因此,我试图实现一个版本的哈特里福克理论的带系统。基本上,这是一个矩阵收敛问题。我有一个矩阵H0,从它的特征值我可以构造另一个矩阵F。然后程序是定义H1=H0+F,并检查H1的特征值是否接近H0的特征值。如果不是,我从H1的特征值构造一个新的F,并定义H2=H0+F,然后再次检查并迭代。你知道吗
这个问题有点泛化,我的确切代码似乎并不真正相关。所以我只展示这个:
# define the matrix F
def generate_fock(H):
def fock(k): #k is a 2D array
matt = some prefactor*outer(eigenvectors of H(k) with itself) #error1
return matt
return fock
k0 = linspace(0,5*kt/2,51)
# H0 is considered defined
H = lambda k: H0(k)
evalold = array([sort(linalg.eigvalsh(H(array([0,2*k-kt/2])))) for k in k0[:]])[the ones I care]
while True:
fe = generate_fock(H)
H = lambda k: H0(k)+fe(k) #error2
evalnew = array([sort(linalg.eigvalsh(H(array([0,2*k-kt/2])))) for k in k0[:]])[the ones I care]
if allclose(evalnew, evalold): break
else: evalold = evalnew
我正在使用内部函数,希望python不会发现我的定义是递归的(我不确定我是否正确地使用了这个词)。但是python知道:有什么建议吗?你知道吗
编辑1: 错误消息将突出显示我标记为error1和error2的行,并显示以下内容:
RecursionError: maximum recursion depth exceeded while calling a Python object
我认为这来自于我定义函数的方式:在循环n中,F(k)依赖于上一个循环的H(k),下一步的H(k)又依赖于F(k)。我的问题是我该怎么解决这个问题?你知道吗
编辑2&3: 让我按照建议为代码添加更多细节。这是我能想出的最简单的方法,能准确地再现我的问题。你知道吗
from numpy import *
from scipy import linalg
# Let's say H0 is any 2m by 2m Hermitian matrix. m = 4 in this case.
# Here are some simplified parameters
def h(i,k):
return -6*linalg.norm(k)*array([[0,exp(1j*(angle(k@array([1,1j]))+(-1)**i*0.1/2))],
[exp(-1j*(angle(k@array([1,1j]))+(-1)**i*0.1/2)),0]])
T = array([ones([2,2]),
[[exp(-1j*2*pi/3),1],[exp(1j*2*pi/3),exp(-1j*2*pi/3)]],
[[exp(1j*2*pi/3),1],[exp(-1j*2*pi/3),exp(1j*2*pi/3)]]])
g = array([[ 0.27023695, 0.46806412], [-0.27023695, 0.46806412]])
kt = linalg.norm(g[0])
def H0(k):
"one example"
matt = linalg.block_diag(h(1,k),h(2,k+g[0]),h(2,k+g[1]),h(2,k+g[0]+g[1]))/2
for j in range(3): matt[0:2,2*j+2:2*j+4] = T[j]
return array(matrix(matt).getH())+matt
dim = 4
def bz(x):
"BZ centered at 0 with (2x)^2 points in it"
tempList = []
for i in range(-x,x):
for j in range(-x,x):
tempList.append(i*g[0]/2/x+j*g[1]/2/x)
return tempList
def V(i,G):
"2D Coulomb interaction"
if linalg.norm(G)==0: return 0
if i>=dim: t=1
else: t=0
return 2*pi/linalg.norm(G)*exp(0.3*linalg.norm(G)*(-1+(-1)**t)/2)
# define the matrix F for some H
def generate_fock(H):
def fock(k): #k is a 2D array
matf = zeros([2*dim,2*dim],dtype=complex128)
for pt in bz(1): #bz is a list of 2D arrays
matt = zeros([2*dim,2*dim],dtype=complex128)
eig_vals1, eig_vecs1 = linalg.eigh(H(pt)) #error1
idx = eig_vals1.argsort()[::]
vecs1 = eig_vecs1[:,idx][:dim]
for vec in vecs1:
matt = matt + outer(conjugate(vec),vec)
matt = matt.transpose()/len(bz(1))
for i in range(2*dim):
for j in range(2*dim):
matf[i,j] = V(j-i,pt-k)*matt[i,j] #V is some prefactor
return matf
return fock
k0 = linspace(0,5*kt/2,51)
H = lambda k: H0(k)
evalold = array([sort(linalg.eigvalsh(H(array([0,2*k-kt/2])))) for k in k0[:]])[dim-1:dim+1]
while True:
fe = generate_fock(H)
H = lambda k: H0(k)+fe(k) #error2
evalnew = array([sort(linalg.eigvalsh(H(array([0,2*k-kt/2])))) for k in k0[:]])[dim-1:dim+1]
if allclose(evalnew, evalold): break
else: evalold = evalnew
问题在于这些线路:
在每次迭代中,都会生成一个引用旧函数的新函数,而不是该旧函数的最终输出,因此必须将它们全部保留在堆栈中。这也将是非常缓慢的,因为你必须反乘所有矩阵每次迭代。你知道吗
您要做的是保留旧值的输出,可能是从先前迭代的结果中创建一个列表,然后应用该列表中的函数。你知道吗
你甚至可以用一个缓存来实现这一点,尽管它可能会变得很大。保留函数输入的字典并使用它。像这样:
那么它应该只需要引用函数的最后一个版本。你知道吗
编辑:试试这个。除了缓存结果外,还要将索引保存到函数数组中,而不是引用。这应该可以防止递归深度溢出。你知道吗
相关问题 更多 >
编程相关推荐