Monte-Carlo-Integration in der Physik

Wenn ein Integral über viele Dimensionen läuft, wird die gitterbasierte Quadratur unmöglich, und die Monte-Carlo-Integration gewinnt, indem sie das Integral als Durchschnitt über Zufallspunkte mit einem Fehler schätzt, der die Dimension ignoriert.

Definition

Die Monte-Carlo-Integration schätzt ein bestimmtes Integral als den Durchschnitt des Integranden, der an zufällig ausgewählten Punkten im Definitionsbereich ausgewertet wird, multipliziert mit dem Volumen des Definitionsbereichs, wobei der statistische Fehler mit der inversen Quadratwurzel der Anzahl der Punkte abnimmt.

Scope

Dieses Thema behandelt die Monte-Carlo-Bewertung hochdimensionaler physikalischer Integrale: einfaches Sampling, Varianzreduktion durch Importance- und Stratified Sampling sowie adaptive Schemata wie VEGAS, mit Anwendungen auf Zustandssummen, Streuquerschnitte und Phasenraumintegrale. Es behandelt speziell die Integration, abweichend von der Konfigurationsabtastung.

Core questions

• Warum übertrifft die Monte-Carlo-Integration die Gitterquadratur in hohen Dimensionen?
• Wie reduziert das Importance Sampling die Varianz einer Integralabschätzung?
• Wie verteilt das Stratified Sampling Punkte, um den Fehler zu verringern?
• Wie lernen adaptive Algorithmen wie VEGAS die Form eines scharf ausgeprägten Integranden?

Key theories

Dimensionsunabhängiger Fehler

Der statistische Fehler eines Monte-Carlo-Integrals skaliert als die inverse Quadratwurzel der Stichprobenanzahl, unabhängig von der Dimension, während der Fehler der Gitterquadratur mit zunehmender Dimension exponentiell schlechter wird.

Varianzreduktion

Das Importance Sampling konzentriert Punkte dort, wo der Integrand groß ist, indem es aus einer maßgeschneiderten Verteilung zieht, und das Stratified Sampling unterteilt den Definitionsbereich, beides reduziert die Varianz der Schätzung für eine feste Anzahl von Auswertungen.

Adaptive Integration

Der VEGAS-Algorithmus verfeinert iterativ ein separierbares Importance-Sampling-Gitter, um es an den Integranden anzupassen, wodurch er für die scharf ausgeprägten, hochdimensionalen Integrale, die in der Teilchenphysik auftreten, effektiv ist.

Clinical relevance

Die Monte-Carlo-Integration bewertet Phasenraumintegrale und Streuquerschnitte in der Teilchenphysik, Zustandssummen- und Freie-Energie-Integrale in der statistischen Mechanik sowie jedes mehrdimensionale Integral, bei dem eine deterministische Quadratur undurchführbar ist.

History

Die Monte-Carlo-Integration entstand aus derselben Arbeit in Los Alamos in den 1940er Jahren, die die Monte-Carlo-Methoden begründete; adaptive Importance-Sampling-Schemata wie VEGAS, 1978 von Lepage eingeführt, machten hochdimensionale Integrale in der Teilchenphysik routinemäßig berechenbar.

Key figures

• G. Peter Lepage
• Stanislaw Ulam
• John von Neumann

Seminal works

• lepage1978
• press2007

Frequently asked questions

Wann ist die Monte-Carlo-Integration der gewöhnlichen Quadratur vorzuziehen?

Für niedrigdimensionale glatte Integrale ist die deterministische Quadratur genauer. Monte Carlo gewinnt, sobald die Dimension hoch ist, typischerweise jenseits von vier oder fünf, da sein Fehler nicht von der Dimension abhängt, während Gittermethoden eine exponentiell wachsende Anzahl von Punkten benötigen.

Wie unterscheidet sich die Monte-Carlo-Integration vom Metropolis-Sampling?

Die Monte-Carlo-Integration zieht unabhängige Punkte, um ein festes Integral zu schätzen, oft unter Verwendung von Importance Sampling aus einer bekannten Verteilung. Das Metropolis-Sampling erzeugt eine korrelierte Markow-Kette, um eine komplizierte Verteilung, wie ein Boltzmann-Ensemble, abzutasten, die nicht direkt gezogen werden kann.