物理学中的Metropolis蒙特卡罗方法

Metropolis算法是统计物理模拟的主力：通过根据能量成本接受或拒绝提议的移动，它建立了一个马尔可夫链，以正确的玻尔兹曼概率对构型进行采样。

Definition

Metropolis算法是一种马尔可夫链蒙特卡罗方法，通过提出局部变化并以能量变化的玻尔兹曼因子设定的概率接受它们，生成一系列构型，其极限分布是正则系综。

Scope

本主题涵盖Metropolis和Metropolis-Hastings算法在物理系统中的应用：接受准则、细致平衡和遍历性、平衡和自相关，以及热平均值及其统计误差的估计。它是更广泛的蒙特卡罗领域的基础采样方法。

Core questions

• 接受概率如何取决于提议移动的能量变化？
• 为什么细致平衡能保证正确的稳态分布？
• 平衡和自相关时间如何诊断和处理？
• 如何从相关样本中估计蒙特卡罗平均值的统计误差？

Key theories

细致平衡和稳态

选择满足玻尔兹曼分布细致平衡的接受概率，可确保该分布在马尔可夫链下是稳态的，从而使长期平均值收敛于热期望值。

Metropolis-Hastings推广

Hastings将接受规则推广到不对称提议分布，将算法扩展到对称局部移动之外，同时保留了目标稳态分布。

自相关和误差估计

连续的Metropolis样本是相关的，因此独立样本的有效数量因自相关时间而减少，必须测量自相关时间才能为热平均值分配准确的误差棒。

Clinical relevance

Metropolis采样计算晶格自旋模型、流体和聚合物的热力学量，定位相变，并作为蒙特卡罗分子模拟和许多量子蒙特卡罗方案中的核心引擎。

History

该算法于1953年引入，用于在洛斯阿拉莫斯国家实验室的MANIAC计算机上计算二维硬盘流体的状态方程，1970年由Hastings推广，成为统计物理学中以及后来在贝叶斯统计学中使用最广泛的模拟方法。

Key figures

• Nicholas Metropolis
• Arianna Rosenbluth
• W. Keith Hastings

Seminal works

• metropolis1953
• hastings1970

Frequently asked questions

为什么能量降低的移动总是被接受？

能量降低的移动会增加玻尔兹曼权重，因此接受它总是使链向更可能的状态移动；上坡移动只在某些时候被接受，其概率由能量增加决定，这使得链能够探索完整的热分布，而不仅仅是下坡移动。

为什么在运行开始时必须丢弃样本？

链从一个任意的配置开始，该配置尚未代表平衡分布。初始的平衡或预热阶段被丢弃，以便测量的平均值反映真实的热系综，而不是起始偏差。