5
B1 A4
0.6 B4
Transmission
0.5
0.4
A1 A2
0.3
0.2
B5 A3
0.1
0
6,4 6,6 6,8 7 7,2 7,4 7,6 7,8 8 8.2
Energía (MeV)
Figura 4.8: Aquí vemos la evolución del espectro de transmisión de la cavidad como la fuerza de la enfermedad se
incrementa. En (A), se muestran seis curvas, el más bajo (negro) no es por un fondo desordenado y la más alta
(púrpura) es para un fondo en .37meV (0,05 mi F para el centro del espectro), con pasos incluso entre. En (B), se
muestran sólo los dos extremos, y que hemos denominado los picos. Vemos el desplazamiento de los picos (por
ejemplo, A4 B6), la desaparición de los picos (por ejemplo, A3), y la aparición de otras nuevas (por ejemplo, B5)
que se introduce el desorden. También observamos el conjunto e ff ect de la enfermedad para aumentar la
transmisión del sistema.
A1) A2) A3)
A4) A5)
B1) B2) B3) B4)
B5) B6) B7)
Figura 4.9: Aquí vemos las funciones de onda de los picos en las curvas de transmisión de la figura 4.8 (SEGUNDO). La
comparación de los dos conjuntos de datos, observamos dos cosas. En primer lugar, mirando a los picos que están
presentes para las dos curvas, la cantidad que cambia una función de onda está relacionada con la altura y la anchura
del pico de transmisión original (comparar A1 cambiar a B2 con división A2 a B3 y B4). Esto tiene sentido, ya estrechos,
altos picos corresponden a las resonancias más fuertes de la cavidad original, y se podría esperar que éstos serán más
difíciles de destruir. En segundo lugar, para las funciones de onda que cambian de forma significativa y para el que no
está presente en absoluto sin trastorno (B5 es el único completamente nuevo pico desde B1 simplemente se ha
desplazado en este rango de energía), el rencia di ff es principalmente la introducción de una componente con un nodo
central. En el sistema original, simétrica, dichos estados no se les permitió.
Capítulo 5
flecos
Los resultados de la cartografía experimentos de electrones flujo en un 2DEG mostró dos
resultados sorprendentes. El primero era la naturaleza ramificado del flujo, explicado como la
e ff ect de un potencial de fondo desordenado. El segundo era la perseverancia de
franjas de interferencia regulares durante todo el, rango de varios micrones de las exploraciones.
franjas de interferencia espaciados por medio de la longitud de onda de Fermi se esperaba que cerca de
El punto de contacto. A distancias de varios cientos de nanómetros, las diversas energías
presente en el electrón flujo permanecerían en fase entre sí. A medida que uno se mueve
más lejos de la QPC, sin embargo, simples consideraciones sugieren que los diversos
frecuencias se dispersarían y cualquier ECTS ff interferencia e serían lavado.
La supervivencia de las franjas de interferencia se ve en simu- completo de la mecánica cuántica
ciones con el promediado térmica, como se muestra en la figura 5.1 , Por lo que sabemos que una completa
La teoría se reproducirlos. Esta solución completa no, sin embargo, nos dice mucho acerca
el mecanismo que permite a las franjas para sobrevivir.
En este capítulo, comenzamos por explicar por qué uno podría esperar al margen de morir
83
Capítulo 5: Franjas 84
UN)
SEGUNDO) DO)
Figura 5.1: Aquí vemos la supervivencia de franjas de interferencia más allá de la longitud térmica en una simulación
completa de la mecánica cuántica. (A) muestra la mecánica cuántica de reflujo a través del sistema; para una discusión de la
naturaleza “ramificada” del reflujo, véase el capítulo 4 . En (B), hemos introducido un potencial de punta móvil y la
conductancia trama como una función de la posición de la punta. Esta exploración se toma a la energía de Fermi. En (C),
tenemos una exploración promediado térmicamente de la misma región. En esta simulación, ` T ≈ 600 nm (véase § 5.1 ) Y el
borde izquierdo de la exploración es de aproximadamente 1 μ m desde el punto de contacto.
como nos alejamos del QPC. A continuación se presenta un modelo simple para la franja para-
mación, apelando únicamente a fi dispersión de primer orden, que tiene una dependencia di ff Erent
en promedio térmica y muestra que las franjas deben sobrevivir a la fase-coherencia
longitud. También vamos a echar un vistazo a una idea, apelando a la dispersión de orden superior, que
sugiere que las franjas pueden producirse más allá de la duración de la fase-coherencia.
En la raíz de estas discusiones es el modelo que tenemos para el potencial visto
por electrones en un 2DEG. Aunque hemos encontrado que la contribución de los donantes átomo a la
potencial fue el componente más importante para la ramificación, es la impureza contri-
bución que es más importante para la franja. La razón es que sólo las impurezas dan
nosotros los fuertes centros de dispersión, que son necesarios para obtener las ondas que viajan hacia atrás hacia
el QPC.
5.1 La longitud térmica
Hay muchas cantidades Erent di ff se refiere como “longitudes térmicas”, uno de los cuales
juega un papel importante en nuestra comprensión de las franjas de interferencia. Antes de explicar nuestra
la comprensión de la perseverancia de las franjas de interferencia, vale la pena el gasto
un tiempo para explicar por qué fueron inesperados.
Recordemos que las medidas son de la conductancia en función de la posición de la punta.
Hemos demostrado que la señal depende de electrones que se dispersa de nuevo a
el QPC, por lo que tendrá en cuenta las trayectorias con este resultado. Hay tres fuentes de
dispersión a considerar: las puertas, la punta del AFM, y las impurezas en el cristal
estructura. 1 Las puertas son dispersores claramente fuertes, y esperamos que el mismo
1 Por esta e ff ect, ignoramos la pequeña ángulo de dispersión causada por variaciones de la densidad de átomos donantes. Eso
de la punta del AFM, siempre y cuando se crea una región de agotamiento. Los dispersores de impurezas,
sin embargo, tienen comparativamente pequeñas secciones transversales. Aunque podemos considerar múltiples
acontecimientos de dispersión de la AFM y las puertas, esperamos que cualquier señal que implica múltiples
la dispersión de las impurezas a ser insignificante en comparación con una señal de un solo dispersión.
Hay dos maneras de entender la periferia cerca de la QPC. El primero es el
que se utilizó en la construcción de nuestro modelo simple. Si el QPC no tiene canales abiertos,
de modo que todo proviene de la conductancia de un túnel, a continuación, una onda dispersada de vuelta a la
QPC de la AFM puede interferir con la onda y el cambio de la conductancia de salida.
Si hay canales abiertos, que es la situación experimental más común, entonces
la onda de salida es distinguible de la onda de retorno. Aquí, nos fijamos en el
la interferencia de múltiples formas de volver al QPC. Una onda dispersada a partir de la
punta del AFM será, en general, se transmitirá en parte a través de la QPC y parcialmente
reflejada. Esta re fl eja de onda puede esparcir de la AFM nuevo e interferir con el
primera ola volver. Así tenemos, en esencia, una cavidad Fabret-Perot abierta y podemos
entender las franjas de interferencia dentro de ese paradigma.
consideraciones cinemáticas simples sugieren que estas franjas deben morir a una
longitud térmica ` T dada por
` T = ¯ h 2 k 0 / 2 MKT. (5,1)
Esta longitud viene de una consideración de la propagación de las energías presentes en la ex
periments. A pesar de que se llevan a cabo a bajas temperaturas (menos de 4.7K), el
difusión de las energías implícita sigue siendo notable. Encontramos ` T como la distancia a la cual
olas di ff Ering en energía kT se deriva fuera de fase por un radián sobre la ronda
Es poco probable que causaría una ruta más corta que la longitud de eliminación de coherencia para volver a la QPC.
viaje (QPC a AFM y vuelta). Cuando esto sucede, los patrones de interferencia a partir de
las diversas energías presentes serán su fi cientemente fuera de fase uno con el otro que
la señal agregada no tendría ningún patrón de franjas discernible. Las franjas vistos ex
experimentalmente, sin embargo, sobrevivir mucho más allá de este radio. Buscamos otros paradigmas
de la formación de franjas de entender esta observación.
5.2 Dentro de la duración de la fase-Coherencia
Aquí se utiliza un modelo simple, de una sola dispersión para predecir las franjas visto más allá de la
longitud térmica. El resultado depende de transporte de fase coherente en cada individuo
energía presente, y por lo tanto no se aplica más allá de la duración de la fase-coherencia. Nosotros
tendrá en cuenta los eventos de un solo dispersión que implican la AFM y las impurezas que resultan
en ondas de volver al QPC, y la interferencia entre estos diversos caminos.
5.2.1 Promediar térmica
Era la media térmica, una suma sobre las diversas energías presentes en nuestra prop-
agating electrones, que nos dio la longitud térmica y la expectativa de que las franjas
moriría a cabo. En este modelo, tendremos que realizar una ex integrante promedio térmica
implícitamente. El promedio térmica totalmente correcta se logra mediante una integral sobre la energía
con el derivado de la función de Fermi como una función de ponderación. Con el fin de simplificar
la matemática de este modelo, que buscan una aproximación que es una integral sobre
vector de onda con ponderación gaussiana. Para los rangos de los parámetros en este sistema,
una aproximación de este tipo puede ser hecha a un grado aceptable de precisión.
La distribución térmica de energías comienza con la derivada de la Fermi

función a la temperatura conocida T y la energía de Fermi mi F:
f (E) = [ 1 + mi( mi - mi F) / kT] - 1 (5,2)
- F '( E) = [ 1 + mi( mi - mi F) / kT] - 2 1 (5,3)

kT e ( mi - mi F) / kT.
Deseamos aproximar esta función por una gaussiana preservando al mismo tiempo la normaliza-
ción. Podemos hacerlo mediante la adopción de
- F '( MI) ≈ 1 (5,4)

2 π 1/2 kT correo - [( mi - mi F) / ( 2 kT)] 2.
El ancho de esta Gaussian se estableció haciendo coincidir el segundo orden en serie de Taylor alrededor
E = E F para las dos funciones. Si nos vamos a coincidir con el valor en E = E F más bien que
emparejan la normalización, veríamos que las formas de las dos curvas son muy
similar. La normalización no cambia este hecho; simplemente cambia la general
constante. La mayoría del error en esta aproximación viene de este primer paso.
Para transformar este exponencial en una gaussiana k, llevamos a cabo más fi simplificado
cationes. Nosotros tomamos ( mi - mi F
) (k2- k2 ) 2
2
0
= (5,5)
2 kT 4 MKT / ¯h 2
h̄ 4
h
= 0) 2
(5,6)
dieciséis metro 2 ( kT) 2 ( k 2 - k 2
h̄ 4
h [ 4 k2
≈ 0( k - k 0) 2] (5,7)
dieciséis metro 2 ( kT) 2
h̄ 4 k 02
h
= (5,8)
4 metro 2 ( kT) 2 ( k - k 0) 2.
Observamos que, usando la definición de la longitud de la ecuación térmica. 5.1 ,
h̄ 4 k 02
h
(5,9)
4 metro 2 ( kT) 2 = `2 T,
+ 21
Derivada de la función de Fermi
4.5E + 21 5e approximaion de Gauss
+ 21
3.5E + 21 4E
Weighting function
+ 21
2.5e + 21 3e
+ 21
1.5E + 21 2e
1e + 21
5e + 20
0
0,8 0,85 0,9 0,95 1 1,05 1,1 1,15 1,2
k (k 0)
Figura 5.2: A continuación se muestran dos posibles funciones de ponderación para la comparación. En primer lugar es la
verdadera función de distribución térmica, la derivada de la función de Fermi. En segundo lugar es nuestra aproximación, una
gaussiana en número de onda. Las curvas se calculan para
mi F = 16meV y T = 4.7K.
en términos de los cuales tomamos
- F '( MI) ≈ 1 (5,10)

2 π 1/2 kT correo - ( k - k 0) 2`2 T.
Esta es la función de ponderación que vamos a utilizar en la realización de la media térmica.
Lo comparamos con el derivado original de la función de Fermi en la figura 5.2 . Aunque
las dos curvas no son idénticas, es razonable afirmar que los resultados clave de
el modelo no será un ff reflejada.
Deseamos integrar más k más bien que mi en tomando el promedio térmica. Dado
la relación de dispersión E = ¯ h 2 k 2 / 2 metro, tenemos dE = ( ¯ h 2 k / m) dk. Una vez más atractivo para
los valores que aparecerán para k 0 y ` T, podemos aproximar esta relación de dispersión
como lineal en el intervalo de la función de ponderación y tomar Delaware ≈ ( ¯ h 2 k 0 / m) dk. Por lo tanto,
para una señal de s (k, r) en fijada vector de onda, tenemos la señal promediada térmicamente s (r)
dada por
∫
h̄ 2 k 0
h
s (r) = dk correo - ( k - k 0) 2`2 T s (k, r) (5,11)
2 π 1/2 MKT
∫
= π - 1 / 2` T dk correo - ( k - k 0) 2`2 T s (k, r). (5,12)
5.2.2 El modelo único de dispersión
Este modelo está diseñado para tener las matemáticas simples para que podamos expresar una
resultado analítico. Las aproximaciones hechas no tienen ningún efecto sobre e ff los resultados cualitativos,
y la pequeña e ff efecto sobre los resultados cuantitativos. Simplificamos las matemáticas mediante el uso de mi ikr
en lugar de las funciones de Bessel para las dos dimensiones ondas S. Nosotros asumimos que la dispersión
amplitudes proporcionales a la longitud de dispersión para cada dispersador, y un desplazamiento de fase
igual a la longitud de dispersión del número de onda. La cantidad de interés es el
reflujo a través del punto de contacto como resultado de la dispersión. Buscaremos
interferencia constructiva o destructiva de las ondas que regresan en el punto de contacto,
y tomar esto como nuestra señal.
Tome una distribución aleatoria de dispersores de onda s (las impurezas) en los puntos { r yo}
con la dispersión de longitudes { un yo}, y asumir transporte de fase coherente sobre la redonda
distancias de viaje. Deje que la onda de la QPC ser justo r - 1/2 mi ikr, y la onda dispersada
de un dispersor punto, medida en el QPC, ser ( California yo/ r yo) mi ik ( 2 r i + un yo). Que hemos llamado la
constante de proporcionalidad entre la longitud de dispersión y la amplitud do. El actual
valor de esta constante dependerá de los detalles de los potenciales de dispersión irrelevantes a
Este modelo. Tenga en cuenta también que hay dos factores de r - 1/2 yo
, uno de los siguientes del fallo
de onda que ilumina el dispersor y uno para el ff fallo de la onda dispersada, y que
los avances de fase por la distancia de ida y vuelta, más el desplazamiento de fase. Deje que la punta esté en
un radio r t y tienen la longitud de dispersión un t, dando una ola rendimiento similar. Finalmente,
para simplificar la notación, vamos definen r ' yo ≡ r i + un yo/ 2.
La onda de retorno completo en una sola energía es
Σ California yo
mi 2 ikr 'i+ California tmi 2 ikrt.' (5,13)
yo
r yo rt
Estamos interesados en la señal de retorno, por lo que tomamos la plaza absoluta de esta onda.
Nos concentramos en los términos cruzados, lo que dará lugar a las oscilaciones con r t.
Los términos cruzados son
[Σ ]
do 2 un yo un t
s (r, k) = 2 Re mi 2 ik (r yo' - r ' t) . (5,14)
yo
r yo r t
Debemos tomar nota en este punto de los términos que estamos descuidando. En primer lugar,
son los términos independientes de r t. Ya que en cualquier sistema físico estaríamos detectando
un cambio en la conductancia, esta constante de fondo simplemente se cifra en nuestra
base. En segundo lugar, existe el término do 2 un 2 t / r 2 t, una señal monotónica generalmente esperado
independiente de energía.
Ahora necesitamos térmicamente promedio de esta señal utilizando la Ec. ( 5.12 ). el térmicamente
señal promediada, promediado después de la cuadrada absoluta de modo que es una suma incoherente, es
[∫ ]
Σ do 2 un yo un t
s (r) = 2 π - 1 / 2` T Re dk correo - ( k - k 0) 2`2 T mi 2 ik (r yo' - r ' t) . (5,15)
yo
r yo r t
Tenga en cuenta que podemos llevar la selección de la parte real fuera de la integral, ya
todos los demás términos en la expresión son reales. Llevamos la parte imaginaria a través de la
promedio térmica, ya que hace más fácil la integral. Realización de la gaussiana resultante
integrante, tenemos
[Σ ∫ ]
do 2 un yo un t
s (r) = 2 π - 1 / 2` T Re dk correo - ( k - k 0) 2`2 T mi 2 i (k - k 0) ( r ' yo - r ' t) mi 2 ik 0 ( r 'yo
'yo - r ' t)
yo
r yo r t
(5,16)
[Σ ∫ ]
do 2 un yo un t
= 2 π - 1 / 2` T Re mi 2 ik 0 ( ryo' - r ' t) dk correo - ( k - k 0) 2`2 T mi 2 i (k - k 0) ( r ' yo - r ' t)
yo
r yo r t
(5,17)
[Σ ]
do 2 un yo un t
= 2 Re mi 2 ik 0 ( ryo' - r ' t) mi - ( r 'yo
'yo - r ' t) 2 / `2 T
. (5,18)
yo
r yo r t
Tomando la parte real, nos queda
do 2 un yo un t
s (r) = 2 Σ cos [2 k 0 ( r 'yo - r ' t)] mi - ( r '
yo - r ' t) 2 / `2 T. (5,19)
yo
r yo r t
Vemos el siguiente en este resultado. La onda dispersada de la punta interfiere con
el fondo de las ondas dispersas de las impurezas. Después de la media térmica,
la mayor parte de la señal resultante está perdido. Las piezas que sobreviven a la media son contri-
buciones de los dispersores que se acercan del mismo radio 2 desde el QPC como es
la punta. A pesar de que podemos tener una señal cuando r ' t> `T, la longitud térmica todavía juega
un papel en la que se determina la anchura de la banda alrededor r ' t que contribuye a la
promediado térmicamente señal.
Tenga en cuenta que los márgenes previstos por este modelo se encuentran en la mitad de la longitud de onda de Fermi,
como se observó. Además, las franjas estarán orientados perpendicularmente a la dirección
del flujo de electrones, como se observa también.
En figura 5.3 , Mostramos ejemplos de s (r) a dos temperaturas para la misma distri-
bución de dispersores. Para hacer la señal más fáciles de observar, dividimos el total
la dependencia radial de la fuerza de la señal. A partir de la ecuación. 5.19 determinamos que existe
una limpieza r - 2 dependencia. Sin embargo, hay un factor menos obvio de r 1/2 esto parece
así, dando la intensidad de la señal de un general r - 3/2 dependencia. los r 1/2 viene de
2 Para ser totalmente correcta, hay que sustituir “longitud de trayectoria” para “radio”.
una dependencia de la densidad de la señal. Si tomamos simplemente la suma σ de norte cosenos de
fase aleatoria, se encuentra que <| σ | > α norte 1/2. Tomando nota de que el número de dispersores en
nuestra ` T - aumentos de banda ancha aproximadamente de forma lineal con el radio, tenemos una resultante
r 1/2 Modificación de la fuerza marginal.
La variación radial de la fuerza franja sugerido por este modelo es, por desgracia,
hecho dif'ıcil para observar experimentalmente por otras variaciones de intensidad de la señal. Ex-
periments se planifican y realizan que debe proporcionar más directo actualmente
evidencia de este modelo [ 34 ].
5.2.3 Límite Continuum solo Dispersión
Si cambiamos la suma en la ecuación. ( 5.19 ) A una integral sobre el plano y dejar un i = un ∀ yo,
vamos a partir de un sistema de centros de dispersión discretos a una aproximación continua con
densidad constante. Tenemos
∫∞ ∫π
dr r cos
dθ 2 do 2 Automóvil club k 0 ( r ' -t
[2británico r' t)] mi - ( r ' - r '
t) 2 / `2 T
0 0 rr t
{∫ ∞ ∫π
}
Re = Dr mi club
dθ 2 do 2 Automóvil r ' - r ' t) mi
2 ik 0 (británico t
- ( r' - r' t) 2 / `2 T
(5,20)
0 0 rt
{∫ ∞ }
Re
= 2 πc 2 Automóvil club británico t Dr e 2 ik 0 ( r ' - r ' t) mi - ( r ' - r ' t) 2 / `2 T
(5,21)
rt 0
{∫ ∞ }
Re
= 2 πc 2 Automóvil club británico t Dr e 2 ik 0 [ r - ( r ' t - un/ 2)] mi - [ r - ( r ' t - un/ 2)] 2 / `2 T (5,22)
rt 0
do 2 Automóvil club británico t

= π 3 / 2` T mi - k0`22 T { 1 + Re [erf ( ik 0` T + ( r ' t- un/ 2) / ` T)]} . (5,23)
rt
La expresión de la función de error es oscilatoria, pero acotado en magnitud.
Como resultado, el término dominante para la magnitud de esta señal es la exponencial
mi - k0`22 T. Para los valores aplicables en los sistemas físicos que hemos considerado,
10
17 K
9 1.7 K
8
UN)
7
6
Signal Envelope
0
0 1 2 3 4 5 6 7 8 9 10
radio ( μ metro)
1.7 K
5
SEGUNDO)
3
1
Signal
-1
-2
-3
-4
-5
0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5
radio ( μ metro)
Figura 5.3: Aquí vemos ejemplos de la señal generada por la ecuación. 5.19 . En todos los casos, mostramos r 3/2 s (r). En
(A), tenemos las envolventes de la señal a dos temperaturas di ff Erent para la misma distribución de dispersores. Los
dispersores tienen una densidad de 40 μ metro - 2,
y λ 0 = 40 nm. Estos demuestran cómo la longitud térmica disminuido a temperaturas más altas da como resultado
una señal más pequeña con variaciones más rápidas con radio. En (B), se muestra la señal en 1,7 K en un rango
más como que escaneada experimentalmente.
esto es extremadamente pequeña; en este límite continuo, la señal desaparece. 3
Hay razones para ser escépticos acerca de este límite continuo. En particular, se asume
una distribución completamente uniforme de dispersores sobre el plano. Este supuesto es
en oposición a la aleatoriedad de los sistemas de interés. Ya sabemos de
la teoría de dispersión múltiple que una distribución tan regular simplemente puede aparecer como una
significa campo, e ff caz “elevar el piso” del potencial sobre el cual los electrones
propagar.
Además, este cálculo continuo límite nos dice nada acerca de cómo se
se acercó límite. Como se señaló anteriormente, simplemente tomando el modelo de dispersión simple
en la ecuación. ( 5.19 ) Y el aumento de la densidad re de dispersores sin ninguna correlación en su
resultados de colocación en una re 1/2 dependencia de la intensidad de la señal. Es evidente, sin embargo, por lo
algunos densidad el modelo de dispersión simple deja de ser un uno útil. Múltiple de dispersión
Los cálculos han mostrado que, para las densidades de los dispersores aquí considerados, la sola
dispersión aproximación es apropiado. Como la densidad de dispersores aumentos y
la dispersión múltiple se vuelve más importante, la señal deja de ser tan fácil de
entender [ 35 ].
5.3 Dispersión múltiple y la eliminación de Coherencia
Longitud
Otro modelo que podría dar cuenta de franja más allá de la longitud térmica es uno
que apelan a la dispersión de orden superior y la formación de resonancias locales. Si

3 Tenga en cuenta que la matemática es simple, pero la respuesta es incorrecta si se toma la integral sobre r en el rango ( -∞, ∞).
la punta está dentro de la longitud térmica de impureza (e, implícitamente, dentro de la fase transitoria
longitud de coherencia), entonces una resonancia puede formar entre los dos. La naturaleza de esta
resonancia podría entonces o bien mejorar o suprimir back-dispersión al QPC, por lo tanto
el cambio de la conductancia medida.
Este modelo fue finalmente rechazado como una explicación de los flecos que nos
estaban viendo porque no podía explicar adecuadamente la orientación de las franjas
perpendicular al electrón local de reflujo; franjas de este modelo se centran en
la impureza locales que participan en la resonancia. Una consideración de este modelo dirigido
nosotros a la conclusión, sin embargo, que puede ser posible observar franjas de interferencia
no sólo más allá de la longitud térmica, sino también más allá de la duración de la fase-coherencia.
La pérdida de información de fase entre el QPC y la punta no tiene e ff ect en el
resonancia local en cuestión. La intuición detrás de esto debe resultar familiar
estamos acostumbrados a la idea de medir las propiedades de los sistemas coherentes con
equipo en el laboratorio, lo que implica mucho más incoherente de transporte coherente.
Tenga en cuenta que, en el límite considerado, una señal dependiente de la dispersión múltiple
O ff de impurezas debe ser considerablemente más débil que otro de dispersión simple. En
la región en la que el modelo de dispersión simple explicado anteriormente es aplicable, nos
esperar que el mecanismo de dominar. Sólo más allá de la duración de la fase-coherencia, donde
el modelo de dispersión simple falla, esperaríamos que esta contribución múltiple de dispersión
ser visto.
En una dimensión, podemos trabajar explícitamente lo que está sucediendo con la dispersión BE-
yond la duración de la fase-coherencia. Los resultados de esta manera son simples, pero su ciente FFI
para hacer nuestro punto. Vamos a trabajar en la matriz de transferencia (T-matriz) formalismo (ver
[ 21 , Cap. 5] para una discusión más completa). Este es otro método de matriz de la matriz,
además de nuestro S-matriz, para la descripción de la dispersión en términos de canales. Mientras
la S-matriz conecta modos entrantes a los modos de salida, se conecta el T-matriz
Modos de entrada y salida en un lado del sistema de entrada y de salida
modos en el otro lado. Por ejemplo, teniendo en cuenta el dispersor Q En figura 5.4 , nosotros
tendría
• • • •
• segundo
• • UN •
• • = SQ • • , (5,24)
• • • •
do ' re '
pero
• • • •
• do ' • • UN •
• • T =Q • • . (5,25)
• • • •
re ' segundo
La misma información está contenida en la S-matriz y la matriz T, y una lata
transformar entre los dos. La ventaja del formalismo de transferencia de matriz es que
la matriz de transferencia para un sistema de material compuesto puede ser construida por la matriz multiplicación
ción de la transferencia matrices para los componentes.
Si se resuelve para la transmisión y reflexión coe fi cientes de un sistema, que requiere
conservación ux fl, NDS uno fi que los elementos de la matriz de transferencia pueden ser escritos
en la forma
• •
• 1 / t*r*/ t* •
T= • • , (5,26)
• •
r/t 1/t
dónde t y r son complejos e incluyen información de desplazamiento de fase, y la transmisión
y reflexión coe fi cientes están dadas por T = | t | 2 y R = | r | 2. ( Tenga en cuenta que estamos escribiendo
la matriz de transferencia como “T” para evitar la confusión con el Coe transmisión fi ciente “ T. “)
Q T S
en Letras DO' DO'' do
licenciado RE' RE'' re
X
0 X1 x 1+ x 2
Figura 5.4: Aquí vemos la configuración de dispersión unidimensional descrito en § 5.3 . Los dispersores etiquetados Q,
UN, y S están jugando los roles del QPC, punta de AFM, y dispersor impureza respectivamente.
Tengamos definen la matriz

• •
• mi iφ 0 •
A (φ) = • • . (5,27)
• •
0 mi - iφ
Esta matriz es la matriz de transferencia para la propagación en el espacio libre, donde la ola
acumula una fase φ. Esta matriz es útil porque nos permite tratar cualquier dispersor
como si se encuentra en el origen; nos limitamos definen la matriz T yo( X yo) para un dispersor
situado en la posición X yo y tomar
T yo( X i) = UN - 1 ( kx yo) T yo( 0) A (kx yo). (5,28)
Observamos que la forma simple A (φ) nos permite escribir UN - 1 ( φ) = A ( - φ) y A (φ 0 +
φ 1) = A (φ 0) A (φ 1). Suponiendo que el transporte de fase coherente, que ahora puede escribir el T-
matriz para el sistema completo en la figura 5.4 como
T CCT = UN - 1 ( kx 1 + kx 2) T S ( 0) A (kx 1 + kx 2) UN - 1 ( kx 1) T T ( 0) A (kx 1) T Q ( 0)
(5,29)
= UN( - kx 1) [ UN( - kx 2) T S ( 0) A (kx 2) T T ( 0)] A (kx 1) T Q ( 0) (5,30)
≡ UN - 1 ( kx 1) T S T ( 0) A (kx 1) T Q ( 0), (5,31)

trabajando de derecha a izquierda según lo dictado por la definición de los T-matrices. Vemos eso
el formalismo nos permite tratar el sistema dispersor y la punta separada de su
interacción con el QPC. Ahora podemos introducir desfase en el siguiente sencillo
manera: que añadir una fase adicional, al azar para que acumulado entre el QPC
y la punta. Es decir, se sustituye la matriz A (kx 1) con A (kx 1 + φ) y UN - 1 ( kx 1)
con UN - 1 ( kx 1 + φ), dónde φ es una variable aleatoria con una distribución P (φ, x 1).
Se incluye una dependencia X 1 porque esperamos que la distribución de ampliar a medida que
propagarse a grandes distancias. Suponemos que tenemos el transporte de fase coherente
sobre la distancia X 2 entre la punta y el dispersor.
Veamos primero en el caso genérico,
T BA = UN - 1 ( α) T segundo A (α) T A. (5,32)
Con la acumulación fase general α, vamos a ser capaces de aplicar esto a nuestro subsistema
T S T y, a su vez, el sistema completo. Nos encontramos que
)
t -BA1 = ( t segundo t UN) + ( mi 2 iα r segundo r * UN
( t segundo t * UN) - 1 (5,33)
tomando el múltiple de matriz y simplificar. Para simplificar la notación, vamos definen
t j = T 1/2 j mi iδ j y r j = R 1/2 j mi iρ j. A continuación, encontramos la transmisión de coe fi ciente como
T UN T segundo
T BA = | t BA | 2 = (5,34)
1 + R UN R B + 2 ( R UN R SEGUNDO) 1/2 cos (2 α + 2 δ A + ρ segundo - ρ UN) .
Tengamos definen Φ licenciado en Letras ≡ 2 δ A + ρ segundo - ρ UN para acortar la expresión algo a
T UN T segundo
T BA = (5,35)
1 + R UN R B + 2 ( R UN R SEGUNDO) 1/2 cos (2 α + Φ LICENCIADO EN LETRAS) .
Usando la ecuación. 5.35 , Podemos hallar la expresión de la conductancia de cualquiera de una manera coherente
o un sistema incoherente. Veamos primero en la parte coherente,
T S T ( 0) = UN( - kx 2) T S ( 0) A (kx 2) T T ( 0). (5.36)

La transmisión de este sistema es la Ec. 5.35 con α = kx 2 y la sustitu- apropiado
tuciones para la transmisión y coe fi cientes reflexión del Consejo de Europa:
TT TS
T ST = (5,37)
1 + R T R S + 2 ( R T R S) 1/2 cos (2 kx 2 + Φ S T ) .
Esta es la expresión habitual de resonancia-túnel, como era de esperar. Observando ahora
la parte incoherente, es necesario tomar α = kx 1 + φ y llevar a cabo nuestra integral sobre la
función de distribución de fase aleatoria P (φ, x 1). Trabajando a partir de la definición de T STQ en
Eq. 5.31 ,
∫ ∞ -∞ dφ
T Q T S T P (φ, x 1)
T CCT = (5,38)
1 + R Q R ST + 2 ( R Q R S T ) 1/2 cos (2 φ + 2 kx 1 + Φ CCT) .
Supongamos que estamos mucho más allá de la duración de la fase-coherencia, y podemos razonable-
hábilmente aproximada P (φ, x 1) como una constante; es decir, es igualmente probable que cualquier fase. Tomando
ventaja de la naturaleza angular de la fase, podemos escribir esto como
∫2π
TQ TST/ 2 π
T CCT = dφ (5,39)
0 1 + R Q R ST + 2 ( R Q R S T ) 1/2 cos (2 φ + 2 kx 1 + Φ CCT)
= TQ TST . (5,40)
1 - RQ RST
Esta expresión también debe resultar familiar; podríamos escribirlo de primera princi-
ples, teniendo en cuenta la transmisión de dos barreras ignorando ECTS ff interferencia E (es decir, una
infinita suma de términos para varios rebotes entre las barreras).
Por lo tanto, el formalismo de la transferencia de la matriz nos muestra que el sistema en su conjunto se comporta
como era de esperar: tenemos resonancia entre dispersor y la punta que no le importa
incoherentes sobre el transporte de regreso al QPC. La combinación de sistema resonante
y QPC se comporta como un sistema de transmisión simple sin ECTS ff interferencia e, y
las franjas de la resonancia sobrevivirán.

Capítulo 6
La estabilidad y la Matriz de Estabilidad
Hay varias herramientas que están disponibles cuando uno trata con tra- clásica
jectories en lugar de ondas de la mecánica cuántica. Una de esas herramientas es el análisis
de la matriz de la estabilidad, y la información que lleva sobre comportamiento local [ 36 ,
Curso 9].
La matriz de la estabilidad se ve generalmente como se aplica en los sistemas con órbitas periódicas.
Parte del objetivo de este capítulo, además de detallar una derivación de la estabilidad
ecuaciones matriciales que pueden ser más claras que las ven generalmente, es destacar la
errores que se pueden hacer si se tiene estabilidad periódica órbita e ingenuamente se aplica en
un sistema sin órbitas periódicas.
Empezamos viendo lo que la matriz de estabilidad METRO nos habla de una clásica
trayectoria. Con este entendimiento, encontramos una expresión para la matriz de estabilidad en
un contexto sencillo con el tiempo discretizado. Tomando la discretización a cero, llegamos
en el di ecuación ff diferencial a ser resuelto por los elementos de la matriz de estabilidad. Nosotros
luego tomar un segundo vistazo, llegando a la misma ecuación diferencial di ff por una más directa
101
Capítulo 6: Estabilidad y la Matriz de Estabilidad 102
pero tal vez menos clara ruta. A continuación, nos fijamos en algunas propiedades de la matriz de estabilidad
que será útil en la comprensión de la misma. Por último, nos fijamos en lo que nos dice esta matriz
sobre trayectorias periódicas y no periódicas trayectorias.
6.1 Dinámicas locales
La matriz de estabilidad nos dice acerca del comportamiento dinámico local a un determinado trayec-
conservador. La idea de la “dinámica local” es bastante simple. Dada una trayectoria de referencia
propagándose a través de un cierto potencial complicado, nos preguntamos qué está sucediendo a otra
trayectorias “cerca” de la referencia. La noción de “proximidad” aquí es en el sentido de
el barrio de la trayectoria de referencia en el espacio de fase. Sin embargo complicada
el potencial, no será, en general, ser algún entorno suficientemente pequeño que podemos
hacer aproximaciones lineales de la dinámica. La matriz de estabilidad describirá aquellos
linealizadas, dinámicas locales. Hay que tener cuidado al observar que la matriz de Estabilidad,
por lo tanto, ser una propiedad asociada con una trayectoria individual. Además, es
una cantidad dependiente del tiempo.
Hagamos la pregunta más concreta. Definimos una trayectoria en norte espacial
dimensiones que
~ x (t) = (q 0 ( t),. . . , q norte - 1 ( t), p 0 ( t),. . . , pag norte - 1 ( t)) . (6,1)
Es decir, hacemos un seguimiento de la ubicación de la trayectoria en un total de 2 NORTE- espacio de fase dimensional.
La fi especificación de todos los 2 norte coordenadas en cualquier momento es su ciente FFI para especificar una trayectoria.
Deje una trayectoria ~ X 0 ( t) nuestra trayectoria de referencia, y dejar una segunda trayectoria ~ x (t)
begin desplazados de X 0 ( t) por alguna pequeña cantidad:
~ (x 0) = ~ X 0 ( 0) + δ ~ x ( 0). (6,2)
Vamos a suponer que el desplazamiento inicial δ ~ x ( 0) es su fi cientemente pequeña que ~ x (t)
sigue siendo su fi cientemente cerca de ~ X 0 ( t) para todos los tiempos de interés.
Teniendo en cuenta esta definición, podemos tomar lo natural definición de un dis- dependiente del tiempo
colocación
δ ~ x (t) = ~ x (t) - ~ X 0 ( t). (6,3)
Utilizamos la evolución de este vector de desplazamiento para definir nuestra matriz de estabilidad para el
trayectoria ~ X 0 ( t). Tomar
δ ~ x (t) = METRO( t) · δ ~ x ( 0) (6,4)
para definir la matriz de estabilidad METRO( t). Tenga en cuenta que la matriz depende de nuestra
elección de la trayectoria de referencia, pero no depende de nuestra elección de desplazamiento inicial
ción. Es decir, la matriz de estabilidad describe el comportamiento de todas las trayectorias en una
en fi barrio infinitesimal de la referencia. El uso de la expresión anterior, podemos de fi nir
los elementos de la matriz de estabilidad como
METRO ij ( t) ≡ ∂ ? x yo( t) (6,5)

∂? x j ( 0).
6.2 La matriz de estabilidad a través de tiempo discreto
Una manera intuitiva para acercarse a la derivación de la matriz de estabilidad diferencial di ff
ecuaciones es por primera mirar la evolución de una trayectoria bajo la clásica habitual
dinámica con el paso de tiempo discreto τ. Vamos a proceder de esta manera, con el tiempo tomando
τ → 0 en llegar a las ecuaciones diferenciales di ff.
Tengamos definen una segunda matriz de ahora, DM ( t 2, t 1) de tal manera que
δ ~ x (t 2) = DM ( t 2, t 1) · δ ~ x (t 1). (6,6)
Nuestra matriz de estabilidad original se puede escribir como METRO( t) = DM ( t, 0). También podemos utilizar
DM matrices para romper el intervalo de tiempo de encontrar METRO. Por ejemplo, tomar dos
intervalos, podemos escribir
METRO( t) = DM ( t, t ') DM ( t ', 0). (6,7)
Los elementos de DM se encuentran en una manera muy similar a los de METRO,
DM ij ( t 2, t 1) ≡ ∂ ? x yo( t 2) (6,8)
∂? x j ( t 1) .
La matriz DM es útil, por el momento, para el seguimiento de la evolución de METRO en una sola
intervalo de tiempo sin referencia a ningún otro intervalos de tiempo.
La forma más sencilla de discretizar el tiempo para una trayectoria, pasando sólo para el fin primero en τ
y trabajar con un sistema unidimensional, es escribir
q (t + τ) = q (t) + τm - 1 p (t) (6,9)
p (+ τ t) = p (t) - τV q [ q (t)] (6,10)
donde por V q nos referimos a la q derivado del potencial V. 1 El uso de estos y la Ec. ( 6.8 ),
nos encontramos los elementos de DM ( + Τ t, t) ser

• •
• 1 τm - 1 •
DM ( t + τ, t) = • • . (6,11)
• •
- τV qq 1
1 Utilizamos estas expresiones de manera que podamos, después, tomar τ a cero y obtener una ecuación diferencial di ff. Si se quisiera
convertir el sistema continuo en un mapa de tiempo discreto, este no es el camino que hay que hacerlo - el mapa resultante no sería
simpléctico (área de preservación).
Para llegar a una ecuación diferencial de di ff METRO notamos eso
METRO( + Τ t) = DM ( + Τ t, t) DM ( t, 0) (6,12)
= DM ( + Τ t, t) METRO( t) (6,13)
˙
METRO( t) ≈ [ METRO( t τ +) - METRO( t)] τ - 1 (6,14)
≈ [ DM ( + Τ t, t) METRO( t) - METRO( t)] τ - 1 (6,15)
≈ [ DM ( + Τ t, t) - ESTOY( t) τ - 1 (6,16)
≈ K ( t) METRO( t), (6,17)
donde hemos de fi nido la matriz K ( t) en la etapa final para ser
K ( t) = [ DM ( + Τ t, t) - YO] τ - 1 (6,18)
el cual, escribir los elementos de la matriz, encontramos que
• •
• 0 metro - 1 •
K ( t) = • • . (6,19)
• •
- V qq 0
Notamos eso τ ha caído de esta expresión, por lo que puede llevar al límite τ → 0
y escribir exactamente ˙ METRO( t) = K ( t) METRO( t).
6.3 Un Fuller, derivación más complicado
Por dos razones, ahora vamos a trabajar a través de una segunda derivación del diferencial di ff
ecuación para METRO( t). Una razón para ello es que la extensión de dimensiones superiores es
no inmediatamente obvio a partir de los resultados unidimensionales anteriores. La segunda razón
es que, aunque más opaco, esta derivación es quizás más satisfactorio.

Al igual que antes, estamos buscando los elementos de ˙ METRO( t). Estos pueden ser escritos más intuitiva
como
( ∂x yo( t) )
˙
METRO ij ( t) = ∂ . (6,20)
∂t ( METRO ij) = ∂ ∂t ∂x j ( 0)
Ahora vamos a cambiar el orden de la erentiation di ff tener
( ∂x yo( t) )
˙
METRO ij ( t) = ∂ . (6,21)
∂x j ( 0) ∂t
Los términos dentro de los paréntesis son del todo “local” en el tiempo, y nos lo bastante
tener un derivado local fuera así. Para conseguir eso, ampliamos la derivada usando
∂ ∂x j ( 0) = Σ ∂x k ( t) ∂ ∂x k ( t)
. (6,22)
k
∂x j ( 0)
Reconocemos los coe fi cientes en la suma como elementos de METRO.
También tenemos que mirar en el término dentro del paréntesis y tratar de simplificarlo.
Podemos escribir en términos de la función de Hamilton, aunque hay que tener cuidado
sobre el tiempo X yo( t) es una coordenada espacial o una coordenada de impulso - hay una
firmar di ff rencia. Tenemos que

•
••
∂x yo • ∂H / ∂p yo X i = q yo
. (6,23)
∂t = ••
• - ∂H / ∂q yo X i = pag yo
Poniendo todo junto, tenemos que

• •
[∂2 H ∂x yo ]∂x
· METRO( t) = K ( t) METRO( t),
• 0 yo •
˙
METRO( t) = • • · (6,24)
• •
j
- yo 0
dónde yo es la matriz identidad de rango igual a la dimensionalidad del sistema. los
matriz dada por ∂ 2 H / ∂x yo ∂x j es el Jacobiano de la pendiente de H. En la mayoría de los casos, 2

2 Si hay términos en el hamiltoniano que utiliza productos de coordenadas de posición y momento, habrá términos en los bloques
diagonales de K.
esto nos da
• •
• 0 yo metro - 1•
K ( t) = • • (6.25)
• •
- ∂ 2 V / ∂q yo ∂q j 0
En una dimensión, esta definición reproduce la matriz K que vimos en nuestra anterior
derivación.
6.4 La Unidad determinante de la matriz de Estabilidad
Hay una restricción en la matriz de estabilidad que necesita ser observado: debe
mantener un determinante de 1. Esto viene de los requerimientos de área de preservación de
la mecánica clásica tal como se establece en el teorema de Liouville, ya que ahora se mostrará. Ya que es
No siempre es obvio, vamos a ver primero a una demostración del teorema de Liouville. Dejar f (~ x, t) ser una
función de densidad en el espacio de fase. Es decir, se da la densidad de trayectorias en fase
el espacio como una función de la 2 norte posición espacio-fase dimensional ~ X y tiempo. El total
derivada temporal df / dt da la densidad después de la de flujo, y
df
X · ∇ F, (6,26)
dt = ∂ t f + ~ ˙
dónde
Σ ∂ ∂
∇ ≡ norte q̂ yo
q + pag yo (6,27)
i=1
∂q yo ∂p yo
es el operador del espacio de fases. Por el teorema de continuidad,
∂ t f = · -∇ ( f ~ ˙ X). (6,28)
Usando esto como una sustitución, tenemos
df
X) + ~ X
˙ ·∇F
Ẋ (6,29)
dt = · -∇ ( f ~ ˙
= - ~ ˙ X · ∇ F - F ∇ · ~ ˙ x + ~X
˙ ·∇F
Ẋ (6,30)
=-F∇·~˙ X (6,31)
Σnorte ∂
=-F q̇ i + ∂
q ˙ yo
pag (6,32)
i=1
∂q yo ∂p yo
Σnorte ∂ ∂H ∂H
=-F -∂ (6,33)
∂q yo ∂p yo ∂p yo ∂q yo
i=1
= 0. (6,34)
donde hemos utilizado las ecuaciones de Hamilton. Esto demuestra que, para un sistema de Hamilton,
la densidad se conserva en el espacio de fases.
Dicho de otra manera, los volúmenes en el espacio fase se conservan. Ahora nos relacionamos esta declaración
a nuestra matriz de estabilidad. Recordemos que el NORTE- dimensional volumen definido por norte vectores
está dada por el determinante de una matriz con los vectores como columnas. 3 Si definimos una
matriz RE( 0) con norte Los vectores de desplazamiento como las columnas, podemos actuar en todos ellos
simultáneamente tomando RE( t) = METRO( t) RE( 0). Por las propiedades del determinante, nos
tienen | RE( t) | = | METRO( t) || RE( 0) |, por lo que la conservación de la NORTE- volumen dimensional de fi nido
por RE( t) requiere que METRO( t) tienen determinante de la unidad.
6.5 Un primer vistazo a la Estabilidad
Antes de que se de fi ne la estabilidad en un sentido matemático, es útil para discutir lo
entendemos por ella en un sentido general. La estabilidad es una propiedad de una trayectoria dada, y
proviene de la dinámica local, linealizados como se representa por la matriz de estabilidad. Nosotros
considerar una trayectoria estable si, en alguna escala de tiempo de interés, que las trayectorias
comenzar cerca de ella tienden a permanecer cerca de ella. Cabe recordar que una de fi nición del caos
3 En dos dimensiones, esto se reduce a la magnitud del producto cruzado, y en tres dimensiones a la triple producto escalar.
es que las trayectorias que comienzan cerca uno del otro divergen exponencialmente con el tiempo;
este es un ejemplo de inestabilidad.
Sin embargo, como veremos más adelante, esta consideración conduce a bastante di ff Erent matemática
siendo consideradas las descripciones en función del tipo de sistema. Tenga en cuenta que, en la mayor
dimensiones, hay múltiples opciones, ortogonales para el vector de desplazamiento. Como un
En consecuencia, puede haber cierta ambigüedad en esta definición de la estabilidad. En los casos ff Erent di,
vamos a resolver esta ambigüedad de varias maneras.
6.6 La reducción de dimensionalidad
Antes de seguir adelante, debemos hacer una digresión aparente por un momento y
mencionar el método utilizado para reducir la dimensionalidad de un sistema. Tenga en cuenta que lo haremos
Siempre que se habla en términos de los potenciales en dos dimensiones, aunque estas nociones
son de ninguna manera confinado a los sistemas de baja dimensionalidad.
Si tenemos un potencial en dos dimensiones, hay cuatro coordenadas espacio-fase
para realizar un seguimiento de una trayectoria dada, todos ellos dependen del tiempo. Como se señaló anteriormente, la
especí fi cación de todo el espacio de fases coordenadas en cualquier momento determina completamente un tra-
jectory. En la mayoría de los sistemas físicos, sin embargo, tenemos información adicional. Si nosotros
asumir un potencial estático (es decir, independiente del tiempo), entonces la energía de nuestro partícula
ser conservadas. Esta conservación de la energía reduce la dimensionalidad de acceso
espacio de fase por una dimensión. Por lo tanto, por ejemplo, una trayectoria puede ser completamente
fi especificados dando a los dos coordenadas espaciales y una dirección de propagación; el
magnitud del impulso puede ser determinada por la conservación de energía.
Un espacio de fase tridimensional todavía presenta problemas para la visualización. los

la práctica habitual es para reducir la dimensionalidad mediante la adopción de las rebanadas bidimensionales
de espacio de fase. Supongamos, por ejemplo, tomamos un avión de la fijada X- coordinar y buscar
en donde todas las trayectorias pasan a través de este plano. Desde el X- coordinar está dada por la
ubicación del avión, todas nuestras trayectorias se determinan por completo especificando
el y- coordinar donde pasan a pesar de que el plano y el ángulo de propagación. Eso
es generalmente la práctica tomar solamente las trayectorias que pasan a través del plano de
dada lado a otro, por lo que la y El impulso puede ser utilizado sin ambigüedad como
la segunda coordenada en lugar de ángulo.
Esta técnica se denomina una “superficie de la sección,” y es útil en ambos cerrados y
sistemas abiertos. Se trata en muchos libros que tienen que ver con la dinámica clásica caóticas
(Véase, por ejemplo, [ 37 ]).
6.7 Estabilidad y sistemas cerrados
El sistema habitual en el que se escucha sobre el análisis de la estabilidad es un sistema cerrado con
órbitas de época. Aquí, uno nds fi la matriz de estabilidad durante un único periodo de un periódico
órbita, llama al resultado la “matriz monodromía”, y extrae la información de estabilidad
de eso.
La primera cosa a hacer es fi para seleccionar una superficie de la sección en el dominio del sistema.
La superficie de la sección de fi ne una dinámica discretos en la parte superior de nuestra continua Newto-
nian dinámica. Recordando que un punto de la superficie de la sección es la intersección
de una trayectoria con esa superficie, tenemos un mapa que tiene una trayectoria de uno
punto de intersección a su siguiente.
La estabilidad se observa ahora en la superficie de la sección y la siguiente pregunta es

pedido: dado un punto de la superficie de la sección que corresponde a una referencia periódica
trayectoria, lo que ocurre con los puntos vecinos bajo norte iteraciones del mapa? Nota
que, por definición, no importa cuántas veces iteramos el mapa, el punto de referencia
Siempre se asigna a sí mismo.
Al observar la dinámica subyacente, podemos determinar una matriz monodromía
METRO por nuestra trayectoria de referencia para una sola iteración del mapa; esto es esencialmente
la matriz de estabilidad para la trayectoria para un único período, proyectada en el subespacio
de la superficie de la sección. La medida estándar de la estabilidad, la llamada de Lyapunov
exponente para la trayectoria, es el logaritmo del valor propio más grande de esta matriz.
¿Por qué esta medida? Tome cualquier desplazamiento general (en la superficie de la sección) δ ~ x 0 y
tomar norte iteraciones de
δ ~ x n = METRO norte · δ ~ x 0. (6,35)
Estamos interesados en la forma en que el desplazamiento inicial es cada vez mayor, por lo que queremos la longitud
de δ ~ x norte. Debido a que el e ff ect de la matriz de estabilidad en cada iteración es multiplicativa,
podemos determinar la red e ff ect de una sola iteración mediante la adopción de
[1
h = lim . (6,36)
norte → ∞ norte En | δ ~ x n |]
los valores propios λ yo y vectores propios ~ v yo de la matriz METRO nos permitirá ampliar la
desplazamiento inicial
δ ~ x0=Σ do i ~ v yo. (6,37)

yo
Debajo norte iteraciones del mapa, entonces tenemos que
METRO norte · δ ~ x 0 = Σ do yo λ Ni ~ v yo. (6,38)

yo
Si ordenamos nuestros valores propios de tal manera que λ 0 ≥ λ yo, podemos decir eso
( λ yo ) norte
Σ
METRO norte · δ ~ x 0 = λ norte 0 do yo v ~ yo (6,39)
yo
λ0
lim (6,40)
norte → ∞ METRO norte · δ ~ x 0 ≈ λ norte 0 do 0 ~ v 0
para un genérico δ ~ x 0. ( En particular, no será cierto para aquellos particulares δ ~ x 0 ese
pasar a ser ortogonal a ~ v 0.) Utilizando este resultado, tenemos que
[1
h = lim (6,41)
norte → ∞ norte En | δ ~ x n |]
≈1 (6,42)
norte En | λ norte 0 ~ v 0 do 0 |
=1 (6,43)
norte ln ( λ norte 0 do 0)
= ln λ 0 + 1 (6,44)
norte En do 0
≈ En λ 0. (6,45)
Vemos que, si estamos considerando el límite de iteraciones de una trayectoria periódica,
es útil considerar los valores propios de la matriz monodromía. Las trayectorias pueden ser
poner en tres categorías generales por este método al observar las huellas, o sumas de
los valores propios, de sus matrices monodromía. Tenga en cuenta que nuestra matriz de estabilidad original
tenía un determinante unidad, y esta propiedad se traslada a la matriz monodromía.
Esto es cierto, a pesar de que la superficie de la formulación de la sección no garantiza que
trayectorias tendrán el mismo tiempo para una iteración del mapa, como resultado de la
Poincar'e-Cartan teorema [ 38 ]. Para el de dos dimensiones fase espacio definido por la
la superficie de la sección, sólo hay dos valores propios a considerar y, como resultado, se
debe ser recíprocos.
Si la traza de la matriz de estabilidad es mayor que 2, entonces sabemos que tanto
valores propios son reales. Uno de ellos es mayor que 1, y el otro menor que 1. En este caso,
habrá un exponente positivo de Lyapunov, y la trayectoria se considera que es
inestable. Vecina trayectorias tiende a huir de la trayectoria de referencia
exponencialmente con norte.
Si la traza de la matriz de estabilidad es menor que 2, entonces los valores propios deben estar
complejo; serán complejos conjugados el uno del otro. En este caso, el Lyapunov
exponente es cero.
Si la traza de la matriz monodromía es exactamente 2, entonces ambos valores propios son iguales
a 1 y la trayectoria se considera marginalmente estable. En este caso, puede trayectorias
se alejan de la trayectoria de referencia, pero lo hacen con una dependencia lineal de la
norte en lugar de exponencial. A modo de ejemplo, consideremos el caso de “cizalla”:
• •
• 1 re •
M= • • (6,46)
• •
01
• • • •
• un • • a + ndb •
• ·
METRO norte • = • • . (6,47)
• • • •
segundo segundo
6.8 Estabilidad y Sistemas Abiertos
La medida de la estabilidad encontró anteriormente para trayectorias periódicas en sistemas cerrados
se vuelve bastante sentido si tenemos en cuenta los sistemas abiertos, donde las trayectorias de
interés no son periódicas. Aquí, las trayectorias no atravesarán la misma historia de la
potenciales varias veces, lo que no es verdadero sentido de iteraciones o tomar límites como
norte → ∞.
Todavía puede haber una tentación, sin embargo, utilizar el exponente de Lyapunov como
medida de la estabilidad. Es, después de todo, un concepto cómodo. Consideremos una

ejemplo extremo para ver por qué no esta noción. Dejar
• •
• 0 un •
METRO( t) = • • (6,48)
• •
- 1 / un 0
durante algún tiempo t. En este caso, el determinante es 1 (según sea necesario), los valores propios son ± yo,
la traza es 0, y la trayectoria se declara estable por el exponente de Lyapunov
medida. Sin embargo, vemos que si tomamos δ ~ x ( 0) = (0, 1), tenemos δ ~ x (t) = (a, 0).
Podemos hacer que este final de desplazamiento tan grande como lo deseamos por nuestra elección de un, pero el
Exponente de Lyapunov permanecerá 0.
¿Qué utilizamos para reemplazar la noción de estabilidad de Lyapunov exponente? los
concepto que estamos buscando es la misma: ¿cuánto se mueven las trayectorias de vecinos
lejos de nuestra trayectoria de referencia? Veamos esta primera en un sentido general,
donde no tenemos instrucciones especiales de desplazamiento a considerar (que pronto considerar
colectores de trayectorias en el que tendrán indicaciones especiales). Indicamos la cuestión
matemáticamente como sigue: dado un matriz de estabilidad METRO, buscamos la dirección de
desplazamiento inicial que resulta en el mayor estiramiento. Podemos tomar nuestra inicial
el desplazamiento como δ ~ x ( 0) = (cos θ, pecado θ) y tomar 4
• •
• cos θ •
METRO( t) ·• • = δ ~ x (t; θ). (6,49)
• •
pecado θ
a continuación, queremos maximizar | δ ~ x (t) | como una función de θ. Si etiquetamos a los elementos de la
4 Todavía queremos estar trabajando dentro de la in fi barrio infinitesimal alrededor de la trayectoria de referencia donde la dinámica lineal en METRO
son una aproximación razonable. Dado que la acción de METRO es lineal, sin embargo, podemos trabajar con vectores de norma 1 para hacer la
vida más simple; sticklers puede multiplicar todas las ecuaciones por algún infinitesimal δ sin cambiar nada más.
matriz de estabilidad
• •
• ab •
METRO( t) = • • , (6,50)
• •
discos compactos
se encuentra que
{ [( un 2 - segundo 2 + do 2 - re 2) 2 + 4 ( AB + discos compactos) 2 ] 1/2}
max | δ ~ x (t; θ) | 2 = 1 un 2 + segundo 2 + do 2 + re 2 + .

2
(6,51)
Si no tenemos ninguna razón para estar interesado en cualquier desplazamiento inicial por encima de cualquier otro,
a continuación, debe tomar
1
(6,52)
2 ln (max | δ ~ x (t; θ) | 2)
como un reemplazo para el exponente de Lyapunov.
Supongamos que no estamos interesados en el comportamiento de una trayectoria aislada, sino
más bien en el comportamiento de una colección de trayectorias, o colector. Por ejemplo, podemos
puede tomar trayectorias que emanan de un punto único en una distribución de ángulos. En
el caso de un colector, no es probable que nos interesa en el estado general
encima. Eq. ( 6.51 ) Determina el máximo posible de estiramiento, teniendo en cuenta
todas las posibles direcciones de desplazamiento iniciales. En nuestro ejemplo, es posible dis- inicial
colocaciones sobre una trayectoria de referencia dado no están representados por el colector.
De hecho, podemos especificar un único vector re para una trayectoria dada que apunta a lo largo de la
colector inicial, y sólo desplazamientos iniciales a lo largo de re aparecer en nuestra infinitesimal en la fi
barrio. Para una imagen para ir junto con el fallo, consulte la figura 6.1 .
Vamos a continuación, definen un “enrarecimiento exponente” r (t) por
|||.
r (t) = En ||| METRO( t) · ˆ re (6,53)
M (t) d
re
Figura 6.1: Esta figura es ilustrativa de la dinámica local alrededor de una referencia
trayectoria cuando es un miembro de un colector de trayectorias. El colector es un objeto unidimensional en nuestro
espacio de fase, a partir de la izquierda como una línea sencilla (por ejemplo, todas las trayectorias de partida en el
mismo punto con una distribución de ángulos). Con el tiempo, va a evolucionar a un objeto complejo, pero aún
unidimensional (haciendo caso omiso de una posible dimensión fractal con el tiempo a infinito). La acción de la
dinámica local, lineales dará vuelta a algunas círculo de desplazamientos sobre nuestra trayectoria de referencia en
algún elipse. Podemos ver, sin embargo, que el máximo estiramiento de esta elipse no es tan relevante como el
estiramiento del vector
re que se encuentra a lo largo del colector.

El exponente rarefacción nos dice cuánto trayectorias desplazados a lo largo del primer
colector se han alejado de la trayectoria de referencia. Dicho de otra manera, se dice
nosotros cómo la dinámica hemos comprimido o ampliado el colector en torno a la
trayectoria de referencia (de ahí el nombre de “exponente rarefacción”). Es una propiedad de
una trayectoria dada, y es claramente dependiente de la elección de colector inicial. Esta
noción limitada no es la estabilidad en el sentido habitual de la palabra, pero en muchas clásica
sistemas que pueden ser significativamente más significativa.

Capítulo 7
Promedios Ensemble
Uno de los temas de la investigación en esta tesis es que, cuando se trata de azar
sistemas, hay un comportamiento interesante para encontrar buscando en las realizaciones individuales
de los potenciales aleatorios. Fue sólo de este modo que nos encontramos con el ramificado
estructura de flujo. Hay, sin embargo, razones para mirar el comportamiento estadístico se ve en
promedios de conjunto también. El comportamiento de cualquier miembro individual del conjunto
(Es decir, la ramificado flujo en una realización potencial dado con condiciones iniciales dadas)
sólo puede ser determinado por ejecutar realmente las trayectorias. El comportamiento de la
promedios del conjunto, sin embargo, son en algunos casos susceptibles de tratamiento analítico. Esta
es parte de la fuerza que las simulaciones clásicas llevar a la mesa, con la riqueza
de información acerca de las trayectorias individuales que está disponible para nosotros.
En este capítulo, vamos a ver varias formas en que podemos caracterizar las estadísticas
de nuestros potenciales aleatorios y los fl ow ramificados clásicos circula por ellos.
Hay dos formas equivalentes para llegar a estas medidas estadísticas, a los que
se hace referencia generalmente como “promedios del conjunto.” El primero es ejecutar las trayectorias de
118
Capítulo 7: Promedios Ensemble 119
muchos potenciales Erent di ff generados de la misma manera (es decir, utilizando las mismas funciones
pero con semillas aleatorias di ff Erent). La otra es ejecutar muchas trayectorias independientes
en el mismo potencial. Aquí, la “independencia” significa que las trayectorias deben ver
historias no correlacionados medida que se propagan a través del potencial. Este requisito
se puede realizar mediante el lanzamiento de trayectorias de ubicaciones aleatorias separadas en promedio
por la longitud de correlación potencial, y dándoles orientaciones iniciales aleatorias. En
la práctica, se utiliza una combinación de estos dos enfoques para asegurar que no somos
recogiendo las características particulares de cualquier realización del potencial aleatorio.
Palabras tal vez hay que decir acerca de cómo este procedimiento se relaciona con las fotos
de ow fl ramificado que aparecen en esta tesis en otro lugar. Esas imágenes surgen de
el lanzamiento de muchas trayectorias que son casi tan lejos de “independiente” como uno puede conseguir;
que están destinados a ser relacionada con las fuentes físicas. Se puede esperar que el conjunto
promedios serán en absoluto aplicar a estos sistemas? La respuesta es sí, y que podría llegar a
los mismos resultados para los promedios de conjunto con sólo mirar a los cálculos de ramificado
flujo. El problema es que, dado que las trayectorias no son independientes en cualquiera
realización de flujo ramificado, tendríamos que el promedio de muchos más trayectorias
de lo contrario es necesario. Utilizamos distribuidos al azar, ya que son trayectorias
más e fi ciente a lograr la convergencia de los promedios.
7.1 Potenciales azar Revisited
El potencial aleatorio descrito en el Capítulo 4 para los estudios de quantum ramificado
reflujo fue modelado muy de cerca después de que el potencial físico en el sistema. El fin
resultado fue un potencial aleatorio que podría caracterizarse por dos cantidades: una longitud
escala, determinado por la función de autocorrelación, y una escala de altura, determinada por
la distribución de los valores en el potencial. Cualitativamente, el potencial donante-átomo
responsable de la ramificación se compone de suaves colinas muy por debajo de la energía de la
electrones dispersados.
En este punto, ya que paso de la mecánica cuántica para mirar clasifi-
mecánica de cal, es razonable para volver a examinar el potencial también. Es la ramificación
fenómeno peculiar a un potencial aleatorio generado de esta manera (densidad de los donantes
fl uctuaciones), o se trata de un fenómeno general más dependiente en gran medida en estos esta-
Statistical propiedades del potencial? La respuesta, como era de prever, es que el
fenómeno de ramificación no depende del origen del potencial, y estamos
libre de examinar los potenciales generados en otras formas.
Hemos considerado varios medios distintos de la generación de dichos potenciales aleatorios.
La versión simplificada más estrechamente relacionada con el modelo que en un principio se consideró
es la convolución de una protuberancia gaussiana bidimensional con una rejilla de valores aleatorios.
El potencial resultante tiene auto-correlación de Gauss, y con la transformada rápida de Fourier
métodos es fácil de generar. Esta es la forma que hemos utilizado con mayor frecuencia,
por razones que se discutirán más adelante. Otro potencial que es simple
para generar y que también exhibe de flujo ramificado es la superposición de azar
ondas de coseno orientado. Hemos generado un potencial tan tanto mediante la adopción de un único
número de onda y mediante la adopción de una distribución normal de números de onda alrededor de una media. 1
El problema de la propagación clásica a través de los medios de comunicación al azar ha sido sin duda
1 Aunque se podría suponer que la adopción de una distribución de números de onda daría lugar a una mayor “al azar” potencial, lo contrario
es cierto para un número fijo de ondas componentes. Con un número de onda fijada, sólo tenemos que lograr un su fi cientemente densa
distribución en un círculo en el espacio de Fourier; para un rango de números de onda, tenemos que lograr un su fi cientemente densa
distribución de una corona circular.
estudió en el pasado, por lo que es importante que hagamos claro desde el principio lo que el régimen
están estudiando. Hay dos tipos de medios aleatorios dominan la literatura hasta la fecha. En primer lugar se encuentran
sistemas de dispersores de puntos separados por el espacio libre. En este régimen, los dispersores son
generalmente se considera que ser fuerte, de modo que los eventos de dispersión raras son de gran ángulo
[ 39 , 13 ]. En segundo lugar están los sistemas con un potencial de “ruido blanco”. En un sistema tal, el
potencial se considera que tiene un valor sin correlación de punto a punto y con un poco
(A menudo gaussiana) de distribución [ 11 ]. Los sistemas que consideramos aquí caen en la
no hay tierra de nadie entre estos dos extremos.
7.2 Las correlaciones potenciales
Como se discutió en § 4.3 , Nuestro potencial modelo original se caracterizó por una gaussiana
auto-correlación y una distribución de la altura de Gauss. Al mirar a otros potenciales
que exhiben flujo ramificado, y especialmente al tratar de hacer algo por el estado analítico
mentos sobre las trayectorias de estos potenciales, tenemos que mirar a estas propiedades.
A pesar de que vemos el fenómeno de ramificación en muchos tipos di ff Erent de azar suave
potenciales, todos los potenciales aleatorias suaves no son iguales. Aquí, nos fijamos en el
funciones de autocorrelación para nuestros potenciales. Miramos primero a una concreta mathemat-
ical fundación para caracterizar la di ff erences entre varios potenciales aleatorios.
A continuación, aplicamos esto a dos tipos de potenciales que dió ramificados flujo.
Vamos a llegar a la siguiente conclusión. Aunque hay muchos suave al azar
potenciales que exhiben flujo ramificado, que no queremos alejarse demasiado de la original
sistema. Las correlaciones de Gauss, que no sólo vamos a ver en el valor de la
potencial, pero también en sus derivados, son de gran valor para nuestro tratamiento analítico.
7.2.1 Auto-correlación y la función espectral
Hay dos conceptos que utilizamos para caracterizar la dependencia espacial de nuestra
potenciales: auto-correlación y la función espectral. Tal como se desarrolló en esta sección,
Estos dos conceptos son simplemente relacionados entre sí. Tenga en cuenta que, a menos que se
se indica, todas las integrales en esta sección son en el rango de ( -∞, ∞).
Empecemos por de fi nición de la función de autocorrelación para una función f (x, y) ser
∫ ∫
c (α, β) = dx dy f (x + α, y + β) f * ( x, y), (7,1)
donde suponemos una normalización implícita de tal manera que do( 0, 0) = 1. Al mirar nuestra
potenciales, sino que también serán útiles para mirar el auto-correlación de los derivados de la
potencial. Tenemos más de fi ne
∫ ∫
do Minnesota( α, β) = dx dy f ( Minnesota)( x + α, y + β) f ( Minnesota) * ( x, y) (7,2)
por lo que nuestra función de autocorrelación es c (α, β) = c 0,0 ( α, ß).
Tomando nota de que la transformada de Fourier de un derivado está dada por (véase [ 14 , Cap. 15])
∫
F norte( t) = 1 dω ( - iω) norte F (ω) e - iωt (7,3)
2π
y que se puede desplazar a una función mediante la adopción de
∫
f (t + τ) = 1 dω F (ω) e - iω (t + τ), (7,4)
2π
tenemos
∫ ∫
do Minnesota( α, β) = dx dy f ( Minnesota)( x + α, y + β) f ( Minnesota) * ( x, y) (7,5)
∫ ∫ [1 ∫ ∫
= dx dy dk dl ( - ik) metro( - Illinois) norte F (k, l) ×
4 π2
mi - ik (x + α) mi - il (y + β)] F( Minnesota) * ( x, y) (7,6)

∫ ∫
=1 dk dl ( - ik) metro( - Illinois) norte F (k, l) e - ikα mi - ilβ ×
4 π2
[∫ ∫ ]
dx dy f ( Minnesota) * ( x, y) e - ikx mi - ily (7,7)

∫ ∫
=1 dk dl ( - ik) metro( - Illinois) norte F (k, l) e - ikα mi - ilβ ( ik) metro( Illinois) norte F * ( k, l)
4 π2
(7,8)
∫ ∫
=1 dk k dl 2 metro l 2 norte F (k, l) F * ( k, l) e - ikα mi - ilβ (7,9)
4 π2
∫ ∫
=1 dk k dl 2 metro l 2 norte S (k, l) e - ikα mi - ilβ (7,10)
4 π2
donde, en el último paso, tenemos de fi ne una “función espectral” S (k, l) ≡ F (k, l) F * ( k, l).
Aunque esto puede no parece ser un progreso real, lo es. Volvamos por un momento
a do 0,0 ( α, ß),
∫ ∫
do 0,0 ( α, β) = dx dy f (x + α, y + β) f * ( x, y). (7,11)
En la mayoría de las situaciones, uno cualquiera conocer esta función o uno sabrá su Fourier
transformar. Teniendo en cuenta tampoco, podemos hallar las correlaciones derivadas. Asumamos por el
momento en que se nos da do 0,0. Entonces nosotros tenemos
∫ ∫
1
dk dl S (k, l) e - ikα mi - ilβ = do 0,0 ( α, β) (7,12)
4 π2
∫ ∫
S (k, l) = dα c dβ 0,0 ( α, β) e ikα mi ilβ. (7,13)
El uso de esta expresión,
∫ ∫ {∫
do Minnesota( α, β) = 1 dk k dl 2 metro l 2 norte dα ' ∫ dβ ' do 0,0 ( α ', β ') mi ikα ' mi ilβ '} mi - ikα mi - ilβ
4 π2
(7,14)
7.2.2 Simetría circular
Para la mayoría de los potenciales con los que tratamos, no hay una dirección preferida. Ese
es decir, se espera que la función de correlación sea simétrica circularmente. Con ese
supuesto, también será encontramos que la función espectral es circularmente simétrico. Dejar
Consideremos
α = r cos θ (7,15)
β = r pecado θ (7,16)
k = κ cos φ (7,17)
l = κ pecado φ. (7,18)
Tomamos nuestras funciones para estar en función de estas variables también,
do Minnesota( α, β) → do Minnesota( r, θ) (7,19)
S (k, l) → S (κ, φ). (7,20)
La transformación de nuestras ecuaciones, se trabaja con la primera función espectral fi, tenemos
∫ ∫
S (k, l) = dα c dβ 0,0 ( α, β) e ikα mi ilβ (7,21)
∫∞ ∫2π
S (κ, φ) = Dr dθ rc 0,0 ( r, θ) e iκr cos ( θ - φ). (7,22)

0 0
Por el supuesto de que tenemos una función de correlación circularmente simétrica, podemos
tomar do 0,0 ( r, θ) = C 0,0 ( r, 0) y moverlo fuera de la θ integral. Desde el coseno tiene
periodo 2 π y no hay otra θ términos dependientes, la integral es ff UNA reflejada por el
presencia de la φ plazo y tenemos
∫∞ ∫2π
S (κ, φ) = Dr. RC 0,0 ( r, 0) dθ correo iκr cos ( θ - φ) (7,23)

0 0
∫∞
=2π Dr. RC 0,0 ( r, 0) J 0 ( kappa R) (7,24)
0
el cual, observamos, también es simétrica circularmente. El uso de este hecho, podemos escribir
∫ ∫
do Minnesota( α, β) = 1 dk k dl 2 metro l 2 norte S (k, l) e - ikα mi - ilβ (7,25)
4 π2
∫∞ ∫2π
do Minnesota( r, θ) = 1 dκ dφ κ (κ cos φ) 2 metro( κ pecado φ) 2 norte S (κ, φ) e - iκr cos ( φ - θ)

4 π2 0 0
(7,26)
∫∞ ∫2π
=1 dκ κ 2 m + 2 n + 1 S (κ, 0) dφ cos ( φ) 2 metro pecado( φ) 2 norte mi - iκr cos ( φ - θ).

4 π2 0 0
(7,27)
No podemos, en general, decir que do Minnesota( r, θ) es circularmente simétrica, ya que la deriva-
tantes se encuentran a lo largo de una cuadrícula cartesiana. Esto se manifiesta en los términos adicionales en el
angular integral. Sin embargo, teniendo en cuenta nuestras suposiciones, podemos tratar el m = n = 0 caso
y encontrar la inversa de la ecuación de la función espectral.
∫∞ ∫2π
do 0,0 ( r, θ) = 1 dκ κS (κ, 0) dφ correo - iκr cos ( φ - θ) (7,28)

4 π2 0 0
∫ ∞ ∫ 2π
=1 dκ κS (κ, 0) dφ correo - iκr cos ( φ) (7,29)

4 π2 0 0
∫∞
=1 dκ κS (κ, 0) J 0 ( kappa R). (7,30)
2π 0
7.2.3 Correlación de Gauss
El modelo que tenemos para el potencial en un 2DEG, generada por el donante
átomos, se caracteriza por un circularmente simétrica, la función de autocorrelación de Gauss.
Como resultado, esto ha sido una de las características de fi nición de los potenciales usados para
examine ramificado flujo. Este es el primer potencial de ficción que examinamos.
La función de autocorrelación conocida es
c (r, θ) = e - r 2 / L 2 (7,31)
por alguna escala de longitud L. Utilizando los resultados con simetría circular anterior, entonces tenemos
ese
∫∞
S (κ, φ) = 2 π dr re - r 2 / L 2 J 0 ( kappa R) (7,32)
0
= πL 2 mi - κ 2 L 2 / 4. (7,33)
Utilizando este resultado de encontrar las funciones de correlación más altos,
∫∞ ∫2π
do Minnesota( r, θ) = L 2 dκ κ 2 m + 2 n + 1 mi - κ 2 L 2 / 4 dφ cos ( φ) 2 metro pecado( φ) 2 norte mi - iκr cos ( φ - θ).

4π 0 0
(7,34)
La ecuación general resultante de esta integral es desagradable. Podemos, sin embargo,
limitar nuestra consideración a transversal derivados. Ya que tenemos una simetría rotacional,
somos libres de elegir nuestra dirección de “propagación” como el X eje sin pérdida de
generalidad. Como resultado, podemos limitar nuestra consideración a las funciones do 0, norte( r, 0), dando
∫∞ ∫2π
do 0, norte( r, 0) = L 2 dκ κ 2 n + 1 mi - κ 2 L 2 / 4 dφ pecado( φ) 2 norte mi - iκr cos φ (7,35)

4π 0 0
∫ ∞
{ }
= L2 dκ κ 2 n + 1 mi - κ 2 L 2 / 4 2 π (kappa (7,36)
R) R) - n ( 2 norte - 1)! ( norte - 1)! 2 norte - 1 J norte( kappa
4π 0
∫∞
= L2 dκ κ n + 1 mi - κ 2 L 2 / 4 J norte( kappa R) (7,37)
2 r - n-(12 norte - 1)! ( norte - 1)! 20norte
{ 2 n + 1 mi - r 2 / L 2 L - 2 norte - 2 r norte}
= L2 (7,38)
2 r - n-(12 norte - 1)! ( norte - 1)! 2 norte
= (2 norte - 1)! ( norte - 1)! 2 L - 2 norte mi - r 2 / L 2 (7,39)
= (2 norte)! (7,40)
¡norte! L - 2 norte mi - r 2 / L 2.
Este resultado es importante. El trabajo analítico a seguir, mirando a la media de conjunto
propiedades de flujo a través de estos potenciales al azar, depende de la capacidad de dividirse
el flujo en segmentos que son independientes entre sí. Esto depende de lo finito
rango de la función de autocorrelación, no sólo de la potencial pero de sus derivados
también.
Para el comportamiento a largo plazo, hay teorías que dependen de las integrales de
estas funciones de autocorrelación [ 40 ]. Aunque el tiempo y duración de las escalas que se
considerar son generalmente demasiado corto para estas teorías, vamos a hallar la integral es necesario.
Nosotros tomamos
∫∞ ∫∞
c dr 0, norte( r, 0) = (2 norte)! Dr e - r 2 / L 2 (7,41)
0 ¡norte! L - 2 norte 0
{ Lπ 1/2 }
= (2 norte)! (7,42)
¡norte! L - 2 norte 2
= (2 norte)! (7,43)
¡norte! 2 L 1 - 2 norte π 1/2.
7.2.4 ondas planas
A partir del trabajo en caos cuántico, las propiedades de la superposición de ondas planas son bastante
bien conocido [ 41 ]. Potenciales generados por tal suma también resultan en ramificado flujo, por lo
tenemos razones para incluirlos en nuestra discusión aquí. También es necesario para obtener el
resultados para la auto-correlación de los derivados de la potencial, como arriba.
Consideremos una suma de ondas planas de número de onda fijada k pero ori- al azar
entación. En este caso, se parte de la función espectral y trabajar hacia la
función de autocorrelación. A partir de la información que acabamos de dar, podemos escribir
( )
S (κ, φ) = 2 πL δ κ-1 . (7,44)

L
El parámetro L determina la escala de longitud del potencial de esta relación
con el número de onda. El factor de 2 πL preserva la normalización cuando hacemos
nuestra transformada de Fourier, ya que pronto será mostrado. Para llegar desde esta expresión en nuestro
función de correlación, tenemos
∫∞ ∫2π
do 0,0 ( r, θ) = 1 dκ κ dφ S (κ, φ) e - iκr cos ( φ) (7,45)

4 π2 0 0
∫∞ ∫ 2π ( )
=L dκ κ dφ δ κ-1 mi - iκr cos ( φ) (7,46)

2π 0 0 L
∫ 2π
=1 dφ correo - IR cos ( φ) / L (7,47)

2π 0
= J 0 ( r / L), (7,48)
como se esperaba. El proceso inverso, pasando de Bessel función de auto-correlación con el
información espectral, es igualmente simple y hace uso de la función de Bessel orthogonal-
dad.
Buscando las funciones generales, tenemos
∫∞ ∫2π
do Minnesota( r, θ) = 1 dκ κ 2 m + 2 n + 1 dφ cos ( φ) 2 metro pecado( φ) 2 norte S (κ, φ) e - iκr cos ( φ - θ)

4 π2 0 0
(7,49)
∫∞ ∫2π ( )
=L dκ κ 2 m + 2 n + 1 dφ cos ( φ) 2 metro pecado( φ) 2 norte δ κ-1 mi - iκr cos ( φ - θ)

2π 0 0 L
(7,50)
∫2π
=1 dφ cos ( φ) 2 metro pecado( φ) 2 norte mi - IR cos ( φ - θ) / L. (7,51)

2 πL - 2 metro - 2 norte 0
En general, esto no es tratable. Sin embargo, vamos a con fi ne nuestra atención como antes para
teniendo derivados transversales. Es decir, observamos do 0, norte( r, 0), la toma de y y derivados
mirando correlaciones en el X dirección.
∫2π
do 0, norte( r, 0) = 1 dφ pecado( φ) 2 norte mi - IR cos ( φ) / L (7,52)

2 πL - 2 metro - 2 norte 0
= (2 norte)! (7,53)
¡norte! 2 n ( rL) - norte J norte( r / L).
Por lo tanto vemos que el potencial generado de esta manera, así como todos los derivados,
tiene correlaciones de rango mucho más largos que el caso de Gauss de la sección anterior.
De hecho, tenemos razones para sospechar que el desarrollo analítico a seguir puede romper
abajo para potenciales tales como un resultado de las correlaciones de largo alcance que existen.
Echamos un vistazo rápido, una vez más, en la integral de las funciones de autocorrelación.
Debido a las propiedades de las funciones de Bessel, a saber,
∫∞
dr r - norte J norte( r) = n! 2 norte (7,54)
0 (2 norte)! ,
tenemos que
∫∞
c dr 0, norte( r, 0) = L 1 - 2 norte. (7,55)
0
Tiempos de relajación 7.3 Momentum
Como se mencionó anteriormente en esta tesis, una de las formas de caracterizar el movimiento a través
un potencial de azar es el tiempo de relajación impulso. Otro nombre para esto podría
ser el tiempo de correlación impulso-impulso. En esencia, se trata de una medida de lo
el tiempo que tarda una partícula “olvidar” la dirección que estaba viajando inicialmente. Nosotros
hacer que la definición más matemática por de fi nir la función
c (t) = ˆ p (t) · ˆ pag( 0). (7,56)
El promedio de esta función durante muchos trayectorias independientes, < Connecticut) >, es la momentánea
función de correlación tum para el sistema. Tenemos más de fi ne la relajación impulso
hora τ r por
< c (τ r) > = mi - 1 (7,57)
La imagen habitual para esta relajación es el impulso de una potencial con ocasionales
A gran ángulo de dispersión eventos, en lugar de la dispersión de ángulo pequeño continua que
estamos viendo. En ese cuadro, el tiempo que sale es una medida de cuánto tiempo
se puede esperar que una partícula se propague antes de su ff Ering una colisión. En cada colisión, es
supone que la dirección de propagación es aleatorizado. Tomando algo fijo proba-
bilidad de una colisión por unidad de tiempo, un decaimiento exponencial de < Connecticut) > se cae de inmediato.
En los sistemas de flujo ramificado, que en lugar de tener una pérdida gradual de la memoria
de la dirección inicial de propagación. Aquí, sin embargo, podemos aplicar esa ubicua
concepto en los procesos aleatorios, el paseo aleatorio. Vamos a considerar el cambio de la
momento de la partícula como un paseo aleatorio en el espacio de momentos. Dado que la energía es
conserva y el valor medio del potencial es cero, tomaremos nuestro paseo aleatorio
estar en una dimensión: el ángulo del vector de impulso.
Para simplificar, tomamos el ángulo inicial para ser θ ( 0) = 0. Entonces tenemos
c (t) = ˆ p (t) · ˆ pag( 0) (7,58)
= cos [ θ (t) - θ ( 0)] (7,59)
= cos [ θ (t)]. (7,60)
Para aplicar nuestro paseo aleatorio, es necesario discretizar el tiempo de alguna manera. Importa muy
poco cómo lo hacemos; supongamos que tenemos un poco de paso de tiempo τ tiempo suficiente para que
podemos considerar Δ θ yo y Δ θ i + 1 como variables aleatorias independientes. Ellos vendrán
de la misma distribución; no importa lo que los detalles de esta distribución
son, como mucho, ya que tiene media cero. Esta suposición es razonable, dada la falta de
cualquier dirección preferida en nuestros potenciales aleatorios. Dejar que la desviación estándar de la
distribución de Δ θ ser σ 1.
Un resultado bien conocido de la teoría de probabilidades es el teorema del límite central. Afirma
que, por su fi cientemente grande norte, la suma de norte números aleatorios de la misma distribución
irá a una gaussiana. La media de esta Gauss será norte veces la media de la
distribución original, y la desviación estándar serán
σ n = σ 1 norte 1/2. (7,61)
Como nos tomamos nuestra distribución de Δ θ tener media cero, la suma de los cambios también
tienen una media de cero.
A continuación, hacer preguntas sobre la distribución de do n = c (nτ). Tenemos que
∫
1 (2 π) 1/2 σ
< do norte > = dθ cos ( θ) mi - θ 2 / 2 σ 2
norte
(7,62)
norte
= mi - σ 2 norte/ 2
(7,63)
= mi - σ 2 1 norte/ 2. (7,64)
A partir de este resultado, volvemos al caso de tiempo continuo mediante la adopción de n = t / τ,
< Connecticut) > = mi - ( σ 2 1/ 2 τ) t. (7,65)
Al igual que en el caso discreto de gran ángulo de dispersión eventos, esperamos una Expo-
decaimiento nential de la función de correlación impulso-impulso. Esto se muestra en
Figura 7.1 .
Definimos el tiempo de impulso de relajación τ r por
< c (τ r) > = mi - 1 (7,66)
⇒ τ r = 2 τσ - 2 1.
(7,67)
Es de esperar que, de hecho observar, que τ r tiene una dependencia de la fuerza de
el potencial. Para relacionar esto con el formalismo desarrollado anteriormente, es de esperar una
dependencia de σ 1 en la fuerza del potencial. La distribución de Δ θ Es mas

Data at 0.1
exp(-x/160)
0.8 1
Data at 0.2
exp(-x/39)
0.6
<c(t)>
0.4
0.2
- 0,2 0
0 100 200 300 400 500
Time (s)
Figure 7.1: Here we see the decay of the momentum correlation function in our random potentials. The
potentials used have Gaussian auto-correlation with a correlation length of 1. These data were generated using
ten thousand trajectories in each of five realizations of the potential (this number of trajectories was only
necessary to get convergence for the stronger potentials tested). We have shown the computational results,
along with exponential fits, for two different potential strengths. We see excellent agreement between the
calculated momentum correlation function and the fitted exponentials.
directly related to the distribution of gradients in the potential. We do not have direct
access to this distribution function, but we do know that, since differentiation is a
linear function, the standard deviation of the gradient distribution will be linear in the
strength of the potential. We would then expect σ 1 itself to be linear in the strength
of the potential, and τ r to have an inverse square dependence on the strength of the
potential. This also is as observed, shown in Figure 7.2 . Davies arrives at essentially
the same dependence by working explicitly in Fourier space [ 21 ].
In a potential with Bessel function auto-correlation (i.e., our sum of plane waves),
we still see a nearly exponential decay of the momentum correlation function for
any given potential strength. However, the dependence on the potential height is
not as nicely inverse-square as it is when we look at potentials with Gaussian auto-
correlations. In Figure 7.3 , we show the result in this type of potential.

Chapter 7: Ensemble Averages 133
100000
1.25*x**(-2.076)
10000
Momentum Relaxation Time (s)

1000
100
10
1
0.01 0.1 1
Potential Strength
Figure 7.2: Here we see the inverse square dependence of the momentum relaxation time on the strength of
the potential. The data points show the e − 1 times for the momentum correlation functions at various potential
strengths, always using a potential with Gaussian auto-correlation. The line is a fitted function to these points,
where both the power and the coefficient were allowed to vary. We see that the best fit to the points is close to
the predicted inverse square dependence. The data is shown on a log-log scale to make it easier to see the
behavior at all scales.
100000
Data at 0.1 1.25*x**(-2.2)
exp(-x/200)
0.8 1
Data at 0.2 10000
A) exp(-x/45) B)
Momentum Relaxation Time (s)
0.6
1000
<c(t)>
0.4
100
0.2
10
- 0.2 0 1
0 100 200 300 400 500 0.01 0.1 1
Time (s) Potential Strength
Figure 7.3: Here we see the momentum relaxation in a potential generated as the sum of plane waves. In (A),
we see that, at two different values of the potential strength, we have nearly exponential decay of the
momentum correlation function. In (B), however, we see that the potential strength dependence of the
momentum relaxation time is best fit by t − 2.2, noticeably different from the inverse square expected. The failure of
the momentum correlation function to be exponential in time, and the more rapid falloff of the relaxation time,
are presumably the result of longer-range correlations in the potential.
7.4 The Growth of the Exponents
One traditional way to characterize ensemble averages of trajectories is by looking
at the ensemble average of Lyapunov exponent. The usual prediction is that, at long
times, this average will increase linearly with time (or range). In our systems, however,
there are two problems. First, the branched flow structures that we have looked at
are not the long-range behavior. Second, we are more interested in the rarefaction
exponent than the Lyapunov exponent.
In this section, we get predictions for the growth of the ensemble average rar-
efaction and Lyapunov exponents at all time scales. As has been argued before, the
propagation of the stability matrix can be looked at as the product of random matri-
ces. We will exploit that fact in this section, getting predictions based on the behavior
of such matrices and then demonstrating that the full system exhibits the predicted
behavior.
The matrices that we work with are not, of course, completely random. Going
back to the definition of the stability matrix, we we mimic the dynamics by taking
∏i
Mi= DM i (7.68)
j= 1
where
• •
• 1 − τ 2 V ′′ i
τ •
DM i = • • . (7.69)
• •
− τV ′′ i 1
This is not the form that we used in Chapter 6 when deriving the differential equation
for M. Whereas that definition only preserved the unit determinant of M in the limit
τ → 0, this form of DM ensures that we will maintain the unit determinant of M

for any τ . We will take random values of V ′′ i in a uniform distribution of zero mean.
Without loss of generality, we have taken the mass variable to be 1.
7.4.1 Rarefaction
For part of this section, we will find it easier to speak of a “rarefaction coefficient”
r c rather than a rarefaction exponent r. The relationship between the two is simply
r = ln r c.
Let’s look at M 2:
M 2 = DM 2 DM 1 (7.70)
• • • •
• 1 − τ 2 V ′′ 1 τ • • 1 − τ 2 V ′′ 2 τ •
= • • • • (7.71)
• • • •
− τV ′′ 1 1 − τV ′′ 2 1
• •
• − τ 2 V ′′1 + ( 1 − τ 2 V ′′ 1 )( 1 − τ 2 V ′′ 2) τ + τ( 1 − τ 2 V ′′ 2) •
= • • . (7.72)
• •
− τV ′′ 1 − τV ′′ 2( 1 − τ 2 V ′′ 1)
1 − τ 2 V ′′ 2
Now, let’s look only to first order in τ . The remaining terms are
• •
• 1 2τ •
M2= • • . (7.73)
• •
− τ(V ′′ 1 + V ′′ 2) 1
We can correctly extrapolate that, to first order in τ ,
• •
• 1 iτ •
Mi= • • . (7.74)
• •
− τ ∑ ij= 1 V ′′ j
1
From this form of M i, we have a rarefaction coefficient of
r c i = [ 1 + ( iτ) 2]1/2 . (7.75)

For iτ 1, this becomes r c i≈ 1 + ( iτ) 2/ 2, so we have quadratic growth with i. For
iτ 1, r c i ≈ iτ , so for intermediate values we expect a transition from quadratic to
linear growth in i.
For long times, it is not appropriate to use our first-order approximation for M i.
Let us assume that the elements of M i are eventually randomized with some average
magnitude α i. How does α i scale with i? Well,
• • • • • •
• 1 − τ 2 V ′′ i
τ • • ab • • a( 1 − τ 2 V ′′ i)+ cτ b( 1 − τ 2 V ′′ i)+ dτ •
• • • • = •• • . (7.76)
• • • • •
− τV ′′ i 1 cd c − aτV ′′ i
d − bτV ′′ i
The elements of the new matrix are all, to first order in τ , of the form a + cτ . With
〈 a 〉 = 〈 c 〉 = 0 and 〈 a 2 〉 = 〈 c 2 〉 = α 2 i, we have
α i+ 1 = 〈( a + cτ) 2 〉 1/2 (7.77)
= 〈 a 2 + c 2 τ 2 + 2 acτ 〉 1/2 (7.78)
= ( 〈 a 2 〉 + τ 2 〈 c 2 〉 + 2 τ 〈 ac 〉) 1/2 (7.79)
) 1/2
= ( α2 i+ τ2 α2 i
(7.80)
( 1 + τ 2)1/2 .
= αi (7.81)
So we have exponential growth of the elements of the matrix. The expectation for r c i
will itself be linear in α i, so we also see exponential growth in r c i, or linear growth in
r i. These three regimes of rarefaction exponent growth can be seen in Figure 7.4 . For
comparison, in Figure 7.5 we show the results for the random matrix multiplication
used in this development.

1.6 1.6
Data
1.4 Quadratic Fit
1.5
A) 1.2 B)
1.4
exp( <r(t)> )
<r(t)>
0.8 1 1.3
0.6
1.2
0.4
1.1
0.2
0 1
0 0.2 0.4 0.6 0.8 1 0 0.02 0.04 0.06 0.08 0.1
Time (s) Time (s)
Figure 7.4: Here we see the growth of the rarefaction exponent as a function of time in the real system. Though
our predictions for how this should behave were made using random matrix multiplication, those predictions
carry through to the full system. In (A), we see the ensemble averaged rarefaction exponent; it is easy here to
see that, fairly quickly, we get into the regime of linear growth with time. In (B), we show the rarefaction
coefficient (rather than exponent), making it easier to see that quantity’s initial quadratic growth and mid-range
linear growth.
3.5
Data
4.5 5 Quadratic Fit
A) 2.5 3 B)
3.5 4
exp( <r i> )
<r i>
1.5 2
2.5 3
0.5 1 1.5 2
0 1
0 400 800 1200 1600 2000 0 100 200 300 400
Index Index
Figure 7.5: These show the growth of the average rarefaction exponent for random matrix multiplication. Here,
the random matrices were as described in the text, using
τ = . 01 and potential second derivatives distributed uniformly in the range ( − 5, 5). We see the same general
shape as that for the full system. In (A), we show the data far enough to see the linear growth with iteration
index, and in (B) we show the rarefaction coefficient for the early data. The crossover from the regime shown in
(B) to the long-time behavior is dependent on the choice of input parameters.
7.4.2 Lyapunov Exponents
Though we are not primarily interested in the Lyapunov exponent growth, it is
interesting to look at because it is another test of the model used above. The general
argument for the long-term linear growth of the rarefaction exponents still holds,
and we do indeed observe this dependence for Lyapunov exponents. The short-term
growth fits our model well, but shows small deviations from that predicted (and
observed) for the random matrices.
We begin in a way similar to the previous section, with our expression for M i to
order τ ,
• •
• 1 iτ •
Mi= • • . (7.82)
• •
− τ ∑ ij= 1 V ′′ j
1
From this expression, we have eigenvalues λ ± satisfying the equation
∑i
( λ ± − 1) 2 + iτ 2 V j′′= 0. (7.83)
j= 1
To simplify the notation, let S i = ∑ ij= 1 V ′′ j. Solving this equation for the eigenvalues
λ ±, we have
λ ± = 1 ± i 1/2 τ( − S i) 1/2. (7.84)
We take the potential terms to come from a uniform distribution of zero mean.
By the central limit theorem, we know that S i will go to a Gaussian distribution with
zero mean and standard deviation proportional to i 1/2. Now, what happens if S i > 0?
Then we have a complex λ ±, which means a Lyapunov exponent of 0. Hence, for any
value with S i > 0, we might as well let λ ± = 1. Half of the time, we have S i < 0,
which are the only remaining interesting cases. We note that
∫0
1 (2 π) 1/2 σe − S 2/ 2 σ 2 ≈ 0.411 σ 1/2 ∝ i 1/4.
(7.85)
−∞ dS ( − S) 1/2
Putting these into our expression for λ+, we expect
λ+ = 1 + τO(i 3/4). (7.86)
Finally, for the Lyapunov exponent, we note that
h+ = ln λ+ (7.87)
= ln[1 + τO(i 3/4)] (7.88)
≈ τO(i 3/4). (7.89)
So, at short times, we expect the Lyapunov exponent to grow as i 3/4.
As shown in Figure 7.6 , the full simulations deviate somewhat from this predic-
tion for the earliest times. The 3/4 power law is still, however, a decent first-order
description of the short-time behavior. The results for random matrix multiplication,
shown in Figure 7.7 , follow this power law somewhat more closely. In both systems,
we see the linear growth of Lyapunov exponent at long times.
7.5 Long Range Distributions
The analysis of stability matrix evolution gave us access to the functional form of
the growth of the means. It can also tell us something about the long-time distribu-
tions of variables.
Multiplication of random matrices, such as those used above, is amenable to an
application of the same central-limit theorem already employed for momentum

1.8 3.5
Data
1.6 3/4 Power Law Fit
1.4
A) B)
1.2
2.5 3
exp( <h+(t)> )
<h+(t)>
0.8 1
0.6
0.4 1.5 2
0.2
0 1
0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Time (s) Time (s)
Figure 7.6: Here we see the growth of the Lyapunov exponent as a function of time in the real system. In (A),
we see the ensemble averaged Lyapunov exponent, which goes to linear growth with time even sooner than
the rarefaction exponent did. In (B), we show the corresponding eigenvalue (i.e., e h+) making it easier to see the
initial behavior. Included is a fit curve showing t 3/4 growth. The agreement is fairly good, though the very
beginning of the data seems to have closer to linear dependence.
1.8
Data
1.6 3/4 Power Law Fit
1.4
A) B) 2.5 3
1.2
exp( <h+ i> )
<h+ i>
0.8 1
0.6
1.5 2
0.4
0.2
0 1
0 200 400 600 800 1000 1200 0 200 400 600 800
Index Index
Figure 7.7: These plots show the growth of the average Lyapunov exponent for random matrix multiplication, as
described in the text. The features are clearly the same as those for the full system. In (A), we show iterations
far enough to establish the long-time linear growth. In (B), we focus on the initial behavior of e h+. Though the
agreement with the 3/4 power law predicted isn’t exact, the very early agreement seems better than that for the
full system.
relaxation. Theory predicts that the elements of the stability matrices should have
a log-normal distribution for sufficiently long times; that is, the logs of the elements
should have normal distributions.
As the elements of the stability matrix go to a log-normal distribution, so will
simple functions of those elements: notably, the trace and the rarefaction coefficient,
in which we are interested. When the mean of the distribution for the trace has grown
sufficiently, we can reasonably make the approximation that the Lyapunov exponent
is just the log of the trace, so that quantity would have a normal distribution. Let
us make the argument for a log-normal distribution in terms of the absolute value
of the trace of the stability matrix, and keep in mind that what we’re saying could
also be applied to the rarefaction coefficient or the elements of the stability matrix
themselves.
Why should the elements of the stability matrix, and its trace, have log-normal
distributions? Consider again the history of the stability matrix for a trajectory.
We again divide this history into independent pieces, so that we can consider the
stability matrix to be the product of uncorrelated random matrices. The elements of
the matrix resulting from such a product are themselves products of random numbers
taken from some distribution. The trace, a simple function of these elements, inherits
the property as well. The logarithm of the trace is then a sum of the logarithms of
random numbers. The logarithm of a random number is itself a random number;
the central limit theorem doesn’t care what the actual distribution for the random
number is. Thus, the central limit theorem predicts that, as the number of terms in
the series increases, the distribution of ln |Tr( M)| will tend to a normal distribution;
0.4 0.18 0.12

t=10 t=50 t=150
0.35 Gaussian fit 0.16 Gaussian fit Gaussian fit
0.1
0.3 0.14
0.12 0.08
0.25
0.1
Histogram
Histogram
Histogram
0.2 0.06
0.08
0.15
0.06 0.04
0.1 0.04
0.02
0.05 0.02
0 0 0
-6 -4 -20 2 4 6 8 -5 0 5 10 15 20 0 5 10 15 20 25 30 35 40
ln[Tr(M)] Data at ln[Tr(M)] Data at ln[Tr(M)] Data at
Figure 7.8: Here we see the distribution of ln [Tr( M( t))] for classical trajectories with m = 1 and E = 1 in a potential
with correlation length 1 and feature height
. 1. We take the data at three times, t = 10, 50, and 150 from left to right. We see that, even at short times, the
distribution is approximately log-normal, and that the agreement with this form improves as time progresses.
| Tr(M)| thus has a log-normal distribution by definition.
A study of the distributions for various quantities for our classical trajectories
bear out this prediction of log-normal behavior. Though it is explicitly a long-time
prediction, we can see the log-normal distributions forming at times short enough to
be relevant to our branching phenomenon. A few examples are shown in Figure 7.8 .
Though our disordered potential is stronger than that generally considered by
theory, some predictions from the weak-disorder cases carry through to our parameter
regime. For our potential with Gaussian correlations, we find the prediction [ 40 , 42 ]
〈 ln | Tr( M)| 〉
ν0= (7.90)
r
νν̄ = ln ( 〈| Tr( M)| 2 〉) (7.91)

2r
ν − ν0
σ ν2 = ¯ . (7.92)
r
Here, r is the range coordinate and we can take it as being approximately proportional
to time by r ≈ ( 2 E/m) 1/2 t. We find ν L and ν ′ from our data, and compare the
predicted variance with that observed. For ranges of up to approximately 150

correlation lengths with potential features at .1 E F , we find agreement with this theory
to within ∼ 10%. Though the distribution of Tr( M) becomes increasingly log-normal
for longer ranges, the agreement with this theory actually worsens; this is presumably
the result of the potential features being so strong.
For weak disorder, we also find in [ 40 ] the prediction
∫∞ 〈∂2 U(z; r − ξ) ∣∣∣∣∣ z=z 0, p=p 0 ∣∣∣∣∣ z=z 0, p=p 0 〉•• 1/3
∂ 2 U(z; r) ∂z 2
ν ′ ≈ •• 1 dξ (7.93)
2 0 ∂z 2
where ν ′ provides an upper bound for lim r →∞ ν 0. In our terms, this translates to
∫∞ ) 1/3
ν′≈ ( 1 dr c 0,2( r, 0) . (7.94)

2 σ2 0
For a potential with Gaussian correlations,
ν ′ ≈ ( 3 σ 2 π 1/2)1/3 L − 1. (7.95)
Out to our ranges of about 150 correlation lengths, this ν ′ upper bound is about a
factor of two larger than the numerical ν 0. This factor is in accordance with results
quoted in [ 40 ].
Chapter 8
Classical Branched Flow
We have already introduced the branched nature of electron flow seen experi-
mentally in 2DEG devices, and have shown that the full quantum-mechanical results
exhibit the same phenomenon. There are so many places in physics where we find a
strong correlation between classical and quantum behaviors that it should not come
as a surprise that the branching appears in classical calculations as well. In Figure 8.1 ,
we see an example of quantum and classical flux through the same potential.
As set out in Chapters 6 and 7 , there are tools of analysis available in classical
mechanics that are not available in quantummechanics. We have already explored the
expected ensemble-averaged behavior; at this point, we turn to the more interesting
behavior in individual realizations of the random potentials.
What will we gain in this discussion? First of all, it opens up for us the language of
individual trajectories in describing the behavior of the flow. Needless to say, particle
trajectories are closer to our daily intuition than is wave mechanics. Second, we
can use the stability matrix analysis already introduced to study the formation and
144
Chapter 8: Classical Branched Flow 145
Figure 8.1: Here we see an example of quantum- and classical-mechanical flux

calculations, carried out in the same potential. In both cases, a QPC determines the shape of the manifold sent
into the random background potential. The agreement between the two calculations is not perfect, but it is
sufficiently good to conclude that branching is largely a classical phenomenon. Though this is our motivation,
we will generally not make direct comparisons between classical and quantum solutions in the same potentials.
persistence of branches. Third, it is simple to study the branching as a phenomenon in
four-dimensional phase space rather than merely two-dimensional coordinate space.
The structures seen in phase space further illuminate the underlying behavior.
8.1 Physical Systems
The characteristics that we have described for our random potentials are found
in nature, and not only in the 2DEG electron propagation problem. Recent work
on the propagation of sound waves through the ocean has used a similar potential,
and the beginnings of structures very like our branches have been reported [ 40 ].
Similarly, work on gravitational micro-lensing has seen evidence of such structure on
a significantly larger length scale [ 43 ].
We believe that one reason that these structures haven’t been studied in the past
is that it requires one to look beyond the statistical properties of trajectories in the
potential. Those statistical properties are as expected, as we saw in Chapter 7 . The
branching phenomenon is seen as a result of choosing not only a single potential from
the ensemble, but also choosing a special initial manifold (i.e., one-dimensional) of
trajectories. One then must look at the full coordinate space history of the propagated
ensemble.
8.2 Manifolds
For the quantum-mechanical flux calculations, we studied the propagation of elec-
trons through the 2DEG potential after they had passed through a point contact. The
effect of this point contact was to turn the incident plane wave into something more
like a p-wave: the electrons flowing out into the 2DEG originated from approximately
the same place, but with a distribution of angles and a node along a wall.
In the classical system, we have more freedom in determining how we send elec-
trons through the system. Whatever we do, we need to choose some initial “manifold,”
or collection, of trajectories to launch at the system. We should not expect that our
results will necessarily be independent of this choice. To more closely simulate the
quantum-mechanical experiments, we could launch trajectories that initially fill phase
space (all positions, all angles) and let them pass through a point contact (as we have
done in Figure 8.1 ). The QPC would have the effect of forming a new manifold, with
trajectories close to one another in space but still with a distribution of angles. Al-
ternatively, we could dispense with the QPC and form this vertical manifold in phase
space ourselves.
The latter approach is the one that we will generally take, though whenever direct
comparisons are made between classical and quantum flow through the same potential
we would use the former. The theory used to deal with the classical manifold is clearer
if it is truly one-dimensional in phase space, which we would never achieve using the
QPC method.
Note that the classical mechanics opens up other possibilities as well. We can
orient our one-dimensional manifold any way that we wish, relative to the phase-space
axes. If we were to consider higher-dimensional systems, three spatial dimensions and
up, we would have additional, more interesting choices to make. With two spatial
dimensions, our only option, if we wish to see interesting evolution of the manifold,
is to use a one-dimensional manifold. If we have three spatial dimensions, we can
consider not only lines of trajectories, but variously oriented sheets as well. The
behaviors that might be seen in such systems have not yet been explored.
8.3 Dimensionless Parameters
Two quantities in our system highlight the fundamentally independent parameters
that we can vary for our ensemble of potentials, and are important as we consider the
branched flow. First, we normalize all energies by the energy of the particles that we
are sending though the system. Hence the value V (x, y) of the potential at a point in
space gives us the height relative to the energy of our particle. Only this ratio, and
not any independent energy scale, is important for the nature of our branches.
Second, we can measure the length scale of our branches in units of the correlation
length of the potential. It is a simple but not well-known result that the spatial re-
scaling of the potential, while keeping the height of the potential the same and the
energy of the particles the same, results in nothing more than a re-scaling of the
classical trajectories through the system. It is worth going through this result below;
we will, at the same time, show the energy-scaling result.
Let our potential be given by V (x, y), and take initial conditions x( 0), y( 0), p x( 0),
and p y( 0). Suppose that the solution is the trajectory given by x(t), y(t), p x( t), and
p y( t). Now consider the same potential stretched spatially by the factor α, and scaled
in energy by a factor µ 2. That is, we have V ′( x, y) = µ 2 V (x/α, y/α). We now consider
initial conditions scaled by the same amounts: x ′( 0) = αx( 0), p ′ x( 0) = µp x( 0), and
similarly for the y components.

The solution to the equations of motion in this scaled potential with these initial
conditions is x ′( τ) = αx(t) and p ′ x( τ) = µp x( t) with τ ≡ αt/µ, and again similarly for
the y components. We demonstrate this by beginning with the equations of motion
for the scaled system and find that
∂ τ x ′( τ) = 1 (8.1)
mp ′ x( τ)
∂ τ [ αx(t)] = 1 (8.2)
mµp x( t)
α(∂ τ t)∂ t x(t) = 1 (8.3)

mµp x( t)
α(µ/α)∂ t x(t) = 1 (8.4)

mµp x( t)
∂ t x(t) = 1 (8.5)
mp x( t)
which is the equation of motion for the original system and, by our assumptions, we
know it to be satisfied. For the momentum, we have
∂ τ p ′ x( τ) = − ∂ x ′( τ) V ′ ( x ′( τ), y ′( τ)) (8.6)
∂ τ [ µp x( t)] = − ∂ αx(t) V ′ ( αx(t), αy(t)) (8.7)
∂ τ [ µp x( t)] = − ∂ αx(t) µ 2 V (x(t), y(t)) (8.8)
µ(µ/α)∂ t p x( t) = − α − 1 ∂ x(t) µ 2 V (x(t), y(t)) (8.9)
∂ t p x( t) = − ∂ x(t) V (x(t), y(t)) (8.10)
which again is known to be true based on our assumptions.
Clearly, we have performed a time scaling as well as the energy and spatial scal-
ings. To study the branched flow, however, we are interested in the time-independent
coordinate-space projection of the trajectories. Hence we aren’t sensitive to the
changes in time scale introduced in the formal manipulations above.

8.4 Branch Characteristics
Observing and describing the branched flow is only the first step toward under-
standing it. We also seek a way to describe the formation of these branches, and how
to distinguish the regions of phase space where we find branches from those where we
do not.
8.4.1 Branch Stability Analysis
Going beyond the statistical measures in Chapter 7 , we would like to look at what
is happening with trajectories in our systems. Can we characterize those that end up
in branches, differentiating them from those that do not?
As argued in Chapter 6 , the Lyapunov exponent measure of stability is not par-
ticularly meaningful in these open systems without periodic trajectories. We can now
make a direct comparison between the Lyapunov exponent measure of stability and
the more specialized notion of the rarefaction exponent.
Using the standard Lyapunov exponent measure of stability, shown in Figure 8.2 ,
we see that the trajectories in our branches go through periods of stability and in-
stability. Here we understand “stability” to mean that the Lyapunov exponents go
to zero. The branches do not, however, remain stable for even a majority of their
histories, nor do the branches represent the only regions with such stability. Hence
this measure of stability is a poor descriptive tool for the branching phenomenon.
If we use our rarefaction exponent notion of stability, we find a more useful mea-
sure. Here we see a strong correspondence between branches and stability, shown in
Figure 8.3 . The branches represent not only the least unstable regions of the flow, but
0 > 2.32
0 > 2.32
Figure 8.2: Here we see the flux through a potential and the corresponding Lyapunov exponent measure of
stability. The top figure shows the flux density in greyscale. We note that the areas of low Lyapunov exponent
(green and yellow) have poor correlation to branch locations. We see areas of high flux with high Lyapunov
exponent, and areas of low flux with low Lyapunov exponent. At each point of coordinate space, we have
shown the stability of the most stable trajectory passing through that point. Higher values in the data have been
clipped to show more detail in this range. In the bottom image, we combine both sets of information, with color
determined by Lyapunov exponent and intensity determined by flux density. This representation makes it easy
to see that the long-range, strong branches pass in and out of areas of low Lyapunov exponent.
in fact the strongest branches remain stable, with negative rarefaction exponents. The
weaker branches are not stable in this global sense, but do represent areas of relative
local stability. We see no regions of phase space that are local minima of rarefaction
exponents that do not form branches.
8.4.2 Intensity Distribution
Though one has a strong qualitative feel for the branched nature of the flux, there
is a certain difficulty in characterizing it quantitatively. One way to do so is to look
at the distribution of intensities in the flux as a function of the distance from the
launching point. We do this by taking a one-dimensional slice of the flux data at a
fixed radius and applying the appropriate analysis. Qualitatively, what we see in this
slice is that most of space has very little flux, and some regions (where branches pass
through our slice) have very high flux. Fixing a radius and aggregating flux data
from many different potentials in the ensemble, we see an approximately log-normal
distribution of intensities, as shown in Figure 8.4 .
This intensity distribution is theoretically predicted, given some reasonable as-
sumptions about the behavior of the system. We return for a moment to our rar-
efaction measure described above. Let us first take a radial slice and ask about the
distribution of rarefaction coefficients (recall that the rarefaction exponent and coef-
ficient are related by r = ln r c). The arguments laid forth in § 7.5 for the log-normal
distribution of |Tr( M)| apply here as well. Our rarefaction coefficient is merely the
length of the vector M · ˆ d, and the log-normal distribution of the elements of M
give us a log-normal distribution of | M · ˆ d|. This can easily be verified with random
− 1.34 > 4.1
− 1.34 > 4.1
Figure 8.3: Here we see the flux through a potential and the corresponding rarefaction exponent measure of
stability for the same system as shown in Figure 8.2 . The top figure shows the flux density in greyscale. The
middle figure shows the rarefaction exponent for the same flow. We note that the areas of low rarefaction
exponent (green and yellow) have a strong correlation to areas of high flux density, as contrasted to the
behavior of the Lyapunov exponents. Higher values in the data have been clipped to show more detail in this
range. In the bottom image, we combine both sets of information, with color determined by rarefaction and
intensity determined by flux density.
0.4
Data
Gaussian fit
0.35
0.3
0.25
Histogram
0.2
0.15
0.1
0.05
0
-4 -2 0 2 4 6 8 10
Log Intensity
Figure 8.4: This figure shows the distribution of intensities in our classical branched flow. The data are taken
from trajectories run in two hundred different realizations of the random potential, looking at the intensities at a
fixed radius. The random potential height was .1 E F , and the slice was taken at a radius of fifty correlation
lengths. What is plotted is the histogram of the logarithms of the intensities, and a Gaussian fit. Were the
distribution of intensities truly log-normal, the plotted histogram would itself be normal. Though the bulk of the
data clearly fits a Gaussian, we have notable deviation from log-normal starting at about 2 σ left of the mean.
The Gaussian fit isn’t perfect, but at least points in the direction of an emerging log-normal intensity distribution.
The quality of this fit improves with radius.
matrices, and is not peculiar to our choice of ˆ d or the dynamics that generate M.
We now need to connect the distribution of rarefaction coefficients to the observed
distribution of intensities. Let r c be the rarefaction coefficient of a trajectory at our
chosen distance, and let p(r c) be the (log-normal) probability distribution of r c. If
we let the density of trajectories in our initial manifold be unity, then the density
in the neighborhood of our reference trajectory is now ( r c) − 1 by the definition of r c.
We will assume that trajectories sufficiently close to one another will have similar
rarefactions, so that whereas p(r c) gives the probability distribution of r c in terms
of trajectories, r c p(r c) gives the distribution in terms of spatial locations (that is,
we have divided by the trajectory density). Finally, the intensity i at a location
in space is directly proportional to the density of trajectories at that point, and
therefore inversely proportional to r c. Hence the probability distribution of i is given
by i − 1 p(i − 1). Given the log-normal form of p, this is itself log-normal. 1
8.4.3 Length Scales
Though a spatial re-scaling of our potential does change the length scale of the
features that we see in the flow, we saw that it does so in a trivial fashion. We are
left, then, with the task of observing the changes to the flow when we change the
ratio of the energy of our particles to the height of the features in the potential.
The qualitative changes are not surprising. The flow is seen to form branches more
quickly the stronger we make the potential. Stronger potentials cause larger-angle
scattering events, so the spreading trajectories are noticeably perturbed more quickly.
1 A useful, but occasionally annoying, property of the log-normal distribution is it’s robustness to taking powers of the random
variable.
We have looked for a quantitative measure of this change, and find the most useful to
be the distance to a self-intersection, or conjugate, point. This concept comes from
semi-classical physics and the tracking of Maslov indices [ 44 ].
A self-intersection point is defined as a point where a trajectory and an infinites-
imally displaced neighbor will cross one another. We again only concern ourselves
with displacements that are along the initial distribution. We find that, with such
a definition, the self-intersection points correspond closely to macroscopic foci. We
find the self-intersection points by looking for a zero of the quantity
( − p y( t), p x( t), 0, 0) · M( t) · ˆ d. (8.11)
The vector on the right is an initial displacement along the distribution, and the
vector on the left is one perpendicular to the direction of propagation for the particle
at time t. When this quantity goes to zero, a trajectory has intersected a neighboring
trajectory infinitesimally displaced along the initial distribution. 2
Let us immediately specialize to the case where ˆ d lies entirely in the momentum
subspace, corresponding to trajectories starting from the same point but with different
momenta. With ˆ d specified, the shortest distance to a self-intersection point is a
property of the random potential rather than of any specific manifold, since all starting
positions and directions are equivalent.
Let us take l as the correlation length of our potential, d as the shortest path
length to a self-intersection point, and / E as the feature height in the potential
divided by the energy of the particles in our manifold. We are after a relationship
between the dimensionless quantities d/l and / E. We can find one analytically in
2 If you don’t immediately see this, it shouldn’t be difficult to convince yourself with pen and paper. Consider what it means for this
quantity to change sign.

the limit / E → 0, though we will see that result still applies in our regime of interest
( / E ∼ . 1).
We will begin by working in terms of a time τ to a self-intersection, rather than
path length d, since time is the fundamentally independent parameter. For weak
potentials, however, we can accurately approximate d ≈ τ( 2 E/m) 1/2. The theory
that we are about to work through is not difficult, but we need to take care to not
lose important terms.
Let us take, without loss of generality, y as the direction transverse to the prop-
agation of the trajectory. When the slope dy/dp y of the manifold is zero, we are at
a self-intersection. Considering the inverse, we want dp y/ dy to go to ±∞. At time
t = 0, we have dp y/ dy = ∞. If we can find the time for dp y/ dy to go from ∞ to zero,
it should be roughly half the time scale for it to go from ∞ to −∞. This is the time
scale for which we solve. 3
In the limit / E → 0, the dynamics are dominated by shearing. Hence we can
take, to first order,
dy
(8.12)
dt = p y( t) m
≈ p y( 0) (8.13)
m
y(t) ≈ p y( t) t (8.14)
m
dy
(8.15)
dp y( 0) ≈ t m
dp y( 0)
(8.16)
dy ≈ m t
3 To see that this is the appropriate time scale to find, consider what happens to the manifold to form a caustic.
We then have that
dp y
(8.17)
dt = − ∂ y V (~x(t))
p y( t) = p y( 0) − ∫ t dt ′ ∂ y V (~x(t ′)) (8.18)

0
[∫ t ]
dp y( t)
dt ′ ∂ y V (~x(t ′)) (8.19)
dy = dp y( 0) dy − ∂ y 0
dp y( t)
dt ′ ∂ yy V (~x(t ′)) (8.20)
dy = dp y( 0) dy − ∫ t 0
dp y( t)
dt ′ ∂ yy V (~x(t ′)) (8.21)
dy ≈ m t−∫t 0
Let us consider the integral. In our limit, the trajectory will propagate over
many correlation lengths of the potential, which we can consider it to be a series of
uncorrelated events. With l as the correlation length of the potential, the time for
the particle to cover a correlation length is t 1 = l/( 2 E/m) 1/2. We then propagate
over N = t/t 1 correlation lengths, and approximate the integral as a sum over these
independent pieces:
∫t
∑
dt ′ ∂ yy V (~x(t ′)) ≈ N t 1 ( ∂ yy V ) i . (8.22)
0
i= 1
We now need to consider these ( ∂ yy V ) i terms. As we will now argue, they are given
by ( ∂ yy V ) i = r i/ l 2, where the r i are random numbers with zero mean and standard
deviation σ r. The is obvious, since differentiation is a linear operation. The l
dependence comes in from the second derivative and the fact that l sets the length
scale in the potential. Other constants of proportionality go into σ r. One can verify
that the units are correct. By the central limit theorem, as N →∞,
∫t
dt ′ ∂ yy V (~x(t ′)) ≈ t 1 N 1/2 σ r (8.23)
0 l2
1 σr
= t 1/2 t 1/2 (8.24)
l2
(m ) 1/4
= t 1/2 σ r (8.25)
l 3/2 2E
where we have approximated the integral by the standard deviation of the sum,
which is the appropriate place in the distribution to look for our first self-intersection.
Plugging this result into Eq. 8.21 and setting dp y/ dy = 0 at the time τ , we have
(m ) 0
m 1/4 =
(8.26)
τ − τ 1/2 σ lr 3/2 2E
( 1 2 Em 3 ) 1/4
τ − 3/2 = σ r (8.27)
l 3/2
(E3 ) 1/4
σr
τ − 3/2 = E (8.28)
l 3/2 2 m3
( ) − 2/3 l (2 m3 ) 1/6
τ= . (8.29)
E E 3 σ 4r
The essential piece of this result is the ( / E) − 2/3 dependence. The additional energy
dependence is merely a result of the time scaling already noted in § 8.3 . The result is
perhaps clearer when we write the distance d = τ( 2 E/m) 1/2,
( 2E ) 1/2 ( ) − 2/3 l (2 m3 ) 1/6
d= (8.30)
m E E 3 σ 4r
( ) − 2/3 ( 2 ) 2/3
d
. (8.31)
l= E σr
With this result in hand, we now turn to numerics to test it. Again, we most
directly look at τ(•), time being the independent parameter. Fixing E, however, we
are clearly probing the same relationship as that for d. In Figure 8.5 , we see results in
the range / E ∈ ( 0, .2) and a numerical fit to the data. The − 2/3 power law succeeds
to much higher values of / E than we had a right to expect.

70
0.70126*x**(-0.65629)
60 Numerical data
50
40
τ
30
20
10
0
0 0.04 0.08 0.12 0.16 0.2
ε /E
Figure 8.5: In this figure, we see the values of τ , the minimum time to a self-
intersection event, as a function of potential strength / E. The fit is performed numerically, and has an exponent
of −. 656, very close to the predicted − 2/3. Because the function is changing more rapidly for small / E, we have
taken more points in that region.
8.4.4 Phase Space Structures
The branches that we see in coordinate space are, of course, merely projections
of structures in phase space. For example, as noted in § 8.4.1 , when we look at the
stability of branches we only see the stability of one trajectory through each point.
The evolution of these structures can provide some insight into the formation and
persistence of these branches.
To see the structures in phase space, we use the method known as the surface of
section, though we do so in a somewhat non-standard fashion. The usual case is to
study a system with an energy hyper-surface (that is, the surface in phase space to
which energy conservation restricts our trajectories) that is bounded in coordinate
space. One then defines a single surface of section and looks at successive intersections
of trajectories with this surface [ 37 ]. In our system, there is no spatial bound on the
trajectories and we are not looking for periodic behavior. We define instead a series of
surfaces of section at equally spaced intervals, and look at intersections of trajectories
with these surfaces. In some sense, we take surface number as a discretized time
coordinate.
We use the rarefaction information that we are already collecting to color the
phase space slices, allowing us to compare the structures with the stabilities. At the
same time, we track the coordinate space projection of the phase space information,
so that we can further correlate structures and stabilities to branches.
Looking at the full information in phase space, the best correlation to branch
location still appears to be rarefaction exponent. We see, however, an unanticipated
correlation between areas of low rarefaction and turning points in the manifold; this
notion is developed further in Chapter 9 . For the strong, persistent branches, we
see stable “kinks” in the phase space distribution forming on a length scale small
compared to the correlation length of the potential. These knots then contain locally
high densities of trajectories, and are unlikely to be broken up by the action of the
potential until they have spent much time shearing. The regions of phase space
that do not project to branches do contain complex structures, including the cusp
catastrophes characteristic of focusing. These structures are, however, sufficiently
sparsely populated that they do not produce globally significant flux in coordinate
space. See Figure 8.6 for an example of the phenomena mentioned here.
8.5 Branch Management
In the rarefaction exponent, we have a measure that seems to correlate to the
location of branches. We would like to show that, in addition to being descriptive,

Figure 8.6: In this figure, we see the information that is available to us in the
full phase space. At the top, we see the usual picture of branched flow, colored by rarefaction exponent. At the
bottom, we have five surface of section images taken from evenly spaced points along the image. In this
sequence, color is determined by rarefaction exponent and, in the bar at the bottom, we show the
coordinate-space projections. We note first that the regions of high density in coordinate space correlate well to
low rarefaction exponent, as noted before. We also see that the regions of low rarefaction exponent tend to
correlate to the vertical parts of the manifold. Finally, we see that the strong branch going to the right of the top
image is the projection of a small kink in the manifold.
there is a useful predictive power to the rarefaction exponent. The stability matrix
for a trajectory is independent of the initial manifold, but the rarefaction exponent
isn’t; we can thus manufacture a manifold that will minimize the rarefaction exponent
for a given trajectory. If we are correct about this measure, the resulting flow should
have a branch along that trajectory.
We begin by generating a potential, running a single trajectory, and finding ~ x(t)
and M( t). We then select some time τ . If we had complete freedom in the orientation
of the initial manifold, we would find the eigenvectors of M( τ) and align the manifold
along the eigenvector with the smallest eigenvalue. We do not, however, have complete
freedom. We clearly restrict ourselves to creating an initial manifold that lies within
the energy hyper-surface. Additionally, we choose to restrict ourselves to points that
lie in a given surface of section.
To deal with our restriction to a subspace of the full phase space, we choose
vectors {ˆ v i} that span the subspace. We then find the “reduced” stability matrix
M ′( t), where
M ′( t) ij = ˆ v i · M( t) · ˆ v j. (8.32)
We can then find the eigenvectors of M ′( τ) and choose an initial manifold in the
full phase space that lies along the eigenvector with the smallest eigenvalue. Because
of expansion or compression along the directions orthogonal to our subspace, the
eigenvalue of M ′( τ) will not give the rarefaction exponent for this trajectory with this
manifold. This selection of manifold does, however, give us the minimum rarefaction
exponent possible with our restrictions.
In practice, there are reasons that this prescription may not work as expected.
Since the rarefaction exponent of a trajectory is a function of time, we are only assured
of a small rarefaction exponent at the selected time τ ; we know nothing about the rest
of the history of the trajectory. What we may see is a trajectory with a focus at time
τ but no nearby trajectories for t 6= τ . It may also be the case that the rarefaction
exponent for some time t < τ is sufficiently positive that the nearby trajectories leave
the region of linear dynamics. These problems, of course, compound as τ grows.
Despite these problems, numerical experiments have shown good results using this
method. In Figure 8.7 , we see representative results.
At the moment, this control method is merely an interesting theoretical result,
adding credence to our belief that rarefaction is a good tool for describing branches.
It has not been turned into an experimental control method, and I don’t see any
obvious way to achieve this kind of manifold control in the context of 2DEGs. Were
it possible to do so, the ability to direct a branch to a desired location, with the
consequent increase in signal strength over the mean, might find practical application.
A)
B)
C)
Figure 8.7: Here we see the construction of a manifold to put a branch along a given trajectory. In (A), we see
flux over a random potential. The initial manifold is our usual case of trajectories coming from a single point with
a distribution of angles. In (B), we have isolated a trajectory from the manifold in (A) that clearly doesn’t lie in a
branch. In (C), we show the flux with an initial manifold rotated from that in (A), selected so as to minimize the
rarefaction exponent of the trajectory in (B). We see that the result is a strong branch along the selected
trajectory.
Chapter 9
One-Dimensional Maps
In moving from quantum-mechanical to classical calculations, we stepped away
from the original system of interest but gained some analytical tools. We can take an-
other step by moving from the two-dimensional classical dynamics to a one-dimensional
mapping system. Though we find that not all of the properties seen in the two-
dimensional dynamics carry over to the one-dimensional map, we can take advantage
of additional analysis tools in the one-dimensional system. In this chapter, we explore
some of what we can learn from the mapping system.
The primary advantage of the one-dimensional mapping systems is speed. One
can calculate the evolution of many more trajectories in such a system, and therefore
get better statistical information in shorter periods of time. Additionally, the tools
that we used to look at the evolution of phase-space structures classically are simpler
to apply for mapping systems. Though we note them here, we will not be using
these advantages in this thesis. In this chapter, we begin by laying out the method
for converting the two-dimensional system to a one-dimensional mapping system.
166
Chapter 9: One-Dimensional Maps 167
We then note some differences that crop up between this system and the original.
Finally, we extract an analytical result to back up observations made in phase space
in Chapter 8 .
9.1 Mapping Equations
We must begin by laying out the equations that we will use for our one-dimensional
mapping system. There are two fundamental differences from the full two-dimensional
dynamics. First, we explicitly move from differential equations with a continuous time
variable to a system of discrete time steps. Second, to mimic the two-dimensional
propagation, we will have a changing (i.e., time-dependent) potential in our map. By
creating a system with a time-dependent potential, we give up energy conservation.
In writing our one-dimensional equations of motion, we cannot use the simplest
form of Newton’s equations, out of a concern for area preservation in phase space.
Though we are giving up many other properties, area preservation is a sufficiently
important one that we will make some efforts to retain it. Thinking back to Chapter 6 ,
recall that area preservation is reflected in the determinant of M remaining 1. In the
derivation of the differential equations for M, we at one point utilized discrete time
to find a matrix DM( t+τ, t) in terms of which M( t+τ) = DM( t+τ, t) M( t). Taking
τ → 0 led us to the differential equations.
Now, rather than taking the limit τ → 0, we are stuck with a finite τ between
steps of the map. For the simplest set of one-dimensional equations, we had
• •
• 1 τm − 1 •
DM( t + τ, t) = • • . (9.1)
• •
− τV qq( t, q(t)) 1
If we use this form for finite τ , det( DM) 6= 1. We can solve this with an additional
term in the upper left-hand corner of the matrix; there are several ways to arrive at
this term, but let’s just see what it needs to be and then interpret the results. If we
take
• •
• 1 − τ 2 m − 1 V qq τm − 1 •
DM( t + τ, t) = • • (9.2)
• •
− τV qq 1
we have the desired result. Translating this matrix back into equations of motion, we
have that
p(t + τ) = p(t) − τV q( q(t)) (9.3)
q(t + τ) = q(t) + τm − 1 p(t) − τ 2 m − 1 V q( q(t)) (9.4)
which can be re-written as
p(t + τ) = p(t) − τV q( q(t)) (9.5)
q(t + τ) = q(t) + τm − 1 p(t + τ). (9.6)
We get exact area preservation for any τ if we use these modified equations. The
modification only requires that we update the momentum first, then use the new
momentum value to update the position. Clearly, there are other ways that we
could have achieved area preservation, but this method results in the most sensible
alteration to our equations of motion.
As mentioned earlier, our mapping system is explicitly one of discrete time steps,
so we can eliminate the “time” coordinate entirely in favor of a step index. At this
point, we also need to make our potential explicitly step-dependent. Thus we arrive
at
p i+ 1 = p i − τ∂ q V i( q i) (9.7)
q i+ 1 = q i + τm − 1 p i+ 1. (9.8)
9.2 Mapping Potentials
The mapping system gives us even more flexibility in determining the potential.
Let us first explore the version most closely related to the two-dimensional dynamics
already studied. Let V (x, y) be a two-dimensional potential that we might use in the
full dynamics. We can now take slices of this potential at discrete steps in x, letting
V i( q) = V (i ∆ x, q). The choice of step size ∆ x can be related to our choice of time
step τ in the mapping system. Though we cannot preserve energy in the mapping
system, we can at least start with the trajectory energies near some value E. We can
then take
( 2E ) 1/2
∆x
. (9.9)
τ=v= m
One clear step that we could take away from the full classical system is to abandon
this choice of ∆ x. By varying the value used, we can change the amount of correlation
between the potential at one step and the next.
There is also no reason that we need to choose the potential so closely related
to that of an actual two-dimensional system. To go to the other extreme, we could
generate new random one-dimensional potentials from some ensemble at each time
step. If we want to maintain some degree of correlation between potentials at each

step, we can “mix in” a new random potential at each step with some mixing factor
to determine the degree of correlation.
For the most part, we will use potentials generated by taking slices of an actual
two-dimensional potential. One should note that this is a logical extension of work
done with the two-dimensional dynamics where we looked at successive surfaces of
section.
9.3 Branches in Mapping Systems
The branched flow has proven so robust to date, it should come as no surprise that
is persists when we move to a one-dimensional mapping system. It does so in any
kind of potential that we use, both those that come from slices of two-dimensional
potentials and those that are generated as one-dimensional potentials with forced
correlations. In Figure 9.1 , we have an example.
The relationship between branch location and low rarefaction exponent, however,
doesn’t seem as strong in the mapping systems as it is in the full two-dimensional
dynamics. For those potentials that have their origins in full two-dimensional po-
tentials, the correspondence is still there. Looking at our more general potentials,
however, it is largely broken, as shown in Figure 9.2 . What we see in those cases is a
greater dependence of stability on index number. The failure of Lyapunov exponents
to correlate with branch location, however, is still true in all cases.

Figure 9.1: Here we have three images of branched flow in a mapping system where the potential is a true
two-dimensional one (here, a superposition of plane waves). The vertical axis of each picture is the q coordinate,
the horizontal axis is the time, or step index. Trajectories are launched from a single point with a distribution of
momenta. In the first image, we see the greyscale image of the flux, which shows the branching phenomenon.
In the second image, we have the rarefaction information for the same flow. In the third, we have the flux
information again, now colored by the rarefaction information. We note that, though there is generally good
agreement between flux and rarefaction, there are areas of small rarefaction exponent that do not seem to
show high flux.
Figure 9.2: Here we have three images of branched flow in a mapping system where the potential is
one-dimensional, with a new random potential mixed in at every step. This does not correspond to a sliced
two-dimensional potential. The vertical axis of each picture is the q coordinate, the horizontal axis is the time, or
step index. Trajectories are launched from a single point with a distribution of momenta. In the first image, we
see the greyscale image of the flux, which shows the branching phenomenon. In the second image, we have
the rarefaction information for the same flow. In the third, we have the flux information again, now colored by
the rarefaction information. In this system, the relationship between rarefaction exponent and branch location is
poor at best. Beginning very early in the flow, we see areas of high flux but high rarefaction exponents, and
areas of low flux with low rarefaction exponents.
9.4 Stability Analysis
In light of the apparent breakdown of the relationship between flux density and
rarefaction exponent, it is dubious to draw conclusions about that relationship based
on mapping systems. Nevertheless, the simplifications that come with the mapping
system allow analytic work that we can only do in the full two-dimensional dynamics
with some hand waving. In particular, we use the mapping system to explore the
noted relationship between low rarefaction exponent and “vertical” manifolds. The
“verticality” of the manifold in phase space was one early candidate for determining
where branches form, as such areas of phase space will have many trajectories built up
at the same coordinate space location. Though that relationship didn’t pan out, we
do see that areas of low rarefaction exponent are frequently areas where the manifold
is vertical (the converse fails to be true). We will explore this relationship.
Let us consider the following mapping system. For n 0 steps, the manifold prop-
agates through free space. Then there is one time step with a potential V (q). After
passing over this potential, there are n 1 more steps of free space. This gives us
• •
• 1 n 0,1 τm − 1 •
DM n 0,1 = • • (9.10)
• •
0 1
• •
• 1 − τ 2 m − 1 V qq τm − 1 •
DM V = • • . (9.11)
• •
− τV qq 1
Putting this together, we have M = DM n 1 DM V DM n 0. Now, we find a condition on
the potential that yields a vertical manifold. We require

• •
( )
• 0 •
· M· • • =0 (9.12)
10 • •
1
This gives us
( 1 − τ2 m−1 V v ) )
qq
n 0 τm − 1 + τm − 1 + ( 1 − n 0 τ 2 m − 1 V v qq
n 1 τm − 1 = 0 (9.13)
(1 )
V v qq = 1 +1 (9.14)
τ2 m−1 n0 n1+ 1
where the superscript v indicates that this is the condition for verticality of the
manifold.
Plugging this potential value into the stability matrix, we get the simplified version
• •
• −( n 1 + 1) n − 1 0
0 •
Mv= • • . (9.15)
• •
− mτ − 1 ( n − 1 0+( n 1 + 1) − 1) − n 0( n 1 + 1) − 1
It is now simple to find the rarefaction exponent as well, which gives us

∣∣∣∣∣∣∣∣ Mv· • •
[n0 ]
• 0 •
ln • • . (9.16)
• • ∣∣∣∣∣∣∣∣ = ln
n1+ 1
1
Suppose that, rather than looking for a vertical manifold, we seek to minimize the
rarefaction exponent. That is equivalent to finding

∣∣∣∣∣∣∣∣ M· • •
• 0 •
min • • (9.17)
• •
1 ∣∣∣∣∣∣∣∣
as a function of V qq. Much algebra, of which we will spare the reader, yields
[1 ]
n1+ 1
V r qq = 1 + (9.18)
τ2 m−1 n0 τ − 2 m 2 + ( n 21 + 1) 2
and the minimum rarefaction exponent is

∣∣∣∣∣∣∣∣ Mr· • •
[ ]
• 0 • n 20
ln • • (9.19)
• • ∣∣∣∣∣∣∣∣ = 1
2 ln τ − 2 m 2 + ( n 1 + 1) 2
1
where we have let M r ≡ M| V qq → V r

qq .
We note that, in the limit n 1 + 1 τ − 1 m, V r qq = Vv qq. Additionally, in the same
limit we find that the rarefaction exponents in each case go to the same value (which
happens to approach −∞ as n 1 → ∞). So, as one propagates farther from the
focusing event, the condition to be vertical becomes the same as the condition to
have the minimum rarefaction exponent.
What about the Lyapunov exponent for these vertical regions? From Eq. ( 9.15 ),
we see that the eigenvalues are [ −( n 1+ 1)/ n 0] ± 1. Thus, in the same large n 1 limit where
verticality corresponds to small rarefaction exponent, we find the Lyapunov exponent
increasing without bound. These results are shown graphically in Figures 9.3 and 9.4 .
We conclude from this result that the process of shearing, in the absence of any
potential, will concentrate trajectories in the turning points of the manifold. This
results in a correlation between rarefaction exponent and vertical sections of the
manifold, a correlation observed in Chapter 8 . Even in regions where there are no
strong branches, we expect that turning points in the manifold will correspond to
locally low rarefaction exponent.

Figure 9.3: Here we see flux in a simple mapping system. The trajectories pass over 100 steps of flat potential
before hitting a single focusing dip. They then pass over another 700 steps of flat potential. From top to bottom
we have the flux, the rarefaction exponent, and the flux colored by the rarefaction exponent. We see that the
two concentrations of flux are also highly localized areas of low rarefaction exponent, a correspondence that
gets better as we move from left to right.
Figure 9.4: Here we see flux in the same simple mapping system as Figure 9.3 . The trajectories pass over 100
steps of flat potential before hitting a single focusing dip. They then pass over another 700 steps of flat
potential. From top to bottom we have the flux, the Lyapunov exponent, and the flux colored by the Lyapunov
exponent. We see that the areas of low Lyapunov exponent do not correspond to the concentrations of flux.
Furthermore, these concentrations are growing less stable in this measure the farther we go to the right.
Bibliography
[1] D. Baye and P.-H. Heenen, Journal of Physics A 19, 2041 (1986).
[2] W. H. Press, S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery, Numerical

Recipes in C ( Cambridge University Press, New York, 1997).
[3] F. B. Hildebrand, Introduction to Numerical Analysis ( McGraw-Hill, New York,

1974).
[4] D. Baye, Journal of Physics B 28, 4399 (1995).
[5] H. Karabulut and E. L. Sibert, Journal of Physics B 30, L513 (1997).
[6] V. Szalay, Journal of Chemical Physics 99, 1978 (1993).
[7] A. H. Barnet, Ph.D. thesis, Harvard University Department of Physics, 2000.
[8] E. J. Heller, Physical Review Letters 53, 1515 (1984).
[9] M. B¨ uttiker, Y. Imry, R. Landauer, and S. Pinhas, Physical Review B 31, 6207 (1985).
[10] D. J. Thouless and S. Kirkpatrick, Journal of Physics C 14, 235 (1981).
[11] P. A. Lee and D. S. Fisher, Physical Review Letters 47, 882 (1981).
[12] T. Kawamura and J. P. Leburton, Physical Review B 48, 8857 (1993).
[13] K. Nikolić and A. MacKinnon, Physical Review B 50, 11008 (1994).
[14] G. B. Arfken and H. J. Weber, Mathematical Methods for Physicists, fourth ed.
(Academic Press, New York, 1995).
[15] S. Datta, Electronic Transport in Mesoscopic Systems ( Cambridge University

Press, New York, 1995).
[16] C. M. Marcus et al., Physical Review Letters 69, 506 (1992).
[17] J. D. Jackson, Classical Electrodynamics, 3rd ed. (Wiley, New York, 1999).
178
Bibliography 179
[18] H. U. Baranger and A. D. Stone, Physical Review B 40, 8169 (1989).
[19] R. Feynman, The Feynman Lectures on Physics ( Addison-Wesley, Reading, MA,

1964).
[20] Mesoscopic Electron Transport, No. 345 in NATO Asi Series E, Applied Science,
edited by L. L. Sohn, L. P. Kouwenhoven, and G. Schon (Kluwer Academic Publishers, Boston, 1997).
[21] J. H. Davies, The Physics of Low-Dimensional Semi-Conductors: An Introduc-

tion ( Cambridge University Press, New York, 1997).
[22] M. A. Topinka et al., Science 289, 2323 (2000).
[23] M. A. Topinka et al., Nature 410, 183 (2001).
[24] B. J. van Wees et al., Physical Review Letters 60, 848 (1988).
[25] D. A. Wharam et al., Journal of Physics C 21, L209 (1988).
[26] C. W. J. Beenakker and H. van Houten, Solid State Physics 44, 1 (1991).
[27] L. W. Molenkamp et al., Physical Review B 41, 1274 (1990).
[28] K. L. Shepard, M. L. Roukes, and B. P. van der Gaag, Physical Review Letters
68, 2660 (1992).
[29] M. Eriksson et al., Applied Physics Letters 69, 671 (1996).
[30] J. S. Hersch, Ph.D. thesis, Harvard University Department of Physics, 1998.
[31] J. A. Katine et al., Physical Review Letters 79, 4806 (1997).
[32] D. J. Griffiths, Introduction to Electrodynamics, 2nd ed. (Prentice Hall, Engle-

wood Cliffs, New Jersey, 1989).
[33] R. Grill and G. H. Dohler, Physical Review B 59, 10769 (1999).
[34] B. J. LeRoy, private communication.
[35] A. Kalben, private communication.
[36] Les Houches, Session LII: Chaos and Quantum Physics, edited by M.-J. Gian-
noni, A. Voros, and J. Zinn-Justin (North-Holland, New York, 1991).
[37] E. Ott, Chaos in Dynamical Systems ( Cambridge University Press, New York,
1993).
Bibliography 180
[38] V. I. Arnold, Mathematical Methods of Classical Mechanics ( Springer-Verlag,

New York, 1978).
[39] A. Ishimaru, Wave Propagation and Scattering in Random Media ( IEEE Press,
New York, 1997).
[40] M. A. Wolfson and S. Tomsovic, Journal of the Acoustical Society of America

109, 2693 (2001).
[41] P. O’Connor, J. Gehlen, and E. J. Heller, Physical Review Letters 58, 1296
(1987).
[42] M. G. Brown et al., Ray Dynamics in Ocean Acoustics, 2001, nlin.CD/0109027,

available at xxx.lanl.gov.
[43] K. P. Rauch, S. Mao, J. Wambsganss, and B. Paczynski, Astrophysical Journal

386, 30 (1992).
[44] B. Eckhardt and D. Wintgen, Journal of Physics A 24, 4335 (1991).

Sshaw en Es

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sshaw en Es

Transféré par

Droits d'auteur :

Formats disponibles

Propagación en los potenciales Random Smooth

Una tesis presentada

Scot Elmer James Shaw

El Departamento de Física en el ful parcial fi

llment de los requisitos

para el grado de Doctor

Todos los derechos reservados.

Eric J. Heller Scot Elmer James Shaw

Propagación en los potenciales Random Smooth

Nomenon que se ve cuando no se realizan estos supuestos, en el contexto de electrones

conductancia a través de los gases bidimensionales de electrones (2DEGs).

matriz y de estado estacionario de electrones fl ux. Es el último método que aplicaremos a

el caso de la conductancia 2DEG.

ramas estrechas en lugar de un usive di ff patrón de propagación. Llegamos a la conclusión de que la

ramas son el resultado de la dispersión de ángulo pequeño o FF de un débil, suave desordenada

potencial de fondo, generados por la capa de átomos donantes en el cristal 2DEG.

gamas de varias micras. Se presenta un modelo de novela que explica la persistencia

y el carácter de estas franjas, basándose únicamente en la dispersión de primer orden o FF de la fuerte

potenciales generados por las impurezas en el cristal.

se puede predecir por una proyección de la matriz de estabilidad en el colector inicial.

(Por ejemplo, el tiempo de impulso-relajación). Nos encontramos que estas propiedades de la

y los puntos de inflexión en el colector de evolución.

Pagina del titulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . yo

1 Representaciones variable discreta 1

2 El cálculo de la propagación de ondas 17

3 El flujo de electrones en Dispositivos 2 grados simples 38

3.1.3 Un modelo simple. . . . . . . . . . . . . . . . . . . . . . . . . . 44

4 El desorden y el flujo de electrones ramificada 62

4.3 Medición de Desorden. . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6 Estabilidad y la Matriz de Estabilidad 101

7 Promedios Ensemble 118

7.4.2 exponentes de Lyapunov. . . . . . . . . . . . . . . . . . . . . . . 138

8 flujo bifurcado Clásica 144

Mapas 9 unidimensionales 166

2.1 Configuración para la técnica numérica para el cálculo de la propagación de ondas. 18

3.1 Las curvas de nivel de una función suave QPC muestra. . . . . . . . . . . . . . 41

4.1 datos experimentales que muestran ramificados flujo. . . . . . . . . . . . . . . 64

4.9 ondas estacionarias en los picos de resonancia en la cavidad con el trastorno. . . . . 82

5.1 Supervivencia de franjas con el promediado térmica. . . . . . . . . . . . . . . 84

6,1 esquemática de la dinámica local y la utilidad del exponente rarefacción 116

7.1 La función de correlación impulso. . . . . . . . . . . . . . . . . . . 132

8.1 cuántica y clásica fl ujo a través de un potencial 2DEG . . . . . . . . 145

simples para responder.

Representaciones variable discreta

un método numérico de manera aislada de cualquier resultado. Aunque el método de resolución

di ff ecuaciones diferenciales de representación variable discreta (DVR) demostró ser uno

eso no cifra prominente en esta investigación, no obstante es importante para llevar

a la atención de la comunidad de la física. Que es mucho más conocido dentro de la

límite entre la discretización de la red y la expansión base-función, dos métodos bien

algunos autores se refieren a ella como base variacional.

Para una buena introducción a las bases de DVR.

1.1 Propiedades de las funciones de DVR Basis

cómo se convierten en útiles. Lo haremos en una dimensión, teniendo dimensiones superiores

base fija para ser productos de conjuntos unidimensionales.

En el sentido más general, se requerirá el seguimiento de nuestras funciones de base DVR.

F yo( X j) = λ - 1/2yo δ ij (1,1)

para un conjunto de norte puntos { X j} y los pesos { λ yo}, y

funciones de onda aproximadas tomando

dx ψ (x) φ * ( X) ≈ ∫ segundo dx ψ (x yo) F yo( x) λ yo1/2 •Σ φ * ( X j) F j ( x) λ 1/2j • (1,4)

=Σ λ yo ψ (x yo) φ * ( X yo). (1,6)

Motivados por este resultado, entonces tomamos

trata ni de la calidad de esta aproximación integral ni cualquier restricción sobre la

de nuestra base de DVR está relacionada con la calidad de esta integral.