Metrópolis Monte Carlo en Física

El algoritmo de Metrópolis es la herramienta principal de la simulación en física estadística: al aceptar o rechazar movimientos propuestos basándose en su costo energético, construye una cadena de Márkov que muestrea configuraciones con su probabilidad de Boltzmann correcta.

Definition

El algoritmo de Metrópolis es un método de Monte Carlo de cadena de Márkov que genera una secuencia de configuraciones cuya distribución límite es el ensamble canónico, proponiendo cambios locales y aceptándolos con una probabilidad establecida por el factor de Boltzmann del cambio de energía.

Scope

Este tema cubre los algoritmos de Metrópolis y Metrópolis-Hastings aplicados a sistemas físicos: la regla de aceptación, el balance detallado y la ergodicidad, el equilibrio y la autocorrelación, y la estimación de promedios térmicos y sus errores estadísticos. Es el método de muestreo fundamental que subyace en el área más amplia de Monte Carlo.

Core questions

• ¿Cómo depende la probabilidad de aceptación del cambio de energía de un movimiento propuesto?
• ¿Por qué el balance detallado garantiza la distribución estacionaria correcta?
• ¿Cómo se diagnostican y contabilizan los tiempos de equilibrio y autocorrelación?
• ¿Cómo se estima el error estadístico de un promedio de Monte Carlo a partir de muestras correlacionadas?

Key theories

Balance detallado y estacionariedad

Elegir probabilidades de aceptación que satisfagan el balance detallado con respecto a la distribución de Boltzmann asegura que esa distribución sea estacionaria bajo la cadena de Márkov, de modo que los promedios a largo plazo convergen a los valores de expectativa térmica.

Generalización de Metrópolis-Hastings

Hastings generalizó la regla de aceptación a distribuciones de propuesta asimétricas, ampliando el algoritmo más allá de los movimientos locales simétricos mientras se preserva la distribución estacionaria objetivo.

Autocorrelación y estimación de errores

Las muestras sucesivas de Metrópolis están correlacionadas, por lo que el número efectivo de muestras independientes se reduce por el tiempo de autocorrelación, que debe medirse para asignar barras de error fiables a los promedios térmicos.

Clinical relevance

El muestreo de Metrópolis calcula cantidades termodinámicas de modelos de espín en red, fluidos y polímeros, localiza transiciones de fase y sirve como motor central dentro de la simulación molecular de Monte Carlo y muchos esquemas de Monte Carlo cuántico.

History

Introducido en 1953 para calcular la ecuación de estado de un fluido bidimensional de discos duros en la computadora MANIAC en Los Álamos, el algoritmo fue generalizado por Hastings en 1970 y se convirtió en el método de simulación más ampliamente utilizado en física estadística y, posteriormente, en estadística bayesiana.

Key figures

• Nicholas Metropolis
• Arianna Rosenbluth
• W. Keith Hastings

Seminal works

• metropolis1953
• hastings1970

Frequently asked questions

¿Por qué los movimientos que disminuyen la energía siempre son aceptados?

Un movimiento que disminuye la energía aumenta el peso de Boltzmann, por lo que aceptarlo siempre mueve la cadena hacia estados más probables; los movimientos cuesta arriba solo se aceptan a veces, con una probabilidad establecida por el aumento de energía, que es lo que permite que la cadena explore la distribución térmica completa en lugar de solo descender.

¿Por qué deben descartarse las muestras al inicio de una ejecución?

La cadena comienza a partir de una configuración arbitraria que aún no es representativa de la distribución de equilibrio. El período inicial de equilibrio o 'burn-in' se descarta para que los promedios medidos reflejen el verdadero ensamble térmico en lugar del sesgo inicial.