Jako výpočetní fyzik pracující v materiálech / kondenzovaných látkách jsem buď velmi zaujatý, nebo mám dobré předpoklady, abych se k tomu vyjádřil.

Fyzika je v praxi rozdělena do tří překrývajících se přístupů: experimentální, teoretické a výpočetní. (Nejvýznamnější výzkumné práce obvykle zahrnují kombinované úsilí všech tří.)

Pokud máte v plánu jít do výpočetního výzkumu, budete muset udělat slušné množství programování. Neznám však nikoho, kdo využil Raspberry Pi pro fyzikální výzkum (to neznamená, že nikdo nemá, ale je to spíše novinka než něco, co se běžně dělá). Ve výpočetní fyzice bude váš kód téměř výlučně spuštěn buď na standardních stolních počítačích, nebo na superpočítačích (kde využíváte systémy pro předávání zpráv jako MPI k využití obrovského paralelismu). Prakticky všechny univerzity mají své vlastní superpočítače, ale může vám být také udělen přístup k některým větším národním nebo dokonce mezinárodním superpočítačům (například ARCHER, Jaguar atd.).

Grafické karty se v posledních letech staly velmi populárními pro fyzikální výzkum kvůli nárůstu CUDA a většina superpočítačů nyní obsahuje několik uzlů nabitých špičkovými grafickými kartami. Programování GPGPU je tedy příjemná dovednost, ale v žádném případě není nutnost.

Za zmínku stojí také programovací jazyky. Hlavně z historických důvodů je většina akademických kódů ve skutečnosti procedurálně psána v Fortranu (což je tak archaické, že stále mají funkce, které zbyly z doby děrných štítků). C / C ++, Java a Python jsou také široce používány spolu s Unix shell (většina akademických strojů používá Linux). Ti, kdo hodně statisticky modelují, většinou používají R nebo IDL. A ti, kteří jsou příliš líní na skutečné programování - většinou matematici a inženýři - používají MATLAB nebo Mathematica (dobře, jsem trochu kruté na to).

Dovolte mi to na závěr diskutovat o teoretické a experimentální fyzice. Prakticky každý teoretik, kterého znám, dělá většinu své práce na počítačích - programuje například numerické řešení nebo testování. A mnoho z jejich „teorií“ je zaměřeno na pokrok výpočetních metodik. Klasickým příkladem toho jsou Hohenbergovy-Kohnovy věty, které položily základ pro teorii funkční hustoty, a nyní existuje mnoho teoretiků, kteří se to snaží rozšířit vývojem lineárního měřítka a DFT v reálném prostoru.

Programátoři se také stali běžnými pro programování. Ať už se jedná o mikrokontroléry, jako je Arduinos (jak uvedl Emilio Pisantry níže), skripty pro analýzu dat nebo dokonce využití standardních simulačních technik k lepšímu pochopení jejich experimentálních pozorování.

Z hardwarového hlediska je pravděpodobné, že byste psali kód v systému podobném unixu, který dokáže distribuovat kód na více jader nebo alespoň na jeden GPU.

Pokud se tento příspěvek týká toho, co hardware, který byste měli používat: Navrhuji, abyste si pro levné, ale efektivní řešení nastavili stolní počítač s následujícím:

• Grafická karta NVIDIA - Pouze grafické karty NVIDIA mohou běžet CUDA a následně pracovat s nejvíce zrychlenými knihovnami GPU. AMD / jiné značky mohou využívat OpenCL, ale můžete se setkat s situací, kdy váš kurz používá knihovnu kompatibilní pouze s CUDA. V současné době některé knihovny, například theano pythonu, skutečně podporují pouze karty NVIDIA kvůli jejich CUDA závislosti
• CPU s alespoň dvěma jádry - takže můžete hrát s vícejádrovým kódem
• Ubuntu je velmi jednoduchá a efektivní platforma podobná unixu, která vám poskytne dobré nastavení programování
• Dual Boot Windows - hlavně pro snadné psaní kurzu

Výše ​​uvedený seznam vám umožňuje hrát s GPU akcelerovaným kódem, vícejádrovým programováním a umožňuje vám snadno instalovat knihovny prostřednictvím ubuntu.

Z mých zkušeností můžete často spouštět intenzivní kód na univerzitních superpočítačích, ale možná nebudete chtít neustále procházet snahou o přístup k nim / možná k nim nebudete mít přístup po celou dobu.

Jako čerstvý absolvent fyziky ve Velké Británii mohu říci, že každá práce, která mě oslovila nebo o kterou jsem požádala, týkající se fyziky, měla výpočetní požadavky.

Co se týče jazyky, musel jsem odejít rn Python a C / C ++ od absolvování kurzu, který učil Fortran. Doporučil bych naučit se všechny tři.

Hodně teoretické fyziky a prostě „učení“ fyziky nevyžaduje mnoho programování. To je případ hluboko do mnoha oborů fyziky.

Experimentální fyzika se zpracováním dat naopak ano. Ne programování přímo, ale dobrá znalost výpočtu a softwaru založeného na datech / matici. Ty často vyžadují určité programátorské dovednosti, například Matlab nebo Maple od MathWorks.

Když se dostanete do oblasti fyziky kondenzovaných látek a molekulárních struktur atd. , budete potřebovat některé statistické fyzikální metody a nástroje pro numerickou iteraci a simulaci, které jsou bez nástroje CAS nemožné.

Dosažení elektronického světa samozřejmě vyžaduje určitý druh řízení obvodu. Arduino nebo Raspberry Pi a cokoli jiného se jim říká, jsou nástroje k ovládání obvodů. Často to ale není pro fyzikální práci, pokud se nedostanete úplně do digitální oblasti a nebudete se vzdalovat fyzikálním principům, které za ní stojí.