Monte-Carlo-Molekularsimulation

Die Monte-Carlo-Molekularsimulation tastet die Konfigurationen eines molekularen Systems stochastisch ab, anstatt dessen Dynamik zu verfolgen, was den Zugang zu spezialisierten Ensembles und geschickten Bewegungen ermöglicht, die die Molekulardynamik nicht ohne Weiteres erreichen kann.

Definition

Die Monte-Carlo-Molekularsimulation ist die Anwendung von Metropolis-Sampling auf molekulare Systeme, die Konfigurationen mit ihrer Boltzmann-Wahrscheinlichkeit generiert, um thermodynamische Gleichgewichtseigenschaften zu berechnen, ohne Bewegungsgleichungen zu integrieren.

Scope

Dieses Thema behandelt Monte Carlo, angewendet auf molekulare Systeme: Metropolis-Sampling von molekularen Konfigurationen, spezialisierte Ensembles wie das großkanonische und das Gibbs-Ensemble für Phasengleichgewichte sowie fortgeschrittene Bewegungen wie das Konfigurations-Bias-Sampling für Kettenmoleküle. Es ergänzt die Molekulardynamik, indem es die Echtzeitentwicklung gegen Stichprobenflexibilität eintauscht.

Core questions

• Wie tastet Monte Carlo molekulare Konfigurationen ab, ohne Kräfte oder Dynamik zu berechnen?
• Wie ermöglichen großkanonische und Gibbs-Ensembles die direkte Untersuchung der Phasenkoexistenz?
• Wie machen Konfigurations-Bias-Bewegungen das Sampling von Kettenmolekülen praktikabel?
• Wann ist Monte Carlo der Molekulardynamik für ein molekulares System vorzuziehen?

Key theories

Metropolis-Sampling von Konfigurationen

Zufällige Testverschiebungen von Molekülen werden nach der Metropolis-Regel unter Verwendung der potenziellen Energieänderung akzeptiert oder abgelehnt, wodurch Gleichgewichtskonfigurationen erzeugt werden, ohne Kräfte oder einen Zeitintegrator zu benötigen.

Spezialisierte Ensembles

Großkanonisches Monte Carlo fügt Teilchen ein und entfernt sie, um das chemische Potenzial zu fixieren, und die Gibbs-Ensemble-Methode tauscht Teilchen und Volumen zwischen zwei Boxen aus, um die Phasenkoexistenz direkt zu lokalisieren.

Konfigurations-Bias-Bewegungen

Konfigurations-Bias-Monte-Carlo baut Kettenmoleküle Segment für Segment mit einer Verzerrung wieder auf, die in der Akzeptanzregel korrigiert wird, wodurch das Sampling von Polymeren und dichten Fluiden dramatisch verbessert wird.

Clinical relevance

Die Monte-Carlo-Molekularsimulation berechnet Adsorptionsisothermen, Dampf-Flüssigkeits-Koexistenz, Löslichkeiten und Phasendiagramme von Fluiden und Polymeren und wird in der physikalischen Chemie und im Materialdesign häufig eingesetzt, wo Gleichgewichtseigenschaften und nicht die Dynamik gesucht werden.

History

Die molekulare Monte-Carlo-Methode geht auf die Metropolis-Studie von harten Scheiben aus dem Jahr 1953 zurück; die Entwicklung des großkanonischen und, 1987, der Gibbs-Ensemble-Methoden, zusammen mit Konfigurations-Bias-Bewegungen, machte sie zu einem leistungsstarken Weg zu Phasengleichgewichten komplexer molekularer Fluide.

Key figures

• Daan Frenkel
• Athanassios Panagiotopoulos
• Berend Smit

Seminal works

• panagiotopoulos1987
• frenkel2002

Frequently asked questions

Wann ist Monte Carlo besser als Molekulardynamik für Moleküle?

Wenn nur Gleichgewichtseigenschaften benötigt werden, insbesondere Phasengleichgewichte oder Systeme, bei denen unphysikalische Bewegungen wie Teilcheninsertion oder Kettenregeneration das Sampling beschleunigen. Monte Carlo kann keine wahre Dynamik liefern, daher wird Molekulardynamik verwendet, wenn zeitabhängige Eigenschaften relevant sind.

Welches Problem löst das Konfigurations-Bias-Monte-Carlo?

Das zufällige Einfügen eines langen Kettenmoleküls in ein dichtes Fluid führt fast immer zu Überlappungen mit anderen Molekülen und wird abgelehnt. Das Konfigurations-Bias-Wachstum baut die Kette Segment für Segment in günstige Räume ein, wobei die Verzerrung bei der Akzeptanz korrigiert wird, was solche Insertionen praktikabel macht.