A számítástechnika fejlődésével a Monte Carlo szimuláció egyre népszerűbb a különböző statisztikai rendszerek tanulmányozásában, ideértve: neurális hálózatok, biológia és kémia problémák, optimalizálási problémák különböző területeken, valamint a statisztikai fizika a fázisok tanulmányozásában. átmenetek és kritikus jelenségek.
A Monte Carlo-módszer szinte minden változata az alapvető mintavételi módszer ötletén alapul, melynek szerzője N. Metropolis és munkatársai [1]
Az entrópiás modellezési módszer megvalósításának egyik példája a Wang-Landau algoritmus
A klasszikus rendszerek egyensúlyi statisztikai termodinamikájának problémái a statisztikai integrál számítására redukálhatók. Például a kanonikus együttesben :
- a részecskék száma a térfogatban egy hőmérsékleten , ; - a részecskék teljes mechanikai energiája; - nyomatékuk és koordinátáik halmaza, és . A klasszikus energia mindig ábrázolható a kinetikus és a potenciális energiák összegeként. A mozgási energia a momentum négyzetes függvénye, és a felettük való integráció általános módon történhet. Ennek eredményeként a következőket kapjuk:
ahol a tömegű de Broglie-részecskék termikus hullámhossza hőmérsékleten . Így a probléma a konfigurációs integrál kiszámítására redukálódik
A koordinátákon keresztüli integrációtól kezdve eljuthatunk az energia feletti integrációig:
ahol a konfigurációs tér azon részének térfogata, amelyben a rendszer energiája a -tól ig terjedő tartományba esik , a delta függvény.
Számításokat a fenti képletekkel fogunk végezni numerikus módszerekkel. Ezért az integrálokról az integrálösszegekre térünk át. A rendszer energiatartománya véges számú egyenlő szegmensre van felosztva . Az értékek meg vannak határozva . Ennek eredményeként bármely érték kanonikus átlagai a következő képlettel számíthatók ki:
,
ahol a th energiaszegmens mennyiségének értéke . Mivel a képlet számlálójába és nevezőjébe is lineárisan lép be , nem csak térfogatként, hanem az energiának megfelelő konfigurációs tér töredékeként is felfogható . Minden állapotban (konfigurációban) a rendszernek van egy bizonyos energiája. Azok. a rendszer minden állapota (konfigurációja) az energiatérben (ez a tér egydimenziós) az energiaskála (tengely) egy pontjához rendelhető. A rendszer konfigurációjában bekövetkező véletlenszerű változások sorrendje megfelel az energiatér egy pontjának véletlenszerű sétájának. A véletlenszerű séták folyamatát Monte Carlo módszerrel modellezve és értékeinek ismeretében, illetve kiszámításával megtalálhatjuk a fizikai mennyiségek átlagértékeit.
Az entrópikus modellezési algoritmus a következő körülményen alapul. Az állapotok reciproka sűrűségével arányos átmeneti valószínűségekkel véletlenszerű sétát végezve az energiatérben , egyenletes energiaeloszlást kapunk. Más szóval, ha az átmenet valószínűségét úgy választjuk meg, hogy az összes energiaállapot meglátogatása egységessé váljon, egy kezdetben ismeretlen állapotsűrűséget kaphatunk .
Írjuk be a konfigurációs integrált a kanonikus együttesbe a következő formában:
hol van az entrópia adott értéknél (néha kimarad, mert a szimulációban nem szükséges ezt az állandót figyelembe venni).
A konfigurációs térben való bolyongással a részletes egyensúlyi relációt kielégítő átmeneti valószínűségekkel
,
kap egy kanonikus mintát az állapotokról (vagy ). Az energiaállapotok tetszőleges mintája , ahol egy tetszőleges függvény , megfelel a feltételnek
.
Amikor a vándorlás során a statisztikai szóráson belül egységes energiaállapot-mintát kell kapni, . Ebben az esetben az entrópia definíciója azt jelenti
Így, ha az átmeneti valószínűségek bizonyos megválasztásával egyenletes látogatásokat kapunk az energiaállapotokban, akkor kiszámíthatjuk az állapotok sűrűségét , és ebből következően a konfigurációs integrált .