Metropolis-Monte-Carlo in der Physik

Der Metropolis-Algorithmus ist das „Arbeitspferd“ der statistisch-physikalischen Simulation: Durch die Annahme oder Ablehnung vorgeschlagener Schritte basierend auf deren Energiekosten, baut er eine Markow-Kette auf, die Konfigurationen mit ihrer korrekten Boltzmann-Wahrscheinlichkeit abtastet.

Definition

Der Metropolis-Algorithmus ist eine Markow-Ketten-Monte-Carlo-Methode, die eine Sequenz von Konfigurationen generiert, deren Grenzverteilung das kanonische Ensemble ist, indem lokale Änderungen vorgeschlagen und mit einer Wahrscheinlichkeit akzeptiert werden, die durch den Boltzmann-Faktor der Energieänderung festgelegt wird.

Scope

Dieses Thema behandelt die Metropolis- und Metropolis-Hastings-Algorithmen, wie sie auf physikalische Systeme angewendet werden: die Akzeptanzregel, detailliertes Gleichgewicht und Ergodizität, Äquilibrierung und Autokorrelation sowie die Schätzung thermischer Mittelwerte und ihrer statistischen Fehler. Es ist die grundlegende Stichprobenmethode, die dem breiteren Monte-Carlo-Bereich zugrunde liegt.

Core questions

• Wie hängt die Akzeptanzwahrscheinlichkeit von der Energieänderung eines vorgeschlagenen Schritts ab?
• Warum garantiert das detaillierte Gleichgewicht die korrekte stationäre Verteilung?
• Wie werden Äquilibrierungs- und Autokorrelationszeiten diagnostiziert und berücksichtigt?
• Wie wird der statistische Fehler eines Monte-Carlo-Mittelwerts aus korrelierten Stichproben geschätzt?

Key theories

Detailliertes Gleichgewicht und Stationarität

Die Wahl von Akzeptanzwahrscheinlichkeiten, die das detaillierte Gleichgewicht in Bezug auf die Boltzmann-Verteilung erfüllen, stellt sicher, dass diese Verteilung unter der Markow-Kette stationär ist, sodass Langzeitmittelwerte zu thermischen Erwartungswerten konvergieren.

Metropolis-Hastings-Verallgemeinerung

Hastings verallgemeinerte die Akzeptanzregel auf asymmetrische Vorschlagsverteilungen, wodurch der Algorithmus über symmetrische lokale Schritte hinaus erweitert wurde, während die Ziel-Stationärverteilung erhalten blieb.

Autokorrelation und Fehlerschätzung

Aufeinanderfolgende Metropolis-Stichproben sind korreliert, sodass die effektive Anzahl unabhängiger Stichproben durch die Autokorrelationszeit reduziert wird, die gemessen werden muss, um thermischen Mittelwerten ehrliche Fehlerbalken zuzuordnen.

Clinical relevance

Die Metropolis-Abtastung berechnet thermodynamische Größen von Gitterspinmodellen, Fluiden und Polymeren, lokalisiert Phasenübergänge und dient als Kernmotor innerhalb der Monte-Carlo-Molekularsimulation und vieler Quanten-Monte-Carlo-Schemata.

History

1953 eingeführt, um die Zustandsgleichung eines zweidimensionalen Hartscheibenfluids auf dem MANIAC-Computer in Los Alamos zu berechnen, wurde der Algorithmus 1970 von Hastings verallgemeinert und entwickelte sich zur am weitesten verbreiteten Simulationsmethode in der statistischen Physik und später in der Bayes'schen Statistik.

Key figures

• Nicholas Metropolis
• Arianna Rosenbluth
• W. Keith Hastings

Seminal works

• metropolis1953
• hastings1970

Frequently asked questions

Warum werden Schritte, die die Energie senken, immer akzeptiert?

Ein Schritt, der die Energie senkt, erhöht das Boltzmann-Gewicht, sodass die Annahme die Kette immer zu wahrscheinlicheren Zuständen bewegt; Schritte bergauf werden nur manchmal akzeptiert, mit einer Wahrscheinlichkeit, die durch die Energieerhöhung festgelegt wird, was es der Kette ermöglicht, die vollständige thermische Verteilung zu erkunden, anstatt nur bergab zu rollen.

Warum müssen Stichproben zu Beginn eines Laufs verworfen werden?

Die Kette beginnt mit einer beliebigen Konfiguration, die noch nicht repräsentativ für die Gleichgewichtsverteilung ist. Die anfängliche Äquilibrierungs- oder Einlaufphase wird verworfen, damit die gemessenen Mittelwerte das wahre thermische Ensemble widerspiegeln und nicht die anfängliche Verzerrung.