物理学中的蒙特卡洛方法

蒙特卡洛方法通过根据玻尔兹曼权重随机抽样构型，使物理学能够计算热力学平均值和高维积分，将统计力学的配分函数转化为可处理的模拟。

Definition

物理学中的蒙特卡洛方法是随机算法，通过生成根据物理概率分布（通常是玻尔兹曼分布）加权的样本，来估计物理构型空间中的平衡平均值和积分。

Scope

本领域涵盖了物理学中使用的蒙特卡洛模拟：热力学系综的Metropolis算法和重要性抽样，如伊辛模型及其团簇算法的自旋模型模拟，多体基态的量子蒙特卡洛，以及高维物理积分的蒙特卡洛评估。它是统计蒙特卡洛在物理学领域的对应。

Sub-topics

• ising model and statistical sampling
• metropolis monte carlo physics
• monte carlo integration physics
• quantum monte carlo

Core questions

• 重要性抽样如何使计算天文数字般众多构型的热力学平均值变得可行？
• 为什么Metropolis接受规则会产生按玻尔兹曼权重分布的样本？
• 团簇算法如何克服相变附近的临界慢化？
• 蒙特卡洛如何在存在符号问题的情况下处理量子多体系统？

Key theories

玻尔兹曼分布的重要性抽样

物理学蒙特卡洛不是通过玻尔兹曼因子对均匀采样的状态进行加权，而是以与该因子成比例的概率生成状态，因此对采样状态的简单平均值可以估计热力学期望值。

Metropolis算法

Metropolis算法提出局部改变，并以取决于能量差的概率接受它，从而构建一个马尔可夫链，其平稳分布是正则系综。

量子蒙特卡洛

量子蒙特卡洛将多体量子系统的虚时间演化或基态投影映射到随机抽样问题，从而能够计算超出平均场理论的能量和关联。

Clinical relevance

蒙特卡洛模拟计算磁性模型和晶格模型的相图和临界指数、流体的状态方程、量子多体系统的基态能量以及辐射传输，使其成为统计物理学和凝聚态物理学的核心计算工具之一。

History

物理学中的蒙特卡洛模拟始于1953年Metropolis-Rosenbluth-Teller在洛斯阿拉莫斯计算硬球状态方程的论文；随后的几十年带来了相变的自旋模型研究，1980年代克服临界慢化的团簇算法，以及多体系统量子蒙特卡洛的成熟。

Debates

费米子符号问题

对于许多费米子和受挫量子系统，蒙特卡洛权重变为负值，导致统计误差呈指数增长；是否存在通用的有效解决方案仍然是一个开放且活跃研究的问题。

Key figures

• Nicholas Metropolis
• Marshall Rosenbluth
• Kurt Binder
• David P. Landau

Seminal works

• metropolis1953
• newmanbarkema1999

Frequently asked questions

物理学中的蒙特卡洛与统计学中的蒙特卡洛有何不同？

这些算法属于同一家族，但物理学蒙特卡洛针对特定物理模型（如自旋晶格和多体量子系统）的玻尔兹曼分布，并根据其再现热力学和临界行为的程度进行评判，而统计蒙特卡洛则针对后验分布和估计量。

什么是临界慢化？

在连续相变附近，局部更新的蒙特卡洛会产生较长的关联时间，因为大的关联区域变化非常缓慢，因此需要多次扫描才能获得独立样本。团簇算法通过一次翻转整个关联区域来克服它。