物理学におけるモンテカルロ積分

積分が多次元にわたる場合、グリッドベースの求積法は困難となり、モンテカルロ積分が、次元に依存しない誤差でランダムな点での平均として積分を推定することにより優位に立つ。

Definition

モンテカルロ積分は、定義域内でランダムに選択された点における被積分関数の平均に定義域の体積を乗じたものとして定積分を推定する。その統計誤差は、点の数の平方根の逆数に比例して減少する。

Scope

このトピックでは、高次元の物理積分におけるモンテカルロ評価について扱う。具体的には、プレーンサンプリング、重点サンプリングと層化サンプリングによる分散低減、およびVEGASなどの適応スキームについて、分配関数、散乱断面積、位相空間積分への応用を含めて説明する。これは、構成サンプリングとは区別して、積分に特化して扱われる。

Core questions

• なぜモンテカルロ積分は高次元においてグリッド求積法よりも優れているのか？
• 重点サンプリングはどのようにして積分推定の分散を低減するのか？
• 層化サンプリングはどのように点を分布させて誤差を低減するのか？
• VEGASのような適応アルゴリズムは、ピークを持つ被積分関数の形状をどのように学習するのか？

Key theories

次元に依存しない誤差

モンテカルロ積分の統計誤差は、次元に関わらずサンプル数の平方根の逆数に比例してスケールする。一方、グリッド求積法の誤差は次元が増加するにつれて指数関数的に悪化する。

分散低減

重点サンプリングは、被積分関数が大きい領域に、調整された分布からサンプリングすることで点を集中させる。層化サンプリングは定義域を分割する。これらはいずれも、固定された評価回数に対する推定値の分散を低減する。

適応積分

VEGASアルゴリズムは、被積分関数に適合するように分離可能な重点サンプリンググリッドを反復的に改良する。これにより、素粒子物理学で生じるような鋭いピークを持つ高次元積分に効果的である。

Clinical relevance

モンテカルロ積分は、素粒子物理学における位相空間積分や散乱断面積、統計力学における分配関数や自由エネルギー積分、および決定論的求積法が実行不可能なあらゆる多次元積分の評価に用いられる。

History

モンテカルロ積分は、モンテカルロ法の基礎を築いた1940年代のロスアラモスでの研究から発展した。1978年にLepageによって導入されたVEGASのような適応型重点サンプリングスキームは、素粒子物理学における高次元積分を日常的に計算可能にした。

Key figures

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

Seminal works

• lepage1978
• press2007

Frequently asked questions

モンテカルロ積分は通常の求積法よりもいつ好ましいのか？

低次元の滑らかな積分に対しては、決定論的求積法の方がより正確である。モンテカルロ法は、次元が通常4または5を超えると優位に立つ。なぜなら、その誤差は次元に依存しないのに対し、グリッド法は指数関数的に増加する点数を必要とするからである。

モンテカルロ積分はメトロポリスサンプリングとどのように異なるのか？

モンテカルロ積分は、固定された積分を推定するために独立した点を抽出し、しばしば既知の分布からの重点サンプリングを用いる。メトロポリスサンプリングは、直接サンプリングできないボルツマンアンサンブルのような複雑な分布をサンプリングするために、相関のあるマルコフ連鎖を生成する。