भौतिकी में मोंटे कार्लो समाकलन

जब एक समाकलन कई आयामों पर चलता है, तो ग्रिड-आधारित क्वाड्रैचर असंभव हो जाता है, और मोंटे कार्लो समाकलन यादृच्छिक बिंदुओं पर एक औसत के रूप में समाकलन का अनुमान लगाकर जीतता है, जिसमें त्रुटि आयाम को अनदेखा करती है।

Definition

मोंटे कार्लो समाकलन एक निश्चित समाकलन का अनुमान डोमेन में यादृच्छिक रूप से चुने गए बिंदुओं पर मूल्यांकन किए गए समाकल के औसत के रूप में लगाता है, जो डोमेन आयतन से गुणा होता है, जिसमें सांख्यिकीय त्रुटि बिंदुओं की संख्या के व्युत्क्रम वर्गमूल के रूप में घटती है।

Scope

यह विषय उच्च-आयामी भौतिक समाकलनों के मोंटे कार्लो मूल्यांकन को शामिल करता है: सादा प्रतिचयन, महत्व और स्तरीकृत प्रतिचयन द्वारा प्रसरण-कमी, और VEGAS जैसी अनुकूली योजनाएं, जिसमें विभाजन फलन, प्रकीर्णन क्रॉस सेक्शन और चरण-स्थान समाकलनों के अनुप्रयोग शामिल हैं। यह विशेष रूप से समाकलन का उपचार करता है, जो विन्यास प्रतिचयन से भिन्न है।

Core questions

• मोंटे कार्लो समाकलन उच्च आयामों में ग्रिड क्वाड्रैचर को क्यों हराता है?
• महत्व प्रतिचयन एक समाकलन अनुमान के प्रसरण को कैसे कम करता है?
• स्तरीकृत प्रतिचयन त्रुटि को कम करने के लिए बिंदुओं को कैसे वितरित करता है?
• VEGAS जैसे अनुकूली एल्गोरिदम एक चरम समाकल के आकार को कैसे सीखते हैं?

Key theories

आयाम-स्वतंत्र त्रुटि

मोंटे कार्लो समाकलन की सांख्यिकीय त्रुटि आयाम की परवाह किए बिना नमूना गणना के व्युत्क्रम वर्गमूल के रूप में स्केल करती है, जबकि ग्रिड क्वाड्रैचर त्रुटि आयाम बढ़ने पर तेजी से खराब होती जाती है।

प्रसरण कमी

महत्व प्रतिचयन उन बिंदुओं पर केंद्रित होता है जहां समाकल एक अनुकूलित वितरण से खींचकर बड़ा होता है, और स्तरीकृत प्रतिचयन डोमेन को विभाजित करता है, दोनों निश्चित संख्या में मूल्यांकनों के लिए अनुमान के प्रसरण को कम करते हैं।

अनुकूली समाकलन

VEGAS एल्गोरिथम समाकल से मेल खाने के लिए एक वियोज्य महत्व-प्रतिचयन ग्रिड को पुनरावृत्त रूप से परिष्कृत करता है, जिससे यह कण भौतिकी में उत्पन्न होने वाले तीव्र-चरम, उच्च-आयामी समाकलनों के लिए प्रभावी हो जाता है।

Clinical relevance

मोंटे कार्लो समाकलन कण भौतिकी में चरण-स्थान समाकलनों और प्रकीर्णन क्रॉस सेक्शन का मूल्यांकन करता है, सांख्यिकीय यांत्रिकी में विभाजन-फलन और मुक्त-ऊर्जा समाकलनों का मूल्यांकन करता है, और किसी भी बहुआयामी समाकलन का मूल्यांकन करता है जहां नियतात्मक क्वाड्रैचर अव्यावहारिक है।

History

मोंटे कार्लो समाकलन उसी 1940 के दशक के लॉस अलामोस कार्य से विकसित हुआ जिसने मोंटे कार्लो विधियों की स्थापना की; लेपेज द्वारा 1978 में प्रस्तुत VEGAS जैसी अनुकूली महत्व-प्रतिचयन योजनाओं ने कण भौतिकी में उच्च-आयामी समाकलनों को नियमित रूप से गणना योग्य बना दिया।

Key figures

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

Seminal works

• lepage1978
• press2007

Frequently asked questions

साधारण क्वाड्रैचर की तुलना में मोंटे कार्लो समाकलन कब बेहतर होता है?

कम-आयामी चिकने समाकलनों के लिए, नियतात्मक क्वाड्रैचर अधिक सटीक होता है। मोंटे कार्लो तब जीतता है जब आयाम उच्च होता है, आमतौर पर चार या पांच से अधिक, क्योंकि इसकी त्रुटि आयाम पर निर्भर नहीं करती है जबकि ग्रिड विधियों को तेजी से बढ़ती संख्या में बिंदुओं की आवश्यकता होती है।

मोंटे कार्लो समाकलन मेट्रोपोलिस प्रतिचयन से कैसे भिन्न है?

मोंटे कार्लो समाकलन एक निश्चित समाकलन का अनुमान लगाने के लिए स्वतंत्र बिंदुओं को खींचता है, अक्सर एक ज्ञात वितरण से महत्व प्रतिचयन का उपयोग करता है। मेट्रोपोलिस प्रतिचयन एक जटिल वितरण का नमूना लेने के लिए एक सहसंबद्ध मार्कोव श्रृंखला उत्पन्न करता है, जैसे कि बोल्ट्जमैन एन्सेम्बल, जिसे सीधे नहीं खींचा जा सकता है।