Home

RandomFieldIsingModelle

Der Random-Field-Ising-Modell (RFIM) ist ein Paradigma der Festkörperphysik, das Ising-Spins s_i ∈ {+1, −1} auf einem Gitter mit zufälligen äußeren Feldern h_i koppelt. Die Hamilton-Funktion lautet H = -J Σ⟨ij⟩ s_i s_j - Σ_i h_i s_i, wobei J>0 die ferromagnetische Kopplung ist und h_i aus einer Verteilung mit Nullmittelwert gezogen wird (z. B. gaußisch mit Varianz Δ^2 oder bimodal ±Δ). Die Zufallsfelder sind quenched, das heißt, sie bleiben fest, nachdem sie zufällig gewählt wurden.

Typische Verteilungen der Felder umfassen Gaussian- und bimodale Felder; die Verteilung bestimmt zusammen mit der Dimensionalität

Phasenverhalten und Phasendiagramm: In Abhängigkeit von Dimension und Feldstärke zeigt der RFIM komplexe Phasenstrukturen mit Domänenbildung

Methoden: Analytische Ansätze umfassen Mean-Field-Theorie und Renormierung, während numerische Untersuchungen Monte-Carlo-Simulationen und spezialisierte Algorithmen zur Bestimmung

Bedeutung: Der RFIM ist ein zentraler Referenzrahmen zur Untersuchung von Quenched-Disorder, Avalanche-Dynamik, Universialität und Hysterese in

die
Balance
zwischen
Ordnungstreue
der
Spins
und
der
Störung
durch
das
Feld.
Der
RFIM
dient
als
Modell
für
disordered
Magneten,
Ferroelectrics
und
ähnliche
Systeme,
in
denen
zufällige
Felder
Domänenstrukturen
und
Hysterese
fördern.
und
kritischem
Verhalten.
Nach
dem
Imry-Ma-Argument
zerstört
ein
zufälliges
Feld
in
Dimensionen
d
≤
2
die
Langreichweitenordnung
bei
jeder
endlichen
Temperatur;
in
höheren
Dimensionen
kann
bei
kleinem
Δ
eine
ferromagnetische
Phase
existieren,
getrennt
von
einer
paramagnetischen
Phase
durch
eine
finite
kritische
Temperatur
Tc.
Die
exakten
kritischen
Exponenten
sind
je
nach
Dimension
nicht
trivial
und
gehen
über
die
einfache
Mean-Field-Theorie
hinaus.
von
Grundzuständen
(z.
B.
Graph-Cut-/Max-Flow-Methoden)
verwenden.
Finite-Size-Skalierung
dient
zur
Bestimmung
von
Tc
und
kritischen
Exponenten.
ungeordneten
Systemen
und
findet
Anwendung
in
Physik,
Materialforschung
und
theoretischer
Informatik.