Numerov method on linear and logarithmic grids (CN)

背景

Numerov方法是数值求解常微分方程(ODE)的一种方法, 适用于不含一阶项的二阶ODE

$$\begin{array}{}\text{(1)}& y^{″}+f(r)y=s(r).\end{array}$$

在物理上有很多方程满足这种形式, 其中与我最为相关的是薛定谔方程(SE), 更确切的是三维有心势下的径向薛定谔方程(rSE). 原子单位下, rSE写成

$$[-\frac{d^2}{d{r}^2}+\frac{l(l+1)}{r^2}+2V(r)]R_l(r)=E_l{R}_l(r)$$

其中$R_l$是定义在一维实空间$r$上的波函数$u_l$与矢径长$r$的积, $R_l(r)=r{u}_l(r)$, $E_l$是能量, $l$是角量子数. 这个方程满足Numerov方程要求的ODE形式

$$\{\begin{array}{l}f(r)=-\frac{l(l+1)}{r^2}-2V(r)+E_l\\ s(r)=0\end{array}$$

因此可以用该方法数值求解. 本文首先在两种格点方案, 均匀格点和对数格点上推导Numerov方法的核心方程, 即格点递推公式, 然后给出简单的Python实现.

推导

线性均匀格点

首先在线性均匀格点上推导一下Numerov方法. 在$r$点附近对函数$y$作Taylor展开

$$\begin{array}{}\text{(2)}& y(r\pm h)=y(r)\pm h{y}^{\prime }(r)+\frac{h^2}{2}{y}^{″}(r)\pm \frac{h^3}{6}{y}^{‴}(r)+\frac{h^4}{24}{y}^{⁗}(r)+\cdots \end{array}$$

将正负两式相加

$$\begin{array}{}\text{(3)}& y(r-h)+y(r+h)=2y(r)+h^2{y}^{″}(r)+\frac{h^4}{12}{y}^{⁗}(r)+\mathcal{O}(h^6)\end{array}$$

由于

$$y^{⁗}(r)=\frac{d^2}{d{r}^2}[f(r)y(r)-s(r)],$$

定义$p(r):=f(r)y(r)-s(r),p=y^{″},p^{\prime }‘=y^{⁗}$, 可以采用与式 $\text{(2)}$ $\text{(3)}$ 类似的办法处理$p$, 得到

$$\begin{array}{}\text{(4)}& p(r-h)+p(r+h)=2p(r)+h^2{p}^{″}(r)+\frac{h^4}{12}{p}^{⁗}(r)+\mathcal{O}(h^6).\end{array}$$

把$p,p^{{‘}^{\prime }}$表达式 $\text{(4)}$ 回代到式 $\text{(3)}$ 中,

$$y(r-h)+y(r+h)=2y(r)+h^{2}p(r)+\frac{h^4}{12}[p(r-h)+p(r+h)-2p(r)]+\mathcal{O}(h^6).$$

稍作整理, 得到

$$\begin{array}{rl}[1+\frac{h^2}{12}f(r-h)]y(r-h)+& [1+\frac{h^2}{12}f(r+h)]y(r+h)=\\ & 2[1+\frac{h^2}{12}f(r)]y(r)-h^{2}f(r)y(r)+\frac{h^2}{12}[s(r-h)+10s(r)+s(r+h)]+\mathcal{O}(h^6).\end{array}$$

这就是 Numerov 方法的一般方程. 特别的, 对于齐次方程, $s=0$, 式子可以化简成

$$[1+\frac{h^2}{12}f(r+h)]y(r+h)=2[1+\frac{h^2}{12}f(r)]y(r)-[1+\frac{h^2}{12}f(r-h)]y(r-h)-h^{2}f(r)y(r)+\mathcal{O}(h^6).$$

取间距为 $h$ 的均匀格点, 此时上式化成三点递推方程,

$$(1+\frac{h^2}{12}{f}_{n+1})y_{n+1}=2(1+\frac{h^2}{12}{f}_n)y_n-(1+\frac{h^2}{12}{f}_{n-1})y_{n-1}-h^2{f}_n{y}_n$$

精确到步长的六次方. 实际应用当中, 我们需要先确定前两个格点上的值, 然后就可以用上式推出第三点及之后所有格点上的函数值.

对数均匀格点

除了实空间均匀格点, 我们也可以使用对数均匀格点 (logarithmic grid), 其上第 n 个实空间格点为

$$r_n=r_0{e}^{nh}$$

上面的 Numerov 方法不能直接用于格点$r_n$, 因为这种情况下格点 $r$ 的间距是随格点指标变化的, 但是我们可以通过代数变换使之成为可能.

首先定义变量替换$x\mapsto r$

$$r(x)=r_0{e}^x$$

及定义 $Y(x)$ 为

$$\begin{array}{}\text{(5)}& y(r)=r_0{e}^{x/2}Y(x).\end{array}$$

从而

$$\begin{array}{rl}\frac{d^2}{d{r}^2}y(r)& =\frac{1}{r_0{e}^x}\frac{d}{dx}\left[\frac{1}{e^x}\frac{d}{dx}(e^{x/2}Y(x))\right]\\ & =\frac{1}{r_0{e}^x}[-\frac{1}{4}{e}^{-x/2}Y(x)+e^{-x/2}{Y}^{″}(x)]\end{array}$$

其中撇号代表对$x$求导而非$r$. 代回到式 $\text{(1)}$ 的ODE中

$$\begin{array}{rl}\frac{1}{r_0}{e}^{-3x/2}[-\frac{1}{4}Y(x)+Y^{″}(x)]+f(r)r_0{e}^{x/2}Y(x)& =s(r)\\ Y^{″}+[f(r)r_0^2{e}^{2x}-\frac{1}{4}]Y(x)& =r_0{e}^{3x/2}s(r).\end{array}$$

令

$$\begin{array}{}\text{(6)}& \begin{array}{rl}F(x):=& f(r)r_0^2{e}^{2x}-\frac{1}{4}=f(r(x))r(x{)}^2-\frac{1}{4}\\ S(x):=& r_0{e}^{3x/2}s(r)=\sqrt{\frac{r(x{)}^3}{r_0}}s(r(x))\end{array}\end{array}$$

于是得到 ODE

$$Y^{″}(x)+F(x)Y(x)=S(x)$$

这与原始ODE $\text{(1)}$ 相似, 但它定义在变量$x$上而非实空间$r$上. 由于格点$x$是均匀的, 我们可以应用前面均匀格点的算法解出$Y(x)$, 然后再通过式 $\text{(5)}$ 变换回 $y(r)$.

Python实现

以下是忽略了s后, Numerov方法在线性格点和对数格点上的Python实现. Numba 装饰器用于编译优化.

首先是线性均匀格点上的实现numerov. 这里参考了Kristjan Haule的代码.

@numba.njit
def numerov(f, h, y0, dy0):
    '''Solve y''(r) + f(r)y(r)=0 by Numerov method on a linear r grid

    Args:
        f (1d-array): f
        h (float): the step size of linear grid
        y0 (float): y value at the first grid point
        dy0 (float): first-order derivaitve at the first grid point
    '''
    y = np.zeros(len(f))
    y[0] = y0
    y[1] = y0 + h * dy0
    h2 = h**2
    h2d12 = h2/12.0
    w0 = y0 * (1 + h2d12 * f[0])
    w1 = y[1] * (1 + h2d12 * f[1])
    yn = y[1]
    fn = f[1]
    for n in range(2, len(f)):
        w2 = 2 * w1 - w0 - h2 * fn * yn
        fn = f[n]
        yn = w2 / (1 + h2d12 * fn)
        y[n] = yn
        w0, w1 = w1, w2
    return y

然后是对数均匀格点上的实现numerov_log:

@numba.njit
def numerov_log(r, f, y0, dy0):
    '''Solve y''(r) + f(r)y(r) = 0 by Numerov method on a logarithmic r grid

    Args:
        r (1d-array): the logarithmic grid
        f (1d-array)
        y0 (float): y at the first grid
        dy0 (float): first-order derivaitve at the first grid
    '''
    r0 = r[0]
    # calculate F(x)
    F = np.multiply(f, np.power(r, 2)) - 0.25E0
    x = np.log(r/r0)
    # step size in x
    hx = x[1] - x[0]
    # convert boundary condition of y to Y
    Y0 = y0 / r0
    dY0 = - Y0/2 + dy0 * r0
    # call Numerov on linear grid x
    Y = numerov(F, hx, Y0, dY0)
    return Y * np.sqrt(r * r0)

总结

本文在两种数值格点(均匀格点和对数格点)上推导了Numerov方法的递推方程, 给出了简单的Python实现.