A Generalized Model for Disordered Random Sequential Adsorption with Charge-Dependent Deposition

Resumo Técnico: Um Modelo Generalizado para Adsorção Sequencial Aleatória Desordenada com Deposição Dependente de Carga

Definição do Problema
A Adsorção Sequencial Aleatória (RSA) é um modelo fundamental de não-equilíbrio que descreve a deposição irreversível de partículas, exemplificada pelo problema do estacionamento de carros unidimensional de Rényi. No modelo RSA contínuo padrão, todas as coordenadas de deposição geometricamente admissíveis são amostradas uniformemente, independentemente da configuração existente. No entanto, muitos processos de adsorção física — como a ligação coloidal, a adsorção de proteínas e reações de superfície — são influenciados pela heterogeneidade da superfície, campos externos ou interações partícula-substrato que enviesam a chegada ou a posição de fixação.

Extensões anteriores de RSA frequentemente introduzem desordem por meio de um cenário "quenched" pré-existente (ex: sítios aleatórios ou substratos padronizados) ou modificam as taxas de tentativa e as probabilidades de aceitação. Um mecanismo distinto, onde a medida de deposição evolui dinamicamente com base no estado do sistema, foi menos explorado. Especificamente, os autores buscam modelar um cenário onde a coordenada de deposição dentro de uma lacuna disponível é determinada por uma densidade condicional dependente das cargas que delimitam a lacuna e das cargas das extremidades da partícula que chega. Isso cria uma "desordem gerada dinamicamente", onde a geometria e os estados de carga evoluem conjuntamente como um processo de fragmentação multitipo aleatório.

Metodologia
Os autores propõem um modelo de RSA unidimensional generalizado para segmentos unitários carregados. A inovação central é a substituição do kernel de deposição uniforme por um kernel beta dependente de carga.

1. O Modelo:

   • Considere uma lacuna disponível de comprimento $x$ delimitada pelas cargas $\alpha, \beta \in \{+, -\}$.
   • Um segmento unitário que chega com cargas de extremidade $\sigma, \tau$ é depositado na posição $u$ (extremidade esquerda).
   • A densidade de probabilidade condicional $P_{\alpha\beta}^{\sigma\tau}(u|x)$ é definida por uma distribuição Beta normalizada:
     $$P_{\alpha\beta}^{\sigma\tau}(u|x) \propto u^{a_{\alpha\sigma}-1}(x-1-u)^{b_{\tau\beta}-1}$$
   • Os parâmetros $a_{\alpha\sigma} = 1 + \lambda q_\alpha q_\sigma$ e $b_{\tau\beta} = 1 + \lambda q_\tau q_\beta$ dependem do parâmetro de interação $0 \le \lambda < 1$ e dos produtos de carga ($q_+ = 1, q_- = -1$).
   • Interpretação Física: $\lambda$ atua como uma temperatura inversa efetiva ($\lambda = \varepsilon/k_B T$). Em $\lambda=0$, o modelo recupera o estacionamento de carros uniforme. À medida que $\lambda \to 1$, a deposição torna-se cada vez mais localizada próximo a cargas opostas (atrativa) e suprimida próximo a cargas iguais (repulsiva). O limite $\lambda \to 1$ representa um limiar de integrabilidade em vez de um limite de temperatura zero.

2. Estrutura Analítica:

   • Os autores formulam uma função geradora de probabilidade (PGF) de quatro componentes, $G_{\alpha\beta}(z, x)$, que codifica toda a estatística de ocupação para uma lacuna de comprimento $x$ com cargas de contorno $\alpha, \beta$.
   • Esta PGF satisfaz uma recursão integral derivada da independência condicional das duas lacunas filhas criadas por um evento de deposição.
   • A partir da PGF, equações recursivas fechadas são derivadas para a ocupação média ($f_{\alpha\beta}$) e a variância ($s_{\alpha\beta}$).

3. Soluções Numéricas e Exatas:

   • Soluções de Cascas Finitas Exatas: Soluções analíticas são derivadas para intervalos $x \in [n, n+1)$ (cascas). A primeira casca não trivial ($2 \le x < 3$) fornece expressões exatas para a distribuição, média e variância.
   • Quadratura de Gauss–Jacobi: Para sistemas maiores, os autores empregam a quadratura de Gauss–Jacobi para lidar eficientemente com as singularidades de extremidade dos kernels beta, particularmente quando $\lambda \to 1$.
   • Simulações de Monte Carlo: Um algoritmo de Monte Carlo livre de rejeição é desenvolvido para amostrar diretamente o estado de congestionamento (jammed state) final a partir do kernel condicional, servindo como uma validação independente dos resultados de quadratura.

Principais Resultados

1. Recursões Exatas e Benchmarks: O artigo fornece recursões exatas para a distribuição completa de ocupação. As soluções analíticas para as primeiras cascas servem como benchmarks rigorosos, confirmando que os métodos de Gauss–Jacobi e Monte Carlo reproduzem a média e a variância exatas com alta precisão (dentro de $10^{-4}$).
2. Auto-averagingção Assintótica: Um resultado teórico central é a prova de que a densidade de ocupação de congestionamento é auto-averaging (self-averaging).
   • Embora as cargas de contorno iniciais afetem o comportamento de tamanho finito, a densidade média assintótica ($\rho$) e a densidade de variância ($\chi$) são independentes dos estados de contorno ($\alpha, \beta$).
   • Isso é provado usando o teorema de Perron–Frobenius aplicado à matriz de transição dos estados de carga. O sistema "esquece" as condições de contorno iniciais no volume (bulk), pois a deposição repetida substitui a informação de carga inicial pelas estatísticas de distribuição de partículas.
3. Impacto da Seletividade de Carga ($\lambda$) e Composição:
   • Cobertura: A deposição seletiva de carga geralmente aumenta a densidade de congestionamento em comparação com a RSA uniforme. Isso ocorre porque eventos favorecidos pelas bordas (cargas opostas) posicionam os segmentos próximos às extremidades das lacunas, deixando intervalos filhos maiores utilizáveis.
   • Misturas de Partículas: O efeito é mais pronunciado para misturas dominadas por cargas de extremidade opostas ($p_{+-}, p_{-+}$). Em $\lambda = 0.99$, essa mistura atinge uma densidade de $\rho \approx 0.9451$, significativamente superior ao limite da RSA uniforme ($\approx 0.7476$) ou ao caso dominado por cargas iguais ($\approx 0.8670$).
   • Flutuações: A densidade de variância ($\chi$) exibe comportamentos distintos. Para misturas dominadas por cargas opostas, a alta densidade é acompanhada por flutuações fortemente reduzidas ($\chi \approx 0.0243$), indicando um estado de congestionamento mais reprodutível. Por outro lado, misturas dominadas por cargas iguais apresentam flutuações aumentadas devido à competição entre canais suprimidos e favorecidos.

Significância e Alegações
O artigo afirma fornecer uma conexão tratável entre três regimes distintos:

1. RSA Uniforme: Recuperada em $\lambda = 0$.
2. Desordem Gerada Dinamicamente: O modelo onde a medida de deposição evolui com o estado do sistema, distinto da desordem quenched.
3. Dinâmica de Segmentos Carregados Singulares: O modelo conecta-se continuamente às regras determinísticas e seletivas de carga estudadas no trabalho anterior dos autores conforme $\lambda \to 1$.

Os autores enfatizam que este framework permite o estudo analítico de estatísticas completas de ocupação (não apenas a média) em um modelo de RSA contínuo com deposição dependente de estado. A demonstração de que a densidade de congestionamento é auto-averaging, apesar da complexa evolução de carga dependente de histórico, é uma contribuição teórica fundamental. Os resultados sugerem que a composição de carga e a intensidade de interação podem ser usadas para controlar tanto a eficiência (densidade de empacotamento) quanto a reprodutibilidade (flutuações) de camadas desordenadas de congestionamento.

O artigo não propõe configurações experimentais específicas ou aplicações futuras além da modelagem teórica de processos de adsorção; sua contribuição está estritamente dentro do domínio da mecânica estatística e dos processos estocásticos de não-equilíbrio.