Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Метод інтегралів по траєкторіях Монте-Карло× | Квантовий метод Монте-Карло× | |
|---|---|---|
| Галузь | Квантові обчислення | Квантові обчислення |
| Родина | Machine learning | Machine learning |
| Рік появи≠ | 1948 | 1953 |
| Автор методу≠ | Richard Feynman | Nicholas Metropolis and colleagues |
| Тип≠ | Stochastic simulation | Monte Carlo simulation |
| Основоположне джерело≠ | Feynman, R. P. (1948). Space-time approach to non-relativistic quantum mechanics. Reviews of Modern Physics, 20, 367–387. DOI ↗ | Metropolis, N., Rosenbluth, A. W., et al. (1953). Equation of state calculations by fast computing machines. Journal of Chemical Physics, 21, 1087–1092. DOI ↗ |
| Інші назви≠ | PIMC, Feynman path integral | QMC, variational Monte Carlo, diffusion Monte Carlo |
| Пов'язані | 3 | 3 |
| Підсумок≠ | Path Integral Monte Carlo (PIMC) is a computational method for calculating thermodynamic and structural properties of quantum systems using Feynman's path integral formulation. Developed rigorously by David Ceperley and colleagues in the 1990s, PIMC treats quantum particles as classical polymers in a higher-dimensional space, enabling efficient Monte Carlo sampling of quantum statistics. | Quantum Monte Carlo (QMC) is a stochastic computational method for computing ground state properties of quantum many-body systems. Combining classical Monte Carlo sampling with quantum mechanics, QMC approaches are among the most accurate methods available for electronic structure and condensed matter physics, achieving sub-percent accuracy for many systems. |
| ScholarGateНабір даних ↗ |
|
|