凝聚态理论,统计与计算物理

本课题研究的总体目标是在微观多体理论的基础上对宏观现象有一个基本的认识. 在主题中,可以划分为本质上具有量子力学性质的主题和本质上属于经典主题的主题. 前者包括量子霍尔效应和物质的其他拓扑态, 超导性和超流性, “bose - einstein”冷凝, 量子磁学和量子计算. 后者不仅包括液晶等软物质系统, 胶体分散体系, 和电解质, 也包括生物物理或生物激励系统,如活性物质或生物物质, 生物细胞的力学特性和随机种群动态. 在一般情况下, 重点是识别和理解基本机制, 可能直接实际应用于设备,例如能源和健康应用,如超级电容器, 领导的, 太阳能电池, 自旋电子计算机存储器, organ-on-a-chip.

因此,该主题涵盖了大量的研究课题. 然而,它显示了强大的凝聚力, 因为在所有情况下都涉及多体系统,其中微观细节(假定)是已知的,而宏观性质则有待确定. 结果是, 这个主题主要建立在统计物理学的方法上, 例如,平均场理论, 重整化群理论, 密度泛函理论, 朗道理论, 临界现象的尺度理论起着核心作用. 此外, 在许多情况下,不仅静力平衡的性质是有趣的, 还有动力学, 运输, 和动力学. 确定这些需要使用非平衡统计物理学和流体动力学. 一些例子是动力学理论, 随机过程的理论, 以及动态密度泛函理论.

正如在理论量子和软凝聚态物理中可以预期的那样, 与实验物理有许多接触, 物理化学, 和生物学. 这些包括对现有和正在进行的实验的解释, 对可能的新实验的预测, 探索与实验系统具有本质特征的理论模型的性质. 然而, 与实验的直接接触通常只有在理论被调整到与感兴趣的实验的具体细节之后才能进行. 在某些阶段,这通常需要数字手段. 因此, 在这个研究主题中还使用和发展了多种数值方法, 包括模拟(蒙特卡洛, 分子动力学, 晶格玻尔兹曼), 机器学习, 并用复杂的有限元方法求解耦合非线性偏微分或积分方程.