ЧИСЛЕННОЕ ИССЛЕДОВАНИЕ СПЕКТРА КВАНТОВОЙ ТОЧКИ НА ОСНОВЕ МЕТОДА МОНТЕ-КАРЛО
(Стр. 74-79)

Подробнее об авторах
Попов Александр Михайлович доктор физико-математических наук, профессор; факультет вычислительной математики и кибернетики
Московский государственный университет имени М.В. Ломоносова
Чтобы читать текст статьи, пожалуйста, зарегистрируйтесь или войдите в систему
Аннотация:
Работа направлена на изучение численных алгоритмов определения спектра квантовых точек для создания нанотехнологий. Квантовые точки представляют кристаллики полупроводника, составляющие полупроводниковую гетеро-структуру. Носители заряда удерживаются в малой области - в потенциальной яме размером в нанометр. Небольшое изменение размера квантовой точки позволяет менять дискретный энергетический спектр ее излучения и использовать его в конкретном приложении. Квантовые точки используются в наноэлектронике, в биосенсорах нано-размеров, в системах медицинской диагностики высокой точности. В настоящей работе для определения собственных функций используется квантовый диффузионный метод Монте-Карло и параллельный метод «Parallel Tempering». Основной акцент здесь ставится на создании новых параллельных алгоритмов нахождения собственных значений и собственных функций квантовой нано-системы.
Образец цитирования:
Попов А.М., (2019), ЧИСЛЕННОЕ ИССЛЕДОВАНИЕ СПЕКТРА КВАНТОВОЙ ТОЧКИ НА ОСНОВЕ МЕТОДА МОНТЕ-КАРЛО. Computational nanotechnology, 3: 74-79. DOI: 10.33693/2313-223X-2019-6-3-74-79
Список литературы:
Попов А.М. Вычислительные нанотехнологии. М.: КноРус, 2014. 312 c.
Kosztin I., Farber B., Schulten K. Introduction to the diffusion Monte Carlo method // Am. J. Phys. 1997. № 64. Р. 633-644.
Shumway J., Ceperly D.M. Quantum Monte Carlo methods in the study of nanostructures // Encyclopedia of Nanoscience and Nanotechnology. 2004.
Clote P. Computational molecular biology an introduction.
Сетубал Ж., Майданис Ж. Введение в вычислительную молекулярную биологию. М.-Ижевск: НИЦ «Регулярная и хаотична динамика», Ин-т компьютерных исследований, 2007. 420 с.
Clary D.C. Torsional diffusion Monte Carlo: A method for quantum simulations of proteins. University College London. 2001.
Kerr R.A., Bartol T.M. Fast Monte Carlo simulation methods for biological reaction-diffusion systems in solution and on surfaces. 2008.
Iba Y. Population Monte-Carlo algorithms. The Institute of Statistical Mathematics.
Riley M.R., Buettner H.M. Monte Carlo simulation of diffusion and reaction in two-dimensional cell structures // Biophysical Journal. May 1995. Vol. 68.
Goldman J., Andrews S., Bray D. Size and composition of membrane protein clusters predicted by Monte Carlo analysis. 2004.
Aluru S. Handbook of Computational Molecular Biology.
Лахно В.Д. Биоинформатика и высокопроизводиельные вычисления. Институт математических проблем биологии РАН.
Wang Y. Open MP and MPI implementation of diffusion Monte Carlo algorithm.
Компьютеры и суперкомпьютеры в биологии / под ред. В.Д. Лахно, М.Н. Устинина. М.-Ижевск: Ин-т компьютерных исследований, 2002.
Hansmann U.H.E. Parallel tempering algorithm for conformational studies of biological molecules. 1997.
Earl D.J., Deem M.W. Parallel tempering: Theory, applications, and new perspectives, 2005.
Caflisch A., Niederer P., Anliker M. Monte Carlo minimization with thermalization for global optimization of polypeptide conformations in Cartesian coordinate space. 1992.
Sanbonmatsu K.Y., Garcia A.E. Structure of met-enkephalin in explicit aqueous solution using replica exchange molecular dynamics, 2002.
Zimmerman S.S., Pottle M.S., Nemethy G., Scheraga H.A. Conformational analysis of the 20 naturally occurring amino acid residues using ECEPP // Macromolecules. 1977. Vol. 10. № 1.
Nemethy G., Pottle M.S., Scheraga H.A. Energy parameters in polypeptides. 9. Updating of geometrical parameters, nonbonded interactions, and hydrogen bond for the naturally occurring amino acids // J. Phys. Chem. 1983. № 87.
Sippl M.J., Nemethy G., Scheraga H.A. Intermolecular potentials from crystal data. 6. Determination of empirical potentials for O-H-O-C hydrogen bonds from packing configurations // J. Phys. Chem. 1984. № 88.
McGuire R.F., Vanderkool G. Determination of intermolecular potentials from crystal data. II. Crystal packing with applications to poly (amino acids). 1970.
Zaman M.H., Shen M. Computer simulation of met-enkephalin using explicit atom and united atom potentials: similarities, differences, and suggestions for improvement // J. Phys. Chem. 2003. № 107.
Rackovsky S., Scheraga H.A. Differential geometry and polymer conformation. 4. Conformational and nucleation properties of individual. amino acids, macromolecules. 1982. Р. 15.
Hsu H., Berg B.A., Grassberger P. Monte Carlo protein folding: Simulations of met-enkephalin with solvent-accessible area parametrizations, 2004.
Mitas L. Diffusion Monte Carlo, national center for supercomputing applications. University of Illinois at Urbana-Champaign. Altekar G.et al. Parallel metropolis coupled Markov chain Monte Carlo for bayesian phylogenetic inference // Bioinformatics. 2004. № 20 (3). Р. 407-415.
Geyer C.J. Markov chain Monte Carlo maximum likelihood // Computing Science and Statistics. 1991. № 23. Р. 156-163,