Гамильтониан Монте-Карло - Википедия - Hamiltonian Monte Carlo
В вычислительная физика и статистика, то Гамильтониан Монте-Карло алгоритм (также известный как гибрид Монте-Карло), это Цепь Маркова Монте-Карло метод получения последовательности случайные выборки который сходиться быть распределен в соответствии с целевым распределением вероятностей, для которого затруднен прямой отбор. Эта последовательность может использоваться для оценки интегралы относительно целевого распределения (ожидаемые значения ).
Гамильтониан Монте-Карло соответствует экземпляру Алгоритм Метрополиса – Гастингса, с Гамильтонова динамика эволюция смоделирована с помощью обратимый во времени и числовой интегратор, сохраняющий объем (обычно интегратор чехарда ), чтобы предложить переезд в новую точку в пространстве состояний. По сравнению с использованием Гауссовское случайное блуждание распространение предложения в Алгоритм Метрополиса – Гастингса, Гамильтониан Монте-Карло уменьшает корреляцию между последовательными выборочными состояниями, предлагая переходы в отдаленные состояния, которые поддерживают высокую вероятность принятия из-за приближенного энергосбережение свойства моделируемой гамильтоновой динамики при использовании симплектический интегратор. Пониженная корреляция означает меньше Цепь Маркова образцы необходимы для аппроксимации интегралов относительно целевого распределения вероятностей для данного Монте-Карло ошибка. Алгоритм был первоначально предложен Саймоном Дуэйном, Энтони Кеннеди, Брайаном Пендлтоном и Дунканом Роуэтом в 1987 году.[1] для расчетов в решеточная квантовая хромодинамика.
Алгоритм
Предположим, что целевое распределение для выборки и цепочка образцов необходимо. В Уравнения Гамильтона находятся
и
куда и являются й компонент позиция и импульс вектор соответственно и гамильтониан. Позволять быть матрица масс который является симметричным и положительно определенным, то гамильтониан имеет вид
куда это потенциальная энергия. Потенциальная энергия цели задается как
который исходит из Фактор Больцмана.
Алгоритм требует положительное целое число для количества шагов прыжка. и положительное число для размера шага . Предположим, что цепь находится в . Позволять . Первый случайный Гауссовский импульс взят из . Затем частица будет двигаться в гамильтоновой динамике в течение времени , это делается путем численного решения уравнений Гамильтона с использованием алгоритм прыжковой лягушки. Векторы положения и импульса после времени с использованием алгоритма прыжковой лягушки
Эти уравнения должны применяться к и раз, чтобы получить и .
Поскольку алгоритм «чехарда» является численным методом и не решает точно уравнения Гамильтона, a Метрополис – Гастингс шаг используется. Переход от к является
куда
Это повторяется для получения .
Пробоотборник без переворота
Пробоотборник без разворота (NUTS)[2] расширение путем управления автоматически. Тюнинг имеет решающее значение. Например, в одномерном случае, потенциал что соответствует потенциалу простой гармонический осциллятор. За слишком большой, частица будет колебаться, и это приведет к потере вычислительного времени. За слишком маленький, частица будет вести себя как случайное блуждание.
В общем, NUTS случайным образом запускает гамильтонову динамику вперед и назад во времени, пока не будет выполнено условие разворота. Когда это происходит, для выборки MCMC выбирается случайная точка пути, и процесс повторяется с этой новой точки.
Подробно двоичное дерево построен так, чтобы проследить путь шагов прыжка. Для получения образца MCMC проводится итерационная процедура. Переменная среза отбирается. Позволять и - положение и импульс передней частицы соответственно. По аналогии, и для обратной частицы. На каждой итерации двоичное дерево выбирает случайным образом и равномерно, чтобы переместить прямую частицу вперед во времени или обратную частицу назад во времени. Также для каждой итерации количество шагов прыжка увеличивается в 2 раза. Например, в первой итерации передняя частица перемещается вперед во времени с использованием 1 шага прыжка. В следующей итерации обратная частица движется назад во времени, используя 2 шага прыжка.
Итерационная процедура продолжается до тех пор, пока не будет выполнено условие разворота, то есть
или когда гамильтониан становится неточным
или же
где, например, .
После выполнения условия разворота следующий образец MCMC, , получается путем равномерной выборки пути прыгуна, прослеживаемого двоичным деревом который удовлетворяет
Обычно это выполняется, если остальные параметры HMC разумны.
Смотрите также
- Динамический метод Монте-Карло
- Программное обеспечение для молекулярного моделирования методом Монте-Карло
- Стэн
Рекомендации
- ^ Дуэйн, Саймон; Кеннеди, Энтони Д .; Пендлтон, Брайан Дж .; Ровет, Дункан (3 сентября 1987 г.). «Гибрид Монте-Карло». Письма по физике B. 195 (2): 216–222. Bibcode:1987ФЛБ..195..216Д. Дои:10.1016 / 0370-2693 (87) 91197-X.
- ^ Хоффман, Мэтью Д.; Гельман, Андрей (2014). «Пробоотборник без разворота: адаптивная установка длины пути в гамильтониане Монте-Карло». Журнал исследований в области машинного обучения. 15 (1): 1593-1623.
дальнейшее чтение
- Нил, Рэдфорд М (2011). «MCMC с использованием гамильтоновой динамики» (PDF). В Стиве Бруксе; Андрей Гельман; Галин Л. Джонс; Сяо-Ли Мэн (ред.). Справочник цепи Маркова Монте-Карло. Чепмен и Холл / CRC. ISBN 9781420079418.
- Бетанкур, Майкл (2018). «Концептуальное введение в гамильтониан Монте-Карло». arXiv:1701.02434. Bibcode:2017arXiv170102434B. Цитировать журнал требует
| журнал =
(помощь) - Лю, Цзюнь С. (2004). Стратегии Монте-Карло в научных вычислениях. Серия Springer в статистике, Springer. С. 189-203. ISBN 978-0-387-76369-9.
внешняя ссылка
- Бетанкур, Майкл. «Эффективный байесовский вывод с гамильтонианом Монте-Карло». MLSS Исландия 2014 - через YouTube.
- Гамильтониан Монте-Карло с нуля
- Оптимизация и методы Монте-Карло