Вычислительная физика

В 1687 году Ньютон решил задачу двух тел аналитически за несколько страниц. В 1890 году Пуанкаре доказал, что задача трёх тел в общем случае не имеет аналитического решения. Сегодня симуляции считают 10^12 тел одновременно - и именно из этих вычислений мы знаем, как выглядела Вселенная миллиард лет назад.

• **Illustris TNG** - симуляция, воспроизводящая распределение галактик во Вселенной с беспрецедентной точностью: 100 млрд виртуальных частиц, 300 Мпк на сторону куба.
• **GROMACS и NAMD** используют МД для расчёта связывания лекарств с белками - это критический этап разработки большинства современных препаратов.
• **Airbus и Boeing** оптимизируют форму крыла через CFD-симуляции в ANSYS Fluent: каждый процент снижения аэродинамического сопротивления экономит сотни миллионов литров топлива в год.

N-body задачи

В 1941 году Хольмберг считал гравитационное взаимодействие двух галактик вручную - по яркости ламп. У него ушли месяцы. Сегодня суперкомпьютер Frontier симулирует 2 триллиона частиц за часы. N-body задача: вычислить траектории N частиц, взаимодействующих попарно. Грубая сила O(N^2) - пара миллиардов частиц требует 10^18 операций на шаг. Прорыв - Barnes-Hut алгоритм (1986): разбить пространство на октодерево, заменить далёкие кластеры частиц их центром масс. Сложность падает до O(N log N). Fast Multipole Method (Greengard-Rokhlin, 1987) идёт дальше: O(N) через мультипольное разложение потенциала. Эти алгоритмы лежат в основе всей современной астрофизики, расчёта молекулярных взаимодействий и даже рендеринга в кино.

Barnes-Hut: theta-критерий - если d/r < theta (обычно 0.5-1.0), заменяем кластер его центром масс. Точность vs скорость управляется theta. Particle Mesh Ewald (PME): разложение взаимодействий на ближние (прямое пространство) + дальние (Фурье-пространство). PME используется в GROMACS, NAMD. Tree-PM: Barnes-Hut для ближних + сетка для дальних - стандарт в космологии (Gadget-4).

Молекулярная динамика

Как белок складывается? Почему лекарство связывается с рецептором? Ответы скрыты в атомном движении, которое разворачивается за наносекунды. Молекулярная динамика (МД) - N-body задача со специфическими потенциалами: Leonard-Jones для ван-дер-Ваальс сил, Coulomb для электростатики, гармонические для ковалентных связей. Суперкомпьютер Anton 2 (D.E. Shaw Research) достигает миллисекундных симуляций для белков - это в 100 раз длиннее, чем любой другой компьютер. Прорыв AlphaFold2 не отменил МД: предсказание структуры и симуляция динамики - взаимодополняющие инструменты. МД показывает движение, флуктуации, переходные состояния - то, что статическая структура не может.

Потенциал AMBER/CHARMM: V = sum_bonds(K_b*(r-r0)^2) + sum_angles(K_a*(theta-theta0)^2) + sum_dihedrals(...) + sum_pairs(LJ + Coulomb). Cutoff radius rc = 10-14 A для ближних взаимодействий. PME для дальних электростатических. Термостат (Nose-Hoover, Langevin) и баростат (Parrinello-Rahman) поддерживают NVT/NPT ансамбль.

Симуляция жидкостей и газов

Каждый кадр Pixar фильма «В поисках Немо» содержит воду, поведение которой смоделировано уравнениями Навье-Стокса. Каждый турбинный лопаток самолёта оптимизирован через CFD (Computational Fluid Dynamics). Навье-Стокс - это PDE второго порядка для поля скоростей жидкости. Прямое численное решение (DNS) требует разрешения всех масштабов турбулентности - от крупных вихрей до молекулярных флуктуаций. Стоимость DNS: O(Re^3) по числу ячеек сетки, где Re - число Рейнольдса. При Re = 10^6 (типичный самолёт) это 10^18 ячеек - недостижимо. Решение: RANS (Reynolds-Averaged) или LES (Large Eddy Simulation) с моделями турбулентности, которые параметризуют малые масштабы. Метод решёточных уравнений Больцмана (LBM) - альтернатива: вместо PDE работает с функцией распределения скоростей частиц, идеально параллелизуется на GPU.

Нестационарные уравнения Навье-Стокса: rho*(dv/dt + v*grad(v)) = -grad(p) + mu*lap(v) + f. Методы дискретизации: FDM (конечные разности), FVM (конечные объёмы), FEM (конечные элементы), SPH (Smoothed Particle Hydrodynamics). SPH - лагранжев метод: жидкость = набор частиц с ядром сглаживания W(r, h). OpenFOAM (открытый CFD), ANSYS Fluent (коммерческий).

Космологические симуляции

Как из почти однородной Вселенной после Большого взрыва возникли галактики, нити тёмной материи и войды? Это вопрос с ответом стоимостью в суперкомпьютерное время. Illustris TNG - симуляция куба со стороной 300 Мпк (1 миллиард световых лет), содержащая 100 миллиардов виртуальных частиц. На её запуск ушли сотни миллионов CPU-часов. Симуляция воспроизвела распределение галактик, их морфологии и металличность с точностью, неожиданной для всего сообщества. SIBELIUS-DARK (2022) сделала ещё шаг: симулировала конкретный наблюдаемый Местный пузырь Млечного пути, начиная с космологических начальных условий. Это инверсная задача - подобрать начальные условия так, чтобы симуляция воспроизвела конкретную наблюдаемую структуру.

SPH (Smoothed Particle Hydrodynamics) + N-body: тёмная материя - N-body частицы, барионный газ - SPH. TreePM: short-range через octree, long-range через PM (Particle-Mesh, FFT). Субсеточная физика: звездообразование, обратная связь AGN (активных ядер галактик), сверхновые - всё, что ниже разрешения сетки, параметризуется аналитически. Codes: Gadget-4, AREPO (движущиеся сетки), FLASH.

Ключевые идеи

• **Barnes-Hut** снижает сложность N-body с O(N^2) до O(N log N) через октодерево: дальние кластеры заменяются центром масс при d/r < theta.
• **МД** моделирует атомное движение через потенциалы (LJ, Coulomb, ковалентные связи) с шагом ~1 фс; периодические граничные условия устраняют артефакты поверхности.
• **LBM** решает уравнения Навье-Стокса через локальные операции (столкновение + перенос), что идеально параллелизуется на GPU без глобальных решателей.
• **Субсеточная физика** - неизбежный компромисс: процессы ниже разрешения сетки параметризуются аналитически, и именно качество этих параметризаций определяет реализм симуляции.

Связанные темы

Вычислительная физика требует численных методов и параллельных вычислений:

• Параллельные вычисления — N-body и LBM требуют GPU/MPI параллелизма - именно вычислительная физика двигала развитие параллельных алгоритмов
• Биоинформатика — МД симуляции белков - мост между вычислительной физикой и биоинформатикой: одни методы, разные масштабы и интерпретации

Вопросы для размышления

• Как выбрать параметр theta в Barnes-Hut и какой компромисс он определяет между точностью и скоростью?
• Почему Illustris TNG не может просто увеличить разрешение в 100 раз, чтобы избавиться от субсеточных моделей?
• Чем LBM принципиально отличается от SPH как лагранжева метода - и в каких задачах каждый из них предпочтительнее?

Связанные уроки

• calc-24-line-integrals