İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Kuantum hesaplama›Kuantum Monte Carlo
Machine learningStochastic Method

Kuantum Monte Carlo

Quantum Monte Carlo (QMC) · Ayrıca şöyle bilinir: QMC, variational Monte Carlo, diffusion Monte Carlo

Kuantum Monte Carlo (QMC), kuantum çok cisimli sistemlerin temel durum özelliklerini hesaplamak için kullanılan stokastik bir hesaplama yöntemidir. Klasik Monte Carlo örneklemesini kuantum mekaniği ile birleştiren QMC yaklaşımları, elektronik yapı ve yoğun madde fiziği için mevcut en doğru yöntemler arasındadır ve birçok sistem için yüzde birin altında doğruluk elde eder.

ScholarGate
  1. Machine learning
  2. v1
  3. 3 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Kuantum Monte Carlo
Yoğunluk Fonksiyonel Teo…Yol İntegrali Monte CarloGrover AlgoritmasıKafes Kuantum Renkdinami…Kuantum Yaklaşık Optimiz…Varyasyonel Kuantum Öz Ç…

Ne zaman kullanılır

QMC, diğer yöntemlerin sınırlarına ulaştığı atomların, moleküllerin ve katıların yüksek doğruluklu temel durum hesaplamaları için kullanılır. DMC, özellikle güçlü korelasyonlu sistemler ve kuantum kusurları için değerlidir. QMC belirli bir yapı varsaymaz; geniş ölçüde uygulanabilir.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Birçok sistem için yüzde birin altında doğruluk; en doğru kuantum kimyası yöntemleri arasında.
  • Ortalama alan yöntemlerinin başarısız olduğu güçlü korelasyonlu sistemlere uygulanabilir.
  • Açık korelasyon operatörleri olmadan kuantum korelasyonlarını doğal olarak yakalar.
  • Yüzlerce elektrona ölçeklenebilir; büyük sistemler için Hartree-Fock ile rekabetçidir.
  • İstatistiksel ortalamadan hata çubukları sağlar.
Sınırlılıklar
  • Stokastik gürültü, yüksek doğruluk için birçok örnek (milyonlarca ila milyarlarca) gerektirir.
  • Uyarılmış durumlara erişim zordur; DMC yalnızca temel durumu verir.
  • VMC için deneme dalga fonksiyonu seçimi kritiktir; hem doğruluğu hem de verimliliği etkiler.
  • DMC'deki sabit düğüm yaklaşımı yanlılık getirir (genellikle küçük olsa da).
  • Teorik verimliliğe rağmen hesaplama açısından pahalıdır; ~100–1000 elektron için pratiktir.

SSS

VMC ve DMC arasındaki fark nedir?

VMC, beklenti değerlerini hesaplamak için bir deneme dalga fonksiyonu ile önem örneklemesi kullanır; doğruluk, ansatz kalitesine bağlıdır. DMC, hayali zamanda gezginleri geliştirerek temel durumu yansıtır; asimptotik olarak kesin ancak sabit düğüm kısıtlaması nedeniyle yanlıdır.

Sabit düğüm yaklaşımı nedir?

DMC'de, gezginlerin deneme dalga fonksiyonunun düğümlerini (sıfır yüzeylerini) geçmesi engellenir. Bu, fermiyon işaret problemini önler ancak sistematik bir yanlılık getirir: DMC enerjisi her zaman gerçek temel durumdan ≥'dir (varyasyonel prensip). Yanlılık, deneme fonksiyonu kalitesiyle azalır.

VMC için bir deneme dalga fonksiyonunu nasıl seçerim?

İyi deneme fonksiyonları, bir Hartree-Fock veya DFT referansını açık korelasyon terimleriyle (örneğin, Jastrow faktörleri) birleştirir. Fiziksel olarak bilgilendirilmiş seçimler (bilinen korelasyonları içerenler) verimliliği ve doğruluğu artırır. Birden fazla ansatz'ı test etmek ve sonuçları karşılaştırmak standarttır.

QMC, DFT'ye kıyasla ne kadar doğrudur?

QMC, tipik DFT'den kat kat daha iyi, yüzde birin altında doğruluk elde edebilir. Ancak, QMC hesaplama açısından çok daha pahalıdır. Büyük sistemler için, DFT daha düşük doğruluğa rağmen genellikle pratik bir seçim olmaya devam eder.

QMC periyodik sistemleri (katıları) işleyebilir mi?

Evet. Periyodik DMC (PDMC), süper hücreler ve k-noktası örneklemesi kullanarak DMC'yi sonsuz kristallere genişletir. Birçok malzeme için kıyaslama sonuçları üretmiştir ancak sonlu boyut etkilerinin dikkatli bir şekilde ele alınmasını gerektirir.

Kaynaklar

  1. Metropolis, N., Rosenbluth, A. W., et al. (1953). Equation of state calculations by fast computing machines. Journal of Chemical Physics, 21, 1087–1092. DOI: 10.1063/1.1699114 ↗
  2. Reynolds, P. J., Tobochnik, J., Gould, H. (1990). Diffusion quantum Monte Carlo. Computers in Physics, 4, 662–668. DOI: 10.1063/1.4822960 ↗
  3. Needs, R. J., et al. (2020). Variational and diffusion quantum Monte Carlo calculations with the CASINO code. The Journal of Chemical Physics, 152, 154106. DOI: 10.1063/1.5144288 ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 3). Quantum Monte Carlo (QMC). ScholarGate. https://scholargate.app/tr/quantum-computing/quantum-monte-carlo

İlişkili yöntemler

Yoğunluk Fonksiyonel TeorisiYol İntegrali Monte Carlo

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Yoğunluk Fonksiyonel TeorisiKuantum hesaplama↔ karşılaştır
  • Yol İntegrali Monte CarloKuantum hesaplama↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Yoğunluk Fonksiyonel TeorisiGrover AlgoritmasıKafes Kuantum RenkdinamiğiYol İntegrali Monte CarloKuantum Yaklaşık Optimizasyon AlgoritmasıVaryasyonel Kuantum Öz Çözücü

Benzer yöntemler

Yol İntegrali Monte CarloYoğunluk Fonksiyonel TeorisiDinamik Monte Carlo SimülasyonuMonte Carlo Nükleer ve Parçacık TaşınımıYoğun Madde Matrisi Yeniden Normalleştirme Grubu (DMRG)Moleküler DinamikVaryasyonel Kuantum Öz Çözücü

İlgili referans kavramlar

Kuantum Monte CarloHesaplamalı Kuantum MekaniğiFizikte Monte Carlo YöntemleriElektronik Yapı ve Yoğunluk Fonksiyonel KuramıElektronik Yapı YöntemleriVaryasyonel ve Pertürbasyon Yöntemleri

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Quantum Monte Carlo (Quantum Monte Carlo (QMC)). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/quantum-computing/quantum-monte-carlo · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Nicholas Metropolis and colleagues
Subfamily
Stochastic Method
Year
1953
Type
Monte Carlo simulation
İlişkili yöntemler
Yoğunluk Fonksiyonel TeorisiYol İntegrali Monte Carlo
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil