🏷️ ป้ายกํากับ: Python

1. El problema de siempre: ¿cómo avanzar en el tiempo?

Imagina que tienes un planeta girando en torno a una estrella. Tú conoces sus posiciones y velocidades en el presente, y la fuerza que actúa (gravedad). La pregunta eterna: ¿dónde estará un pasito después?

Aquí entra la integración numérica. En la compu, el tiempo no es continuo: vivimos de ticks discretos \(\Delta t\). Pero cuidado: si eliges mal el método, tu planeta puede terminar fugándose a otra galaxia solo porque el algoritmo le metió más energía de la cuenta. 😅

---

2. El primo bruto: Euler

El método de Euler dice:

\[ \vec x_{t+\Delta t} \approx \vec x_t + \vec v_t \,\Delta t, \qquad \vec v_{t+\Delta t} \approx \vec v_t + \vec a_t\,\Delta t. \]

Es directo y fácil, pero no conserva la energía. Resultado: órbitas que deberían ser elipses terminan como espirales abiertas o colapsos al centro. Un desastre.

Analogía musical: es como tocar batería sin metrónomo. Empiezas bien, pero al tercer compás ya vas a destiempo. 🥁

---

3. La idea de Verlet (1967)

Loup Verlet, trabajando en dinámica molecular, pensó: “¿Y si uso tanto la aceleración presente como la futura para equilibrar la velocidad?” Boom:

\[ \vec x_{t+\Delta t} = \vec x_t + \vec v_t \,\Delta t + \tfrac{1}{2}\vec a_t\,\Delta t^2, \]

\[ \vec v_{t+\Delta t} = \vec v_t + \tfrac{1}{2}\left(\vec a_t + \vec a_{t+\Delta t}\right)\Delta t. \]

Esto es el Velocity-Verlet, el que usamos en el bloque N-cuerpos. Lo mágico: es un integrador simpléctico. Palabra rimbombante que significa que respeta la geometría del espacio de fases: la energía no se “derrite” tan fácil.

1. ¿Por qué modelar esto? 🌠

Porque con \(N>2\) no hay solución analítica — aparece el caos determinista. La compu se vuelve telescopio: podemos contar historias orbitales en cámara lenta y aprender de estabilidad, energía y transferencia de momento.

Mini-glosario express

• Cuerpo/partícula: agente con masa \(m\).
• \(\vec r_{ij}\): vector desde \(i\) a \(j\); \(r_{ij}=||\vec r_{ij}||\).
• \(G\): constante gravitacional (usamos u.a.: \(G=1\)).
• \(\vec v, \vec a\): velocidad y aceleración.
• COM: centro de masa. Quitamos su movimiento para que la “escena” no se nos vaya del encuadre.
• \(\varepsilon\) (softening): acolchado numérico: \(\sqrt{r^2+\varepsilon^2}\) evita singularidades en choques muy cercanos.
• \(\Delta t\): paso de tiempo; muy grande ⇒ inestabilidad, muy chico ⇒ más lento pero más fiel.

Dato musical random: Walking on the Moon (The Police, 1979) es perfecto de fondo; en nuestro universo nadie camina… ¡todos orbitan! 🎶🌙

---

2. Física exprés (pero bien puesta) 🧠🔭

• Segunda ley de Newton para cada cuerpo \(i\):  \[  m_i\,\vec a_i \;=\; \sum_{j\neq i} \vec F_{ij}.  \]

• Integración temporal (Velocity-Verlet): con aceleración \(\vec a(t)\),  \[  \vec x_{t+\Delta t} = \vec x_t + \vec v_t\,\Delta t + \tfrac12\vec a_t\,\Delta t^2,\qquad  \vec v_{t+\Delta t} = \vec v_t + \tfrac12\left(\vec a_t + \vec a_{t+\Delta t}\right)\Delta t.  \]  Es casi conservativo de energía (mucho más que Euler).

• Energía total (con suavizado \(\varepsilon\) para evitar singularidades numéricas):  \[  E = \underbrace{\tfrac12\sum_i m_i |\vec v_i|^2}_{\text{Cinética}}      \;-\; \underbrace{\sum_{i<j}\frac{G\,m_i m_j}{\sqrt{r_{ij}^2+\varepsilon^2}}}_{\text{Potencial}}.  \]

1. ¿Por qué molestarse con una cajita? 📦🤔  

James Clerk Maxwell y Ludwig Boltzmann jugaban mentalmente con miles de moléculas rebotonas para descubrir la relación entre la presión \(P\), el volumen \(V\) y la temperatura \(T\). Nosotros haremos lo mismo… ¡pero con Python y emojis!  

Dato random musical: Daddy Yankee popularizó la palabra gasolina en medio mundo; hoy haremos gas-o-física. 💃⛽️  

---

2. Fundamento Físico (micro ↔ macro)  

• Colisiones elásticas: conservan energía cinética y momento lineal.  
• Presión microscópica:    \[    P \;=\; \frac{1}{\Delta t\,A}\,\sum_i \Delta p_i  \]  donde \(\Delta p_i\) es el impulso transferido por la partícula \(i\) al muro y \(A\) el área del muro.  
• Temperatura:    \[    T \;=\; \frac{2}{3\,N\,k_B}\,\sum_{i=1}^{N}\frac{1}{2} m v_i^{2}  \]  (En 2-D tomamos \(V = L^2\) para conectar con la ley ideal; el código ajusta la constante).  

💡 Spoiler: al promediar suficientes rebotes, la relación \(PV = N k_B T\) emerge — una sinfonía estadística.  

---

3. Algoritmo a lo Bullet-Time 🕶️  

1. Inicializa \(N\) partículas con posiciones aleatorias y velocidades gaussianas (distribución de Maxwell-Boltzmann).  
2. Avanza cada paso \(\Delta t\): pos += vel * dt.  
3. Rebote con muros: si \(x<0\) o \(x>L\) invierte \(v_x\); igual para \(y\). Suma \(2m v_\perp\) al contador de impulso para ese muro.  
4. (Opcional) Colisión partícula-partícula: detecta superposición e intercambia velocidades (mayor realismo, más CPU).  

1. ¿Por qué Maxwell puso un "demonio" en su termómetro? 🤔

En 1871, James Clerk Maxwell retó la intuición de sus colegas: ¿y si un ser microscópico pudiera abrir y cerrar una puerta entre dos cámaras de gas, dejando pasar solo moléculas rápidas a un lado y lentas al otro? Al acumular moléculas energéticas en una cámara, parecería obtenerse un gradiente de temperatura sin aportar trabajo externo, lo cual amenazaba la segunda ley de la termodinámica:

«Es imposible un proceso que solo transfiera calor de un cuerpo frío a uno caliente sin trabajo externo».  

Maxwell usó su demonio como experimento mental para mostrar que la segunda ley descansa en supuestos estadísticos y de información, no solo mecánicos.

2. Principio termodinámico y coste de información 📐

• Segunda ley:

 $$\Delta S_{total} = \Delta S_{gas} + \Delta S_{demonio} \ge 0$$

• Landauer (1961): borrar 1 bit de información cuesta $$E_{min} = k_B T \ln 2$$ donde \(k_B\) es la constante de Boltzmann. Este es el “precio” que el demonio paga al clasificar moléculas.  

 

3. Modelo en Python: demostrar el dilema 🐍

import numpy as np
import matplotlib.pyplot as plt
 
# Parámetros
N = 1000                     # número de moléculas
T0 = 1.0                     # temperatura inicial (unidades)
v_th = 1.0                   # umbral velocidad
t_steps = 6000               # pasos de simulación
kB = 1.0                     # constante de Boltzmann
E_bit = kB * T0 * np.log(2)  # coste por bit
 
# Estado inicial
vel = np.random.randn(N) * np.sqrt(T0)
side = np.zeros(N, int)   # 0 = izq, 1 = der
 
# Registros
deltaT = []
cost = []
E_acc = 0.0
 
for t in range(t_steps):
    # 1) Demonio clasifica una molécula al azar
    i = np.random.randint(N)
    if side[i] == 0 and vel[i] > v_th:
        side[i] = 1
        E_acc += E_bit
    elif side[i] == 1 and vel[i] < -v_th:
        side[i] = 0
        E_acc += E_bit
 
    # 2) Registro de temperaturas (energía cinética media)
    KE0 = np.mean(vel[side == 0]**2) / 2
    KE1 = np.mean(vel[side == 1]**2) / 2
    deltaT.append(KE0 - KE1)
    cost.append(E_acc)
 
# Graficar resultados
plt.figure(figsize=(8,6))
plt.subplot(2,1,1)
plt.plot(deltaT)
plt.title('ΔT = T_izq - T_der vs. Paso')
plt.ylabel('ΔT')
 
plt.subplot(2,1,2)
plt.plot(cost)
plt.title('Coste acumulado del demonio')
plt.ylabel('Energía')
plt.xlabel('Paso')
plt.tight_layout()
plt.show()