MAKALAH FISIKA STATISTIK

APLIKASI STATISTIK BOSE-EINSTEIN UNTUK MENGANALISIS

KONDENSASI BOSE-EINSTEIN DALAM MASALAH STATISFIABILITY

Kelompok:
1. Andrizal (1301648)
2. Niswatul Khasanah (1301596)

DOSEN:

Dr. Ahmad Fauzi, M.Si

Renol Afrizon, S.Pd, M.Pd

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Negeri Padang

2015
 APLIKASI STATISTIK BOSE-EINSTEIN UNTUK MENGANALISIS
KONDENSASI BOSE-EINSTEIN DALAM MASALAH STATISFIABILITY

Abstract
Makalah yang disajikan berkaitan dengan perilaku kompleks yang timbul
dalam masalah statisfiability (SAT). Disini dijelaskan mengenai karakteristik
fisika berbasis baru dari masalah statisfiability. Secara khusus, kami merancang
sebuah rithme algoritman yang mampu menghasilkan grafik mulai dari k-SAT,
untuk menganalisis dan menunjukkan apakah kondensasi bose-einstein terjadi.
Kita mengamati jaringan analog ke jaringan yang kompleks (jaringan k-SAT)
disini mengikuti statistik Bose-Einstein dan dapat mengalami kondensasi Bose-
Einstein.
Kata Kunci: statistik Bose-Einstein, kondensasi Bose-Einstein, masalah
statisfiability (SAT)

BAB 1
 PENDAHULUAN

A. Latar Belakang Penulisan

Statisfiability (SAT) adalah masalah menentukan jika ada interpretasi
yang memenuhi Boolean formula tertentu yang menggambarkan hubungan
antara variabel-variabelnya. Disini, ada gambaran dari distribusi Bose-
Einstein. Ini disesuaikan untuk masalah SAT dengan menerjemahkan formula
SAT menjadi grafik. Terinspirasi oleh Bianconi dan Barabasi karya penelitian
tentang kondensasi Bose-Einstein (BEC) di jaringan yang kompleks [27],
kami merancang sebuah algoritma yang menghasilkan grafik mulai dari
contoh k-SAT dan rekan masing-masing klausa dengan nilai fitness. Diagram
fase dari grafik yang diberikan oleh algoritma menunjukkan bukti BEC untuk
nilai rendah dari klausa-to-variabel rasio. BEC, dari awal, dikaitkan dengan
superfluiditas: sebagai London menyatakan pada tahun 1938, '' fase transisi
aneh (titik k) yang helium cair mengalami di 2.19 K, kemungkinan besar
harus dianggap sebagai fenomena kondensasi Bose statistik -Einstein ''
Oleh karena itu, superfluiditas dalam formula k-SAT bisa dianggap
sebagai konsekuensi dari kepadatan kendala rendah yang kita temukan dalam
fase SAT. Hasil kami memberikan petunjuk baru dalam memahami
kompleksitas dan struktur contoh k-SAT dalam fase transisi. Grafik contoh
yang diberikan memungkinkan kita untuk memenuhi itu dengan mencari
tugas kebenaran hanya untuk klausa fittest.
B. Tujuan Penulisan Penulisan
Adapun tujuan dibuat makalah ini adalah:
1. Mengetahui apa yang dimaksud dengan statistik Bose-Enstein
2. Mengetahui aplikasi statistik Bose-Einstein dalam kondensasi Bose-
Einsten.
 3. Menganalisis kondensasi Bose-Einstein dalam masalah Statisfiability
C. Manfaat Penulisan Penulisan
1. Agar dapat mengetahui apa yang dimaksud dengan statistik Bose-Enstein.
2. Agar dapat mengetahui aplikasi statistik Bose-Einstein dalam kondensasi
Bose-Einsten.
3. Agar dapat menganalisis kondensasi Bose-Einstein dalam masalah
Statisfiability

BAB 2
KAJIAN TEORI
 Dari kacamata fisika statistik perbedaan mendasar antara sistem boson dan
sistim klasik adalah bahwa dua buah boson identik dan tidak dapat dibedakan.
Dalam sistem klasik, pertukaran dua sistem akan menghasilkan susunan yang
berbeda, sedangkan dalam sistem boson tidak. Perbedaan tersebut menyebabkan
adanya hasil yang berbeda dalam perhitungan distribusi energi dengan peluang
terbesar dalam sistem.
Perbedaan lain antara sistem kuantum dengan sistem klasik adalah sifat
diskrit keadaan energi yang tersedia. Dalam statistik klasik, energi dibagi dalam
tingkatan yang diskrit. Dalam kasus mekanika kuantum keadaan energi diskrit
tetap diperlukan dengan menganggap bahwa tiap keadaan yang tersedia
menempati volume tertentu dalam sebuah ruang fase.

A. Pengertian Statistik Bose-Einstein (Boson)

Boson adalah sistem yang memiliki spin kelipatan bulat dari k. Sistem
ini tidak memenuhi prinsip ekslusi pauli sehingga satu tingkat energi dapat
ditempati oleh partikel dalam jumlah berapa pun. Statistik yang digunakan
untuk boson dinamakan statistik Bose-Einstein. Untuk menetukan fungsi
distribusi Bose-Einstein, terlebih dahulu tentukan konfigurasi dengan
probabilitas paling besar. Konfigurasi ini memilik probabilitas yang jauh lebih
besar daripada konfigurasi-konfigurasi lainnya sehingga hampir seluruh
waktu sistem bosson membentuk konfigurasi tersebut. Sifat rata-rata assembli
dapat dianggap sama dengan sifat pada konfigurasi maksimum tersebut.
Konfigurasi assembli tetap ditandai dengan pita energi s, mengandung

n
gs keadaan dengan selang energi antara e dan e + d e , mengandung s

ns
sistem. Pembatasan tetap dilakukan pada jumlah sistem yang ditempatkan
dalam kaitannya dengan energi total E dan jumlah total sistem N melalui
hubungan:

�n e s s =E
s (1)

�n s =N
s (2)

s yang akan dihitung adalah jumlah susunan yang berbeda dari sistem
apabila disebar dalam tingkatan energi. Oleh karena sistemnya tidak dapat
dibedakan maka pertukaran dua sistem tidak akan menghasilkan susunan yang

gs
baru. Misalkan terdapat keadaan dari pita s yang ditunjukkan dengan

ns
kotak dalam gambar. Sejumlah sistem dapat disusun atau disebar diatara

gs
keadaan. Jika pengisian dimulai dari kiri. Jika pada sisi paling kiri

ditempatkan sebuah sistem, maka pada sisi selanjutnya terdapat

( g s - 1)

( g - 1) + ns �
�
keadaan. Banyaknya cara memilih sistem adalah � s �. Dan

banyaknya cara menempatkan

ns
sistem diantara
( g s - 1) keadaan setelah

( g - 1) + ns �
�
keadaan pertama adalah � s �!. Jadi banyaknya cara menempatkan

ns gs
sistem diantara keadaan adalah

( g s - 1) + ns �
gs �
� � ! (3)
Ingat bahwa sistemnya tak terbedakan, sehingga banyaknya susunan yang

ws
berbeda dari sistem dengan jumlah pita s adalah :
( g s - 1) + ns �
gs �
� !
�
ws =
g s ! ns ! (4)
 Penyusunan sistem dalam suatu pita tak bergantung pada penyusunan
sistem lain dalam pita yang lain. Tetapi kita dapat menyatukan susunan-
susunan tersebut untuk membentuk assembly, dengan bobot W yang
konfiguarasinya merupakan perkalian jumlah susunan berbeda dari masing-
masing sistem. Jadi :

W = �ws =∏
[ ( g s−1 ) + ns ] !
s s ( g s−1 ) ! ns !
(5)
Seperti halnya dalam statistik Maxwell-Bolzmann, konfigurasi dengan

ns
peluang terbesar dapat ditentukan dengan mencari nilai yang memberikan
nilai maksimum untuk W. Hal ini dapat dilakukan dengan menggunakan
metode pengali tak tentu Lagrange :
��log W �
�� �n + a + be s �
dns = 0
s � s �
(6)
Oleh karena pada nilai maksimum persamaan di atas tetap berlaku

dns
untuk semua nilai yang kecil, maka nilai yang ada dalam tanda kurung
harus sama dengan nol untuk setiap harga s . Jadi,
�log W
+ a + be s = 0
�ns

(7)
gs ! ns !
Kita asumsikan bahwa nilia dan cukup besar untuk

memungkinkan kita menggunakan pendekatan Striling, sehingga log W dapat

ditulis
 log W = �log ws
s

( g s - 1 + ns ) log ( g s - 1 + ns ) - ( g s - 1) log ( g s - 1) - ns log ns �

= ��
� �
s

(8)
Dari persamaan di atas diperoleh
�log W
= log ( g s - 1 + ns ) - log ns
�ns

(9)
gs ns
Oleh karena dan jauh lebih besar dari pada satu, maka :

�log W �g + ns �
= log � s �
�ns � ns �
(10)
Substitusi persamaan 10 ke dalam persamaan 7 diperoleh
�g + ns �
log � s �+ a + be s = 0
� ns �
(11)
gs
=e (
- a + be s )
-1
ns

(12)
Jadi
gs
ns =
exp ( - ( a + be s ) ) - 1

(13)
Atau yang secara umum dikenal dengan distribusi Bose-Einstein untuk
assembly boson. Ternyata untuk assembli boson, parameter β juga berbentuk
b = -1 / kT .

B. Kondensasi Bose-Einstein
 Kondensasi Bose-Einstein adalah sebuah fase benda yang terbentuk
oleh boson didinginkan ke suhu yang mendekati nol mutlak. Kondensasi
pertama dibuat oleh Eric Cornell dan Carl Wieman pada 1995 di Universitas
Colorado Boulder, menggunakan gas atom rubidium yang didinginkan sampai
170 nanoKelvin (nK). Dalam kondisi tersebut, sebagian besar atom jatuh ke
keadaan kuantum terendah. Kondesasi Bose-Einstein terkenal oleh orang
awam sebagai suatu fluida suhu sangat rendah dengan sifat yang aneh, seperti
dengan spontan megalir keluar dari wadahnya. Efek ini adalah konsekuensi
dari mekanika kuantum, yang menyatakan bahwa sistem hanya dapat
mendapatkan energi dalam langkah terpisah. Sekarang, bila sebuah sistem
dalam keadaan suhu sangat rendah di mana dia dalam keadaan energi
terendahnya, dia tidak lagi dapat mengurangi energinya, juga tidak dengan
gesekan. Oleh karena itu, tanpa gesekan, fluida akan mudah menolak gravitasi
karena adhesi antara fluida dan tembok wadah, dan ia akan membentuk posisi
yang paling menguntungkan, misal, ke seluruh wadah.
Kembali lihat bentuk fungsi distribusi BE. Jumlah sistem yang
menempati keadaan dengan energi En pada suhu T adalah
1
n(E n , T )=
exp ( E n−µ ) /kT
(14)
Jumlah populasi yang menempati tingkat energi terendah ( E0=0 ) adalah
1 1
n ( 0,T )= =
exp ( 0−µ ) exp−µ/kT −1
−1
kT
(15)
Pada suhu T0 hampir semua sistem menempati keadaan dengan energi
terendah. Dengan demikian, jumlah populasi pada tingkat ini memiliki orde
kira-kira sama dengan jumlah total sistem, atau
 1
N ≈ lim n ( 0,T )=lim (16)
T →0 T →0 exp−µ /kT −1
Karena N sangat besar (dalam orde 1023) maka ketika T →0 penyebut
harus menuju nol. Sebab, jika tidak maka penyebut tidak akan menghasilkan
nilai N yang sangat besar. Nilai exp−µ/kT −1 akan menuju nol hanya jika
exp−µ/ kT menuju satu. Fungsi eksponensial exp(x) mendekati 1 jika
x → 0 . Jadi, kita simpulkan bahwa pada T →0 akan berlaku
μ/kT → 0 . Dan jika μ/kT → 0 maka kita dapat melakukan aproksimasi
exp−µ μ
N= ≈1−
kT kT
(17)
−−kT
μ=
N
(18)
Hubungan pada persamaan diatas menyatakan bahwa pada suhu T →0
maka μ berharga negatif dan merupakan fungsi linier suhu. Sebagai
ilustrasi, pada T =1 K dan N = 1022 maka µ ≈ −1,4×10−38 erg. Ini adalah
nilai yang sangat kecil. Bahkan nilai ini jauh lebih kecil daripada jarak antar
dua tingkat energi terdekat dalam assembli atom helium di dalam kubus
dengan sisi 1 cm. Kebergantungan µ pada suhu itulah yang menyebabkan
peristiwa kondensasi Bose-Einstein.
Agar lebih memahami fenomena kondensasi Bose-Einstein, mari kita
perhatikan sistem-sistem yang berada dalam kubus dengan sisi L. Tingkat-
tingkat energi yang dimiliki assembli memenuhi:
2
ℏ π
E (nx n y nz )= ( ) (n
2M L
x
2
+ n y 2 + nz 2 ) (19)

Tingkat energi terendah bersesuaian dengan n x ¿ n y =n z=1 , yaitu

2
ℏ π
E ( 111 )=
2M L ()
( 1+1+1 ) (20)
 Salah satu tingkat energi berikutnya bersesuaian dengan n x ¿ n y =1 dan
n z=2 , yaitu:
2
ℏ π
E ( 112 )= ()
2M L
(1+1+ 4 )

Selisih tingkat energi terendah dan tingkat energi berikutnya adalah

2
ℏ π
∆ E=E ( 112 )−E ( 111 )=3 × ()
2M L
Apabila kita prediksi populasi sistem pada tingkat energi eksitasi pertaman
dan tingkat energi terendah dengan menggunakan statistik Maxwell-
Boltzmann adalah:
−∆ E/kT
(¿)
n1
=exp ¿
n0
Secara khusus, dibawah suhu kritis T BEC, semua partikel menetap di
keadaan kuantum yang sama dan menempati tingkat energi yang sama. Oleh
karena itu, partikel tersebut benar-benar identik, karena tidak ada pengukuran
yang mungkin dapat membedakannya. Dengan kata lain, partikel tersebut
kehilangan individualisme mereka, dan persepsi tunggal partikel hilang.
Terinspirasi oleh karya Bianconi dan Barabasi yaitu dengan
menggunakan sebuah algoritma untuk menyelidiki fenomena BEC pada
masalah k-SAT. Dengan menerjemahkan formula SAT ke grafik, dapat
mendefenisikan kondensasi dari rumus diatas sebagai munculnya topologi
bintang seperti dalam grafik. Fenomena ini dikaitkan dengan kondensasi
boson pada tingkat energi terendah.

C. Masalah Statisfiability (k-SAT)

Dalam ilmu komputer, masalah Satisfiability Boolean (kadang-kadang
disebut Propositional Satisfiability masalah dan disingkat SATISFIABILITY
atau SAT) adalah masalah menentukan jika ada interpretasi yang memenuhi
Boolean formula tertentu. Dengan kata lain, apakah variabel-variabel Boolean
formula tertentu dapat secara konsisten digantikan oleh nilai-nilai yang benar
atau palsu sedemikian rupa. Jika formula mengevaluasi ke TRUE maka
formula disebut memuaskan. Di sisi lain, jika tidak, fungsi yang dinyatakan
oleh formula identik atau palsu .
1. SAT untuk grafik algoritma
Sebuah contoh dari masalah k-SAT terdiri dari:
a. Satu set variabel X dengan |x|=n
b. Satu set klausa C lebih dari X, dimana |C|=m sehingga setiap
klausul Ci ∈ C, ∀i = 1,..., m, memiliki literal k dan dapat ditulis
sebagai Ci=Li L2 , ... Lk dimana Lμ ∈ L , ∀ μ=1, …. , l , disini

L=X ∪ X́ ∪ {true , false } adalah serangkaian literal L=1

Untuk menemukan kebenaran dari masalah digunakan persamaan:
F=C1 Λ C2 Λ … Λ Cm
SAT untuk Grafik Transformasi Algoritma (S2G) diterjemahkan dari k-
SAT menjadi grafik G=(V , E) , dimana V adalah puncak dari grafik
dan E adalah pinggir dari grafik.
SAT untuk Grafik Transformasi Algoritma (S2G) diterjemahkan a
k-SAT menjadi graph G = (V, E), di mana V adalah puncak dan E adalah
pinggir. Sebuah puncak Vi adalah sebuah clausa Ci dari rumus F.

C
(¿ ¿i) , sedangkan pinggir di analogikan sebagai sebuah hubungan
V i=−V ¿
 C
C
antara dua klausa dimana pinggir adalah (¿¿ h) . Untuk
(¿¿ j),V ¿
E jh =V ¿
menentukan grafik algoritma digunakan 2 fungsi yaitu fungsi dari literal
dan fungsi dari klausa, yang mana fungsi dari lateral disebut global
frekuensi, persamaannya yaitu:
G
φ ( L μ )=¿ terjadi pada Lμ di F, μ=1, … , i,
Dimana fungsi menjelaskan freqkuensi dari literal ke dalam formula k-
sat. Sedangkan fungsi dari klausa disebut global fitness, persamaannya
yaitu:
k
f G ( C i )= ∑ φG ( Lμ ) , Lμ ∈C i ,i=1, … .. , m,
µ=1

Dimana sebuah fungsi fitness untuk menilai clausa dan mengembangkan

kebiasaan monoton dengan respek φG dari setiap literalnya.

Konstruksi dari grafik G = (V, E) adalah sebuah proses yang

berulang-ulang yg mana setiap klausa Ci adalah tanda untuk sebuah
puncak V i dan pingir E jh adalah pusat usaha yang didasarkan pada
fungi. Selama konstruksinya yang terjadi adalah daya gerak, kita butuh
mendenefisikan lokal frekuensi dari literal dan lokal fitness dari klausa.
Ketika global yang pertama di tentukan dengan formula yang lengkap F,
dan yang lokal hanya memperhatikan klausa yang telah ditambah
sebagaai vertex (puncak) dalam V yang digunakan sebagai sebuah
persamaan F’ dari klausa F. Secara umum, kami mendefinisikan lokal
frekuensi dari literal sebagai berikut:

φ L ( Lμ ) =¿ terjadi pada Lμ di F’, μ=1, … , l ,

Dan lokal fitness dari klausa didefenisikan sebagai

 k
f L ( C i )=∑ φ L ( L μ ) , L μ ∈ Ci , i=1, ….. , m ,
µ=1

Hal ini jelas bahwa, pada pengulangan i, literal Lμ memiliki

φ L ( Lμ ) =0 dalam kasus klausa yang belum ditambahkan ke V (G),

ketika algoritma berakhir,

φG ( L μ )=φL ( L μ ) , ∀ μ=1, … ,l .

Selanjutnya kita perlu menganggap bahwa urutan literal dalam

huruf a tidak penting. Namun, karena operator adalah comutative, ada
kemungkinan untuk menentukan jarak matrik yang menyatakan berapa
banyak literal tidak sama antara dua klausa. Disini ditetapkan bahwa
i j
Ci , C j menjadi dua klausa yang dibentuk dari literal Lμ dan Lμ
yang secara langsung, didefenisikan dalam persamaan berikut:

d ( Ci , C j )=|{ μ∈ { 1, … ., k } : L μ ≠ Lμ }|
i j

Dimana sebuah jarak metrik dapat dihubungkan dengan jarak

Hanmming.
Disini G = (V, E) menjadi sebuah grafik yang diperoleh dari (i-1) yang
berulang-ulang, dan F’ ⊂ F menjadi bagian formula k-SAT sementara
F=Ct 1 Λ C t 2 Λ … Λ C ti−1 yang bertujuan untuk menambah sebuah
C
klausa Ct 1 menjadi G sebagai sebuah klausa (¿¿ ti) , diperkirakan
V¿
kemungkinan hubungan sebuah simpul yang termasuk kepada grafik,
kemungkinan ini harus diperhitungkan untuk masing-masing simpul
(klausa) yang ditambahkan pada G, itu adalah kriteria untuk membangun
pinggir antara simpul-simpul. Kami mendefinisikan kemungkinan
C
tersebut adalah sebuah simpul (¿¿ i) yang dihubungkan kepada simpul
V¿
 C
(¿¿ j)∈ V (G) , sebagai berikut:
V¿
L
¿V ∨¿ k tj ∙ f ( C tj )

∑ ¿
V =1

k tj ∙ f L ( C tj )
∏tj =
¿
C
Dimana k tj = tingkat (¿¿ tj) adalah penghubung dari Ctj
V¿
C C
( nomor dari pembagian hubungan dengan simpul (¿¿ tj) dan (¿¿ tj)
L
V¿ f ¿
adalah fitness dari clausa C tj . Distribusi kemungkinan ini meyakinkan

bahwa sebuah puncak baru seperti penghubung sesuatu yang dengan

fitness yang bernilai tinggi atau dengan penghubung tinggi. Kita tarik
kesimpulan bahwa proses ini membawa sebuah model yang mana
ketertarikan dan evaluasi dari sebuah simpul di perkirakan dengan
fitnesnya dan nomor dari penghubungnya.
Dalam tujuan untuk menandai simpul clausa baru, sebuah
nomor yang pas untuk mempresentasikan level yang tinggi, dibutuhkan

C
C
C
menormalisasikan nilai lokal fitness sebagai (¿¿ t) dimana
(¿¿ ti)/ f L ¿
f Lr (¿¿ ti)=f L ¿
¿
Ct adalah klausa fitness dalam grafik sementara yang dibuat
C
mengunakan F’.Sebagai hasilnya, secepat simpul (¿¿ tj) masuk
V¿
kedalalm sistem, itu mengikuti level energi.
 C
L
f (¿¿ ti)
r
∈ti=−T ∙ log¿
1
Dimana T= dan β adalah parameter yang digunakan
β
untuk model temperatur sebuah sistem. (dalam hal ini, ketika
membandingkan dua atau lebih banyak level energi, kita menghilangkan
perkalian faktor T). Jika dua node yang berbeda ditandai nilai energi
yang sama dalam model kami, itu berarti (dari titik pandang fisika)
bahwa mereka mewakili dua komponen degenerasi berbeda dari tingkat
energi yang sama, seperti yang ditunjukkan pada Tabel 1.
Tabel 1. Kamus menerjemahkan grafik (kiri ) ke dalam masalah k-SAT
(tengah) dan statistik bahasa fisika (kanan).
G= (V,E) k-SAT Fisika Statistik
Keadaan dari tingkat
Node klausa
energi
Sumber antara dua Satu partikel untuk
Edge
klausa setiap keadaan
Massa Node Fitness Klausa Nilai dari level energi
Probabilitas yang
Massa Edge Massa Partikel
dibuat

Definisi probabilitas dan kriteria yang menghubungkan adalah

blok bangunan dari algoritma S2G, yang terdiri dari tiga langkah utama
yaitu:
Langkah I. Biarkan ❑=∅ ,V =∅ , E=∅ , dan F ' =∅ . Biarkan i
menjadi indeks dengan jumlah iterasi. Di sini, kita menetapkan i = 1.
klausa pertama Ct 1 untuk menambah F’ dipilih secara acak di antara
klausa m dari rumus yang diberikan F. Setelah menghitung fitness lokal
klausa, kami menetapkan untuk itu fitness lokal dinormalisasi
C
f (¿¿ ti) . Sejak Ct 1 adalah hanya klausa yang ditambahkan ke
L
r
¿
grafik sejauh ini, tingkat yang f Lr diatur ke 1. Setelah itu, kita
menghitung ∈ti tingkat energi, yang dalam hal ini adalah sama dengan
0.
 Langkah II. Berturut-turut, kita melakukan langkah lain dari
algoritma, dalam rangka membangun link pertama antara dua klausa,
seperti yang ditunjukkan pada Algoritma S4. Langkah ini dan yang
berikut termasuk dua prosedur, ditampilkan di Algoritma S2 dan S3.
Klausa kedua yang dipilih sedemikian rupa sehingga paling dekat dengan
Ct 1 , dalam hal jarak. Jika dua atau lebih klausa memiliki jarak
minimum yang sama dari Ct 1 maka klausul acak dipilih di antara
mereka. Perhatikan bahwa pada setiap iterasi i semua frekuensi lokal
literal diperbarui, sehingga lokal fitness dan tingkat energi dari klausa
diperbarui juga. Kami melakukan normalisasi fitness dalam rangka untuk
mendapatkan tingkat energi non-negatif. Memang, fungsi logaritma,
ketika basis lebih besar dari 1 dan argumen milik interval] 0,1],
mengembalikan nilai non-positif; karena suhu T mutlak adalah non-
negatif, tingkat energi menjadi nilai non-negatif, seperti yang diharapkan.
Langkah III (langkah umum). Loop utama dari algoritma S2G
ditampilkan di Algoritma 1 akan dilakukan setelah link didirikan.
Tujuannya, seperti pada langkah sebelumnya adalah untuk memilih t i
indeks sehingga Ct 1 adalah klausa yang paling dekat dengan klausa
dengan fitness tertinggi diantara mereka berada di jaringan sejauh
(setelah langkah (i-1 )). Untuk setiap link yang didirikan, kami
menempatkan sebuah partikel pada masing-masing dua keadaan
degenerasi dua klausa yang terlibat. Selain itu, kemungkinan membangun
link menjadi berat di tepi mewakili link tersebut. Langkah umum berbeda
dari langkah kedua karena membutuhkan setidaknya satu ujung dalam
grafik berfungsi dengan benar. Prasyarat ini memungkinkan kita untuk
memiliki minimal dua konektivitas titik nol, memungkinkan untuk
membandingkan Pute probabilitas ∏tj karena denominator pasti nol.
Ini adalah alasan mengapa pada Langkah II kita dipaksa Ct 1 dan
Ct 2 untuk menghubungkan bersama.
Algoritma S2G didasarkan pada pendekatan probabilistik, yang
bahkan bisa menyebabkan jaringan tak terduga. Menurut proses ini,
grafik dibangun sedemikian rupa untuk melibatkan dinamik tingkat
energi yaitu nilai numerik dari setiap perubahan tingkat energi pada
setiap iterasi, karena perubahan dinamis dari frekuensi lokal.
Pertama klausul ditambahkan ke grafik yaitu Ct 1 , bisa dipilih
 berbeda. Misalnya, f G (C i ) dapat diperhitungkan dalam pilihan
klausul, dan fittest klausul global akan kemudian dipilih sebagai klausa
pertama di G. Dengan cara ini, prinsip keuntungan penggerak pertama
ditekankan, karena klausa pertama juga yang terkuat, sehingga lebih
mudah untuk itu untuk memperoleh sebagian besar link dari seluruh
jaringan. Oleh karena itu teknik ini akan menyebabkan lebih banyak
jaringan BEC tapi merugikan ketidakpastian proses keseluruhan.
Ketika grafik selesai, kita mempertimbangkan konektivitas dari
node terkaya (node yang memiliki jumlah maksimum link) untuk
memutuskan apakah kondensasi Bose-Einstein telah terjadi. Jika
konektivitas yang cukup besar (ambang batas yang telah ditentukan
secara eksperimental, Bekerja lihat hipotesis 2), kita mengatakan bahwa
BEC telah terjadi dalam grafik, yaitu, satu node memiliki sebagian kecil
besar tepi dan fraksi tersisa dibagi di antara semua node lain. Jika grafik
tidak menunjukkan kondensasi apapun, kita menghitung distribusi gelar
untuk memahami jenis jaringan telah dikembangkan. Selain itu, kita
menghitung mean dan standar deviasi dari semua node kecuali pemenang
(yaitu, terkaya), sehingga memperoleh statistik sederhana yang
melibatkan seluruh distribusi derajat.
Kompleksitas komputasi algoritma kami adalah polinomial.
Prosedur Langkah II memiliki kompleksitas O (N 3), di mana N = max {n,
m, k}, karena subprocedure yang menghitung dis dikan d antara klausa
memenuhi syarat untuk bergabung dengan grafik dan klausa fitness sudah
ditambahkan ke dalamnya. Loop utama dari algoritma S2G memiliki O
(N4) kompleksitas waktu, karena terdiri dari prosedur Langkah II
diterapkan (dengan sedikit modifikasi) untuk semua klausul yang tersisa
dari rumus k-SAT.
2. Lampiran preferensial berbasis fitness
Pada bagian ini kami memperluas algoritma S2G dengan
memasukkan konsep lampiran preferensial, sehingga mendapatkan
algoritma baru yang disebut S2G-PA. Bahkan model ini dimulai dengan
dua node terhubung sebuah sisi.Persis seperti di model sebelumnya, pada
setiap iterasi node baru ditambahkan ke grafik. Lampiran preferensial
diimplementasikan dalam algoritma baru ini didasarkan pada prinsip yang
sama dari algoritma yang digunakan sejauh ini: jika kita
mempertimbangkan satu simpul jaringan, kemungkinan memperoleh tepi
baru berkorelasi positif dengan derajat. Menurut bagian sebelumnya,
dalam model berbasis fitness konektivitas bukan satu-satunya parameter
diperhitungkan, tetapi juga fitness memainkan peranan penting dalam
menghitung probabilitas memperoleh tepi baru.
Perbedaan utama antara model ini dan model yang disajikan
sebelum terdiri dari preferensial keluar derajat (q), teknik berlaku untuk
grafik diarahkan. Pada setiap iterasi i, node yang bergabung grafik dipaksa
untuk menghubungkan paling untuk q node yang ada dan setidaknya
untuk satu simpul. Ingat bahwa dalam model sebelumnya tidak ada
pembatasan untuk jumlah link keluar (od (v)) yang node bisa memiliki. Ini
mengikuti bahwa jumlah node, ketika mereka bergabung dengan jaringan
yang ada, tidak link ke node lain dari grafik. Hal ini menyebabkan P
probabilitas (kemungkinan menghubungkan node baru kepada mereka)
untuk tetap selalu 0, oleh karena derajat mereka tetap sama dengan 0
selama seluruh proses yaitu mereka tidak pernah terkait dengan
Komponen terhubung utama grafik. Sebaliknya, algoritma baru
memastikan bahwa semua node akan menjadi bagian dari jaringan, yaitu,
semua node akan memiliki minimal satu link dan G memiliki satu hanya
komponen yang terhubung. Jaringan output S2G dan S2GPA dapat
dibandingkan dalam Tambahan Data C dan D. Ketika node yang paling
terhubung memiliki jumlah tertinggi partikel, dan simpul pemenang
diidentifikasi dengan tingkat energi terendah, kami mendapatkan jelas ''
tanda '' BEC dalam skema lampiran preferensial dengan fitness, seperti
yang dibuktikan oleh Borgs et al. Fakta-fakta ini membantu kami
mengkonfirmasi bahwa ketika BEC terjadi ada pemetaan yang jelas antara
gas Bose dan grafik yang diperoleh algoritma S2G.
 BAB 3
KONDENSASI BOSE-EINSTEIN PADA MASALAH SAT

Mari kita mempertimbangkan iterasi i dari generasi grafik, ketika node

C
v (¿¿ t i) ditambahkan ke jaringan. Misalkan, menurut probabilitas Π ,
¿

C C
node baru v ( ¿¿ t i) harus dikaitkan dengan node yang ada v (¿¿ t j) .
¿ ¿
Pada bagian ini, kita membuat hipotesis berikut.
Bekerja hipotesis 1. link keluar kurang penting daripada link masuk
yang link masuk yang dihargai lebih dari link keluar. Hipotesis ini
menunjukkan bahwa grafik kita harus dianggap sebagai grafik diarahkan
untuk mempertahankan korespondensi antara contoh k-SAT dan grafiknya,
serta untuk membedakan antara link keluar dan masuk. Menurut referensi

C
Google, tepi yang sama antara node baru v (¿¿ t i) dan simpul yang ada
¿

C
v (¿¿ t j) tidak meningkatkan konektivitas mereka k ti dan k tj
¿
(masing-masing) dengan cara yang sama (lihat Gambar.1). Namun demikian,
kami terus mewakili grafik kita sebagai sebuah grafik diarahkan,
memanfaatkan hubungan k ti =θ od (v (Ci)) + id (v (Ci)), di mana od dan id
adalah simpul keluar-derajat dan dalam derajat masing-masing. Jelaslah
bahwa konektivitas non-integer (yaitu, tingkat non-integer) mengarah ke jenis
baru evolusi jaringan. Dalam model baru ini, node bertujuan untuk
 menghubungkan ke node tertentu dalam jaringan, dan ketika mereka berhasil
tersambung ke, simpul yang mendapat lebih kaya dan lebih kaya lebih cepat
daripada di model sebelumnya. Bahkan, sebagai link masuk dihargai lebih
dari link keluar, konektivitas node yang memperoleh link menimbulkan lebih
dari konektivitas dari node menghubungkan ke sana. Kami menetapkan θ
= 0,33 sehingga link keluar dihargai sepertiga dari link masuk. Plot pada
Gambar.2 telah diperoleh dengan memperbaiki jumlah variabel n = 100 dan
membiarkan jumlah klausul m bervariasi dari 0 sampai 1000, sehingga ¼ mn
(jumlah klausul lebih jumlah variabel) bervariasi dari 0 sampai 10. Plot
menggambarkan hubungan antara dan persentase masing masing dari tiga
kelas jaringan dikembalikan oleh algoritma kami, sesuai dengan hipotesis.

Gambar. 1. Hubungan antara node baru C TI dan node yang ada CTJ.
Garis putus-putus mewakili non-bilangan bulat keluar derajat jam CTI,
sedangkan garis kontinyu mewakili integer dalam derajat CTJ.

Pada bagian ini kita menyelidiki hasil dari algoritma kami. Pertama,
kami memberikan bukti numerik dari kehadiran kondensasi Bose-Einstein
dalam masalah k-SAT, dengan fokus pada wilayah fase transisi. Kami
mengevaluasi diagram fase algoritma S2G untuk menunjukkan transisi antara-
get-kaya fit fase dan winnertakes-semua fase. Kedua, kita menganalisis
pemecah SAT diusulkan di atas dengan mengevaluasi kinerja mereka pada
kedua acak dan reallife SAT.

1. Hasil eksperimen
Pada bagian ini kita menyelidiki hasil dari algoritma kami. Pertama,
kami memberikan bukti numerik dari kehadiran kondensasi Bose-Einstein
dalam masalah k-SAT, dengan fokus pada wilayah fase transisi. Kami
mengevaluasi diagram fase algoritma S2G untuk menunjukkan transisi antara-
get-kaya fit fase dan winnertakes-semua fase. Kedua, kita menganalisis
pemecah SAT diusulkan di atas dengan mengevaluasi kinerja mereka pada
kedua acak dan reallife SAT contoh.

Gambar. 3. kondensasi Bose-Einstein (BEC) di 3-SAT. Kami melaporkan

sumbu x rasio suatu klausul untuk variabel, dan pada sumbu y persentase
jaringan BEC ditemukan. Poin telah dilengkapi melalui keenam rangka
regresi polinomial. Garis abu-abu menunjukkan wilayah mana TBEC
temperatur kritis untuk kondensasi Bose-Einstein bisa ditemukan.

Gambar. 4. Diagram Fase 3-SAT. Kami melaporkan fraksi link bersama

dengan pemenang melawan (rasio klausa untuk variabel). Setiap titik adalah
rata-rata lebih dari 1000 3-SAT dengan 30 grafik per contoh. Kami telah
melakukan keenam rangka regresi polinomial agar sesuai dengan data. Contoh
Satisfiable (dengan probabilitas tinggi) milik pemenang-mengambil-semua
fase. Contoh unsatisfiable (dengan probabilitas tinggi) milik fase fit-get-kaya.
The TBEC temperatur kritis untuk kondensasi Bose-Einstein bisa berada di
wilayah abu-abu di lingkungan SAT-UNSAT fase transisi alfa= 4,256. Di
bawah suhu kritis, pemenang fraksi meningkat pada tingkat yang lebih tinggi.

Pendekatan kami didasarkan pada analisis dari tingkat energi

yang berkaitan dengan masing-masing klausa. Kami menunjukkan
bahwa dengan memesan klausul sesuai dengan energi mereka kita
mengungguli salah satu yang terbaik SAT pemecah (ChainSAT, melihat
hasil [26])pada sebagian besar benchmark. Ini berarti bahwa kita
meningkatkan algoritma yang mampu memecahkan masalah k-SAT
hampir pasti dalam waktu linier dalam jumlah variabel. Oleh karena itu,
algoritma kami juga bisa menjadi alat yang baik dari sudut pandang
aplikasi, misalnya, memeriksa satisfiability formula dalam perangkat
keras dan perangkat lunak verifikasi.
 BAB 4
PENUTUP

A. Kesimpulan
1. Boson adalah sistem yang memiliki spin kelipatan bulat dari k. Sistem ini
tidak memenuhi prinsip ekslusi pauli sehingga satu tingkat energi dapat
ditempati oleh partikel dalam jumlah berapa pun. Statistik yang digunakan
untuk boson adalah statistik bose-einstein.
2. Kondensasi Bose-Einstein adalah sebuah fase benda yang terbentuk oleh
boson didinginkan ke suhu yang mendekati nol mutlak.
3. Distribusi Bose-Einstein dan menyesuaikan untuk masalah satisfiability
dengan menerjemahkan formula SAT menjadi grafik.
 DAFTAR PUSTAKA
Abdullah, mikhrajuddin, 2009. Pengantar Fisika Statistik. Kk fismatel: ITB
www.elsevier.com/locate/ejor
http://dx.doi.org/10.1016/j.ejor.2012.11.039