Metropolis Monte Carlo em Física

O algoritmo de Metropolis é a ferramenta principal da simulação em física estatística: ao aceitar ou rejeitar movimentos propostos com base em seu custo energético, ele constrói uma cadeia de Markov que amostra configurações com sua correta probabilidade de Boltzmann.

Definition

O algoritmo de Metropolis é um método de Monte Carlo de cadeia de Markov que gera uma sequência de configurações cuja distribuição limite é o ensemble canônico, propondo mudanças locais e aceitando-as com uma probabilidade definida pelo fator de Boltzmann da mudança de energia.

Scope

Este tópico abrange os algoritmos de Metropolis e Metropolis-Hastings aplicados a sistemas físicos: a regra de aceitação, balanço detalhado e ergodicidade, equilíbrio e autocorrelação, e a estimativa de médias térmicas e seus erros estatísticos. É o método de amostragem fundamental subjacente à área mais ampla de Monte Carlo.

Core questions

• Como a probabilidade de aceitação depende da mudança de energia de um movimento proposto?
• Por que o balanço detalhado garante a distribuição estacionária correta?
• Como os tempos de equilíbrio e autocorrelação são diagnosticados e considerados?
• Como o erro estatístico de uma média de Monte Carlo é estimado a partir de amostras correlacionadas?

Key theories

Balanço detalhado e estacionaridade

A escolha de probabilidades de aceitação que satisfazem o balanço detalhado em relação à distribuição de Boltzmann garante que essa distribuição seja estacionária sob a cadeia de Markov, de modo que as médias de longo prazo convergem para os valores de expectativa térmica.

Generalização de Metropolis-Hastings

Hastings generalizou a regra de aceitação para distribuições de proposta assimétricas, ampliando o algoritmo além de movimentos locais simétricos, preservando a distribuição estacionária alvo.

Autocorrelação e estimativa de erro

Amostras sucessivas de Metropolis são correlacionadas, de modo que o número efetivo de amostras independentes é reduzido pelo tempo de autocorrelação, que deve ser medido para atribuir barras de erro confiáveis às médias térmicas.

Clinical relevance

A amostragem de Metropolis calcula quantidades termodinâmicas de modelos de spin em rede, fluidos e polímeros, localiza transições de fase e serve como o motor central em simulações moleculares de Monte Carlo e em muitos esquemas de Monte Carlo quântico.

History

Introduzido em 1953 para calcular a equação de estado de um fluido bidimensional de discos rígidos no computador MANIAC em Los Alamos, o algoritmo foi generalizado por Hastings em 1970 e tornou-se o método de simulação mais amplamente utilizado em física estatística e, posteriormente, em estatística bayesiana.

Key figures

• Nicholas Metropolis
• Arianna Rosenbluth
• W. Keith Hastings

Seminal works

• metropolis1953
• hastings1970

Frequently asked questions

Por que os movimentos que diminuem a energia são sempre aceitos?

Um movimento que diminui a energia aumenta o peso de Boltzmann, então aceitá-lo sempre move a cadeia em direção a estados mais prováveis; movimentos de subida são aceitos apenas ocasionalmente, com uma probabilidade definida pelo aumento de energia, o que permite que a cadeia explore a distribuição térmica completa em vez de apenas descer.

Por que as amostras devem ser descartadas no início de uma execução?

A cadeia começa a partir de uma configuração arbitrária que ainda não é representativa da distribuição de equilíbrio. O período inicial de equilíbrio ou "burn-in" é descartado para que as médias medidas reflitam o verdadeiro ensemble térmico em vez do viés inicial.