Алгоритм Ванга-Ландау , предложенный Фугао Вангом и , это метод Монте-Карло , предназначенный для расчета плотности состояний системы. Метод выполняет немарковские случайные переходы для построения плотности состояний, посещая все возможные состояния. Алгоритм Ванга и Ландау, это важный для получения плотности состояний метод, требуемый для выполнения

Алгоритм Ванга-Ландау может быть применен к любой системе, которая характеризуется некоторым параметром (например, энергией, объемом и др.). К примеру, он может быть использован для численного интегрирования и моделирования белков .

Описание

Алгоритм Ванга-Ландау является реализацией метода энтропического моделирования , в котором изучается плотность состояний с помощью блуждания в пространстве энергий с равновероятным посещением всех энергетических состояний. Алгоритм решает проблему подбора подходящих вероятностей перехода для получения требуемого при энтропическом моделировании равномерного посещения энергетических состояний и, следовательно, позволяет получить плотность состояний ${\displaystyle \Omega (E)}$ .

Алгоритм

Рассмотрим систему в фазовом пространстве ${\displaystyle \Omega }$ и энергию ${\displaystyle E}$ , изменение которой ограничено диапазоном ${\displaystyle E_{min}\leq E\leq E_{max}}$ . Пусть рассматриваемая система имеет плотность вероятности ${\displaystyle \rho (E)\sim \exp(S(E))}$ , которую нам требуется посчитать. Поскольку алгоритм Ванга и Ландау работает с дискретным спектром энергии, диапазон ${\displaystyle E_{min}\leq E\leq E_{max}}$ разбивается на конечное число ( ${\displaystyle M}$ ) равных отрезков («ящиков»), размер которых равен ${\displaystyle \Delta }$ . Таким образом:

${\displaystyle M={\frac {E_{max}-E_{min}}{\Delta }}}$ .

С учетом этого дискретного спектра, алгоритм имеет следующие начальные условия:

• ${\displaystyle S(E_{i})=0,i=1,2,...,M}$
• ${\displaystyle f=1}$ (используется далее, как добавка к энтропии ${\displaystyle S(E_{i})}$ после каждого принятого шага)
• Выбирается случайная конфигурация системы ${\displaystyle {\vec {r}}\in \Omega }$

Алгоритм выполняет моделирование в мультиканоническом ансамбле: случайное блуждание Метрополиса-Гастингса по фазовому пространству ${\displaystyle \Omega }$ системы с распределением вероятности ${\displaystyle P({\vec {r}})=1/\rho (E({\vec {r}}))=\exp(-S(E({\vec {r}})))}$ и вероятностью генерации нового состояния, данной распределением вероятности ${\displaystyle g({\vec {r}}\rightarrow {\vec {r}}')}$ , которое выбирается произвольно (обычно любое состояние может быть сгенерировано с равной вероятностью). В процессе моделирования, посещение каждого «ящика» записывается в гистограмму ${\displaystyle H(E)}$ (то есть, значение ${\displaystyle H(E)}$ увеличивается на единицу). Как и в алгоритме Метрополиса-Гастингса, генерация и принятие нового состояния выполняется следующим образом:

1. генерация нового состояния ${\displaystyle {\vec {r}}'\in \Omega }$ согласно распределению вероятности ${\displaystyle g({\vec {r}}\rightarrow {\vec {r}}')}$
2. принятие/отклонение нового состояния, производится следующим образом:

Если энтропия нового состояния меньше текущего, то оно сразу принимается. Если же энтропия увеличилась, то новое состояние принимается с вероятностью: ${\displaystyle A=e^{S-S'}{\frac {g({\vec {r}}'\rightarrow {\vec {r}})}{g({\vec {r}}\rightarrow {\vec {r}}')}}}$ , где ${\displaystyle S=S(E({\vec {r}}))}$ и ${\displaystyle S'=S(E({\vec {r}}'))}$ .

То есть, общая формула выглядит следующим образом:

${\displaystyle A({\vec {r}}\rightarrow {\vec {r}}')=\min \left(1,e^{S-S'}{\frac {g({\vec {r}}'\rightarrow {\vec {r}})}{g({\vec {r}}\rightarrow {\vec {r}}')}}\right)}$ .

Таким образом, энтропия наиболее часто посещаемых состояний будет расти, в результате чего они будут посещаться всё реже, а наиболее редкие состояния, следовательно, будут посещаться чаще. Тем самым, мы добиваемся равновероятного посещения всех состояний.

После каждого шага генерации-принятия система переходит в некоторое состояние ${\displaystyle E_{i}}$ , значение ${\displaystyle H(E_{i})}$ увеличивается на единицу, а также выполняется следующее изменение:

${\displaystyle S(E_{i})\leftarrow S(E_{i})+f}$

Это важный шаг алгоритма, и это то, что делает алгоритм Ванга-Ландау немарковским: случайный процесс теперь зависит от истории процесса. Таким образом, когда в следующий раз будет предложено состояние с энергией ${\displaystyle E_{i}}$ , это состояние будет отклонено с большей вероятностью; в этом смысле, алгоритм принуждает систему посещать все состояния с одинаковой частотой. Как следствие, гистограмма ${\displaystyle H(E)}$ становится все более и более плоской. Хотя, эта равномерность зависит от того, насколько посчитанная энтропия близка к точной энтропии, что зависит от ${\displaystyle f}$ . Для улучшения приближения точной энтропии (и, таким образом, равномерности гистограммы), ${\displaystyle f}$ уменьшается после ${\displaystyle M}$ шагов генерации-принятия:

${\displaystyle f\leftarrow f/2}$

Через некоторое время было показано, что при изменении ${\displaystyle f}$ постоянным делением на два алгоритм может не сходиться . Небольшая модификация метода Ванга-Ландау позволяет избежать этого: производится деление не на два, а на ${\displaystyle t}$ , при чем ${\displaystyle t}$ пропорционально шагу моделирования.

В результате использования этого алгоритма происходит автоматическая настройка весов вероятности перехода, которые одновременно определяют плотности состояний. По окончании расчета вычисляется массив ${\displaystyle \Omega (E)=\exp S(E)}$ и нормируется на единицу.

Пример кода

Ниже показан пример кода на Python , в котором предполагается симметричность функции распределения ${\displaystyle g}$ :

${\displaystyle g({\boldsymbol {x}}'\rightarrow {\boldsymbol {x}})=g({\boldsymbol {x}}\rightarrow {\boldsymbol {x}}')}$

currentEnergy = system.randomConfiguration() # случайная генерация начального состояния системы
while (f > epsilon):
    system.proposeConfiguration() # генерация новой конфигурации
    proposedEnergy = system.proposedEnergy() # вычисление энергии нового состояния

    if (random() < exp(entropy[currentEnergy]-entropy[proposedEnergy])):
        # если принято, обновляем энергию и систему
        currentEnergy = proposedEnergy
        system.acceptProposedConfiguration()
    else:
        # если отклонено
        system.rejectProposedConfiguration()
    
    H[currentEnergy] += 1
    entropy[currentEnergy] += f
    
    if (isFlat(H)): # isFlat проверяет достаточно ли гладкая гистограмма (например, 95%)
        H[:] = 0
        f *= 0.5 # refine the f parameter

Примечания