Lecture Ⅰ:
(Classical Monte Carlo Method)
# 应用领域:
量化分析,统计物理(相当于布置一个涨落的试验场)。机器学习,高维积分
# 应用原理:
Sampling + Measurements
# Sampling( Inspired by Numerical Pi Calculation ):
(1)Completely Random Stradegy
(2)Markov-Chain Stradegy ~ 减少无效采样,一定规则地产生均匀遍历采样链
(3)MC 要素:
* 位形(状态)- 转移矩阵
* 平稳 Markov-Chain:
* 周期性 Markov-Chain:
* 收敛 Markov-Chain:
* 拒绝 - 接受 概率接受更新 Metropolis 原则:
* MCMC 与 统计:
全局平稳 - 细致平稳
期望:顺着 每个 C_i 求和 O(C_i) 获得期望
# Research of Ising_model Given By Metropolis-MC:
(1)1D - Ising model:不存在对称性破缺
(2)2D - Ising model:存在长程有序(Peierls 液体),存在低温对称性破缺
* 朗道唯象
* 普适类假定
* 重整化群 - Wilson
* 有效场论 - 有效场论
(3)Metropolis - Ising Model:
* Critical Slowing
(4)SAW - Self_Avoiding_Walk:
# 随机流,随机簇: