Méthode de Monte Carlo de Metropolis en physique

L'algorithme de Metropolis est un outil fondamental de la simulation en physique statistique : en acceptant ou rejetant des déplacements proposés en fonction de leur coût énergétique, il construit une chaîne de Markov qui échantillonne les configurations avec leur probabilité de Boltzmann correcte.

Definition

L'algorithme de Metropolis est une méthode de Monte Carlo par chaîne de Markov qui génère une séquence de configurations dont la distribution limite est l'ensemble canonique, en proposant des changements locaux et en les acceptant avec une probabilité définie par le facteur de Boltzmann de la variation d'énergie.

Scope

Ce sujet aborde les algorithmes de Metropolis et Metropolis-Hastings tels qu'appliqués aux systèmes physiques : la règle d'acceptation, le bilan détaillé et l'ergodicité, l'équilibration et l'autocorrélation, ainsi que l'estimation des moyennes thermiques et de leurs erreurs statistiques. C'est la méthode d'échantillonnage fondamentale qui sous-tend le domaine plus large de Monte Carlo.

Core questions

• Comment la probabilité d'acceptation dépend-elle de la variation d'énergie d'un déplacement proposé ?
• Pourquoi le bilan détaillé garantit-il la bonne distribution stationnaire ?
• Comment les temps d'équilibration et d'autocorrélation sont-ils diagnostiqués et pris en compte ?
• Comment l'erreur statistique d'une moyenne de Monte Carlo est-elle estimée à partir d'échantillons corrélés ?

Key theories

Bilan détaillé et stationnarité

Le choix de probabilités d'acceptation qui satisfont au bilan détaillé par rapport à la distribution de Boltzmann garantit que cette distribution est stationnaire sous la chaîne de Markov, de sorte que les moyennes à long terme convergent vers les valeurs d'espérance thermique.

Généralisation de Metropolis-Hastings

Hastings a généralisé la règle d'acceptation aux distributions de proposition asymétriques, élargissant l'algorithme au-delà des déplacements locaux symétriques tout en préservant la distribution stationnaire cible.

Autocorrélation et estimation d'erreur

Les échantillons successifs de Metropolis sont corrélés, de sorte que le nombre effectif d'échantillons indépendants est réduit par le temps d'autocorrélation, lequel doit être mesuré pour attribuer des barres d'erreur fiables aux moyennes thermiques.

Clinical relevance

L'échantillonnage de Metropolis calcule des quantités thermodynamiques pour les modèles de spins sur réseau, les fluides et les polymères, localise les transitions de phase, et sert de moteur principal dans la simulation moléculaire de Monte Carlo et de nombreux schémas de Monte Carlo quantique.

History

Introduit en 1953 pour calculer l'équation d'état d'un fluide de disques durs bidimensionnel sur l'ordinateur MANIAC à Los Alamos, l'algorithme a été généralisé par Hastings en 1970 et est devenu la méthode de simulation la plus largement utilisée en physique statistique et, plus tard, en statistique bayésienne.

Key figures

• Nicholas Metropolis
• Arianna Rosenbluth
• W. Keith Hastings

Seminal works

• metropolis1953
• hastings1970

Frequently asked questions

Pourquoi les déplacements qui diminuent l'énergie sont-ils toujours acceptés ?

Un déplacement qui diminue l'énergie augmente le poids de Boltzmann, donc l'accepter déplace toujours la chaîne vers des états plus probables ; les déplacements "en montée" ne sont acceptés que parfois, avec une probabilité définie par l'augmentation d'énergie, ce qui permet à la chaîne d'explorer la distribution thermique complète plutôt que de ne descendre que la pente.

Pourquoi les échantillons doivent-ils être écartés au début d'une exécution ?

La chaîne démarre à partir d'une configuration arbitraire qui n'est pas encore représentative de la distribution d'équilibre. La période initiale d'équilibration ou de "burn-in" est écartée afin que les moyennes mesurées reflètent le véritable ensemble thermique plutôt que le biais initial.