مونت کارلو متروپلیس در فیزیک
الگوریتم متروپلیس ابزار اصلی شبیهسازی فیزیک آماری است: با پذیرش یا رد کردن جابجاییهای پیشنهادی بر اساس هزینه انرژی آنها، یک زنجیره مارکوف میسازد که پیکربندیها را با احتمال بولتزمن صحیح نمونهبرداری میکند.
Definition
الگوریتم متروپلیس یک روش مونت کارلو زنجیره مارکوف است که با پیشنهاد تغییرات محلی و پذیرش آنها با احتمالی که توسط فاکتور بولتزمن تغییر انرژی تعیین میشود، دنبالهای از پیکربندیها را تولید میکند که توزیع حدی آنها مجموعه کانونیکال است.
Scope
این موضوع الگوریتمهای متروپلیس و متروپلیس-هاستینگز را در کاربردشان در سیستمهای فیزیکی پوشش میدهد: قاعده پذیرش، تعادل دقیق و ارگودیسیته، تعادلیابی و خودهمبستگی، و تخمین میانگینهای حرارتی و خطاهای آماری آنها. این روش نمونهبرداری بنیادی است که زیربنای حوزه گستردهتر مونت کارلو را تشکیل میدهد.
Core questions
- چگونه احتمال پذیرش به تغییر انرژی یک جابجایی پیشنهادی بستگی دارد؟
- چرا تعادل دقیق توزیع ایستا صحیح را تضمین میکند؟
- چگونه زمانهای تعادلیابی و خودهمبستگی تشخیص داده شده و مورد توجه قرار میگیرند؟
- چگونه خطای آماری یک میانگین مونت کارلو از نمونههای همبسته تخمین زده میشود؟
Key theories
- تعادل دقیق و ایستایی
- انتخاب احتمالات پذیرش که تعادل دقیق را نسبت به توزیع بولتزمن برآورده میکنند، تضمین میکند که آن توزیع تحت زنجیره مارکوف ایستا است، بنابراین میانگینهای بلندمدت به مقادیر انتظاری حرارتی همگرا میشوند.
- تعمیم متروپلیس-هاستینگز
- هاستینگز قاعده پذیرش را به توزیعهای پیشنهادی نامتقارن تعمیم داد و الگوریتم را فراتر از جابجاییهای محلی متقارن گسترش داد، در حالی که توزیع ایستای هدف را حفظ کرد.
- خودهمبستگی و تخمین خطا
- نمونههای متوالی متروپلیس همبسته هستند، بنابراین تعداد مؤثر نمونههای مستقل توسط زمان خودهمبستگی کاهش مییابد، که باید اندازهگیری شود تا نوارهای خطای معتبر به میانگینهای حرارتی اختصاص داده شود.
Clinical relevance
نمونهبرداری متروپلیس مقادیر ترمودینامیکی مدلهای اسپین شبکهای، سیالات و پلیمرها را محاسبه میکند، گذارهای فاز را مکانیابی میکند و به عنوان موتور اصلی در شبیهسازی مولکولی مونت کارلو و بسیاری از طرحهای مونت کارلو کوانتومی عمل میکند.
History
این الگوریتم که در سال ۱۹۵۳ برای محاسبه معادله حالت یک سیال دیسک سخت دو بعدی بر روی کامپیوتر MANIAC در لس آلاموس معرفی شد، در سال ۱۹۷۰ توسط هاستینگز تعمیم یافت و به پرکاربردترین روش شبیهسازی در فیزیک آماری و بعدها در آمار بیزی تبدیل شد.
Key figures
- Nicholas Metropolis
- Arianna Rosenbluth
- W. Keith Hastings
Related topics
Seminal works
- metropolis1953
- hastings1970
Frequently asked questions
- چرا جابجاییهایی که انرژی را کاهش میدهند همیشه پذیرفته میشوند؟
- جابجاییای که انرژی را کاهش میدهد، وزن بولتزمن را افزایش میدهد، بنابراین پذیرش آن همیشه زنجیره را به سمت حالتهای محتملتر حرکت میدهد؛ جابجاییهای سربالایی تنها گاهی اوقات پذیرفته میشوند، با احتمالی که توسط افزایش انرژی تعیین میشود، که این امر به زنجیره اجازه میدهد تا کل توزیع حرارتی را کاوش کند، نه اینکه فقط به سمت پایین حرکت کند.
- چرا نمونهها باید در ابتدای یک اجرا کنار گذاشته شوند؟
- زنجیره از یک پیکربندی دلخواه شروع میشود که هنوز نماینده توزیع تعادل نیست. دوره اولیه تعادلیابی یا گرمشدن کنار گذاشته میشود تا میانگینهای اندازهگیری شده، مجموعه حرارتی واقعی را منعکس کنند، نه سوگیری اولیه را.