Equation of State Calculations by Fast Computing Machines

خلاصه

مقاله‌ای پیشگام که ایده استفاده از زنجیره‌های مارکوف برای شبیه‌سازی سیستم‌های پیچیده و نمونه‌برداری احتمالی (روش‌های MCMC) را ابداع کرد.

نمای سریع

تولد الگوریتم متروپلیس و نمونه‌برداری مونت‌کارلو زنجیره مارکوف.

یافته‌های کلیدی

امکان شبیه‌سازی سیستم‌های فیزیکی پیچیده و محاسبه ویژگی‌های ترمودینامیکی آن‌ها با استفاده از نمونه‌برداری تصادفی هدایت‌شده.

هدف

توسعه روش محاسباتی کارآمد برای محاسبه خواص سیستم‌های فیزیکی با تعداد ابعاد بسیار بالا.

روش

نویسندگان روش مونت‌کارلو زنجیره مارکوف (MCMC) را با استفاده از یک الگوریتم نمونه‌برداری گام‌به‌گام (الگوریتم متروپلیس) توسعه دادند که یک زنجیره مارکوف با توزیع ایستای مشخص ایجاد می‌کند.

نتایج

ارائه الگوریتم نمونه‌برداری تصادفی که زنجیره مارکوف آن به توزیع تعادلی سیستم همگرا می‌شود.

نتیجه‌گیری

می‌توان انتگرال‌های بسیار پیچیده را با شبیه‌سازی زنجیره مارکوف متناظر حل کرد.

مفاهیم کلیدی

markov-chain، monte-carlo، mcmc، metropolis-algorithm، statistical-mechanics

مطالعه‌ی بیشتر

https://doi.org/10.1063/1.1699114

تحلیل

این روش به عنوان یکی از ۱۰ الگوریتم برتر قرن بیستم در علوم و مهندسی شناخته می‌شود و امروزه بدون آن بخش عمده‌ای از محاسبات آماری و هوش مصنوعی پیشرفته غیرممکن بود.

محدودیت‌ها

الگوریتم در برخی فضاهای بسیار ناهموار در تله‌های محلی گیر می‌افتد و سرعت همگرایی آن کند می‌شود.

کارهای آینده

تعمیم الگوریتم توسط هاستینگز در سال ۱۹۷۰ برای توزیع‌های نامتقارن.

کاربرد عملی

این کار پایه و اساس الگوریتم متروپلیس-هاستینگز و روش‌های MCMC در آمار بیزی مدرن، یادگیری ماشین برای آموزش مدل‌های عمیق، گرافیکی و بهینه‌سازی زنجیره تامین است.