Timeplan, pensum og eksamensdato

Velg semester

Kort om emnet

Emnet gir en innføring i numeriske metoder som vektlegges ved løsning av ulike problemer i fysiske fag og kjemi, dvs. løsning av ordinære- og partielle differensiallikninger, matriseoperasjoner og egenverdiproblemer, interpolering og numerisk integrasjon, Monte-Carlo-metoder, løsning av ikke-lineære likninger og modellering av data.

Hva lærer du?

Kurset gir en innføring i flere av de mest brukte algoritmene fra numerisk analyse til å løse problemer i naturvitenskapelige fag. Disse algoritmer dekker temaer som avansert numerisk integrasjon ved hjelp av Gauss kvadratur, Monte Carlo-metoder med bruksområder i tilfeldige prosesser, Markov kjeder, integrering av flerdimensjonale integraler og applikasjoner til problemer i statistisk fysikk og kvantemekanikk. Avanserte metoder som variasjonell
Monte Carlo og Diffusjons Monte Carlo vil kunne inngå.

Andre metoder som blir presentert er egenverdi problemer, fra den enkle Jacobi metoden til iterative Krylov metoder. Populære metoder fra lineær algebra som LU-dekomponeringsmetode og spline-interpolasjon blir også diskutert. En stor del av kurset er viet til å løse ordinære differensiallikninger med eller uten grensebetingelser og til slutt metoder for å løse partielle differensialligninger. Eksempler med både endelig differanse og element metoder vil bli diskutert.

Studenten vil dermed utvikle et kjennskap til noen av de mest brukte algoritmene i naturvitenskap. Flere eksempler på problemer i fysikk og kjemi vil bli brukt for å demonstrere ulike numeriske metoder. Eksemplene spenner over flere felt, fra materialvitenskap til faststoff-fysikk, atomfysikk, astrofysikk, kjernefysikk og egenverdiproblemer i kvantekjemi. Emnet er prosjektbasert og gjennom ulike prosjekter, normalt fem, vil deltakerne bli utsatt for grunnleggende problemstillinger i disse feltene, hvor målet med det siste prosjektet er å gjengi "state of the art" vitenskapelige resultater. Studentene skal lære å utvikle og strukturere koder for å studere slike systemer, utvikle en kritisk forståelse av muligheter og begrensninger ved de ulike numeriske metoder, bli kjent med supercomputing fasiliteter og parallell databehandling og lære å håndtere vitenskapelige prosjekter. Studentene må velge mellom C++, Python eller Fortran2008 som databehandling språk. Studentene vil også lære hvordan de skal interface Python program med C++ eller Fortran program.

God faglig og etisk atferd er vektlagt gjennom hele kurset.

Opptak og adgangsregulering

Studenter må hvert semester søke og få plass på undervisningen og melde seg til eksamen i Studentweb.

Dersom du ikke allerede har studieplass ved UiO, kan du søke opptak til våre studieprogrammer, eller søke om å bli enkeltemnestudent.

Overlappende emner

Fullt overlapp mot FYS3150 - Computational Physics, samt det gamle emnet FYS210 (som ble undervist for siste gang høsten 2002).

Undervisning

Emnet går over et helt semester m/ 4 timer forelesninger per uke. I tillegg kommer laboratorieoppgaver ved hjelp av datamaskin. Emnet vil inkludere fem prosjekt som studentene får tilbakemelding på.

Eksamen

Fem prosjekter, hvorav tre teller 1/3 av karakteren hver. Det siste prosjektet vil ha noe større vanskelighetsgrad enn de foregående 2. Ingen skriftlig eller muntlig eksamen. Kun mappe evaluering.

Karakterskala

Emnet bruker karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om karakterskalaen.

Begrunnelse og klage

Adgang til ny eller utsatt eksamen

Dette emnet tilbyr både utsatt og ny eksamen. Les mer:

Tilrettelagt eksamen

Søknadskjema, krav og frist for tilrettelagt eksamen.

Fakta om emnet

Studiepoeng

10

Nivå

Master

Undervisning

Hver høst

Eksamen

Hver høst

Undervisningsspråk

Norsk (engelsk på forespørsel)