Amostragem de Wang-Landau
O algoritmo de amostragem de Wang-Landau é um método de amostragem para simulações de Monte Carlo introduzido por F. Wang and D. P. Landau em 2001 [1] (com uma versão didática publicada em 2004 por D.P Landau, Shan-Ho Tsai e M. Exlerem), [2] que apresenta diversas vantagens sobre outros métodos para sistemas de spins. Dentre eles podemos citar o algoritmo de Metropolis [3] , o algoritmo de clustering de Wolff [4] , ou em um modelamento de ensamble multi-canônico [5] . Nestes dois últimos métodos são utilizados métodos de repesagem de histogramas[6] que são limitados em sistemas grandes devido as baixa qualidade estatística nas asas do histograma. Dentro deste contexto, o algoritmo Wang-Landau promete resolver problemas encontrados em amostragens convencionais como o critical slowing down para temperaturas próximas da temperatura crítica utilizando-se de caminhadas aleatórias controladas para mapear a densidade de estados de um sistema, sem depender do método de repesagem de histogramas.
A maioria dos algoritmos de amostragem convencionais geram uma distribuição canônica não normalizada
para uma determinada temperatura , Geralmente estas distribuições são estreitas e se faz necessário múltiplas simulações para obter algum parâmetro termodinâmico para uma distribuição significantemente grande de temperaturas, na Fig. 2 vemos exemplos destas distribuições. Como não depende de temperatura do sistema, se pudermos encontrá-lo para todo , podemos encontrar a função de partição
e o sistema esta essencialmente resolvido, uma vez que grande parte dos parâmetros termodinâmicos podem ser derivados de . Além disso, a amostragem de Wang-Landau é provada ser útil em diversas aplicações como o antiferromagneto de Potts [7] , sistemas de spins aleatórios[8] , sistemas quânticos[9], etc... .
Descrição do algoritmo de Wang Landau
Descreveremos o funcionamento do algoritmo de Wang-Landau num sistema de spins clássicos de 2 estados numa grade bidimensional com valores discretos de energia e sem campo magnético(Modelo de Ising2D). Portanto quando nos referirmos a como densidade de estados, interpretamos como o número de estados com energia E. A amostragem de Wang-Landau faz caminhadas aleatórias no espaço de energia mudando os estados de spins aleatoriamente selecionados, porém esta mudança só é aceita com probabilidade proporcional a reciproca da densidade de estados. Durante a caminhada também se acumula o número de vezes que uma energia é visitada durante a caminhada , isto é, ao visitarmos a energia faz-se a atualização da variável . Por outro lado, a atualização da densidade de estados se da por um fator multiplicativo () controlado ao longo da simulação para que seja muito próximo de 1 ao final das caminhadas.
Podemos descrever os passos do algoritmo da seguinte maneira:
- Inicializamos as densidades de energias com para todo , da mesma forma para todo .
- Inicializamos e um sistema de spins de valor 1 e -1 aleatoriamente distribuídos.
- O valor de é arbitrário e deve ser escolhido não muito pequeno, pois irá fazer com que a simulação demore muito tempo para explorar diversas energias, por outro lado se escolhido muito grande, levará a erros estatísticos significativos.
- Começamos a caminhada inicial escolhendo aleatoriamente um dos spins e mudando o seu estado.
- Se denotamos como a energia antes da mudança de estado do spin selecionado e como a energia após, aceitamos este novo estado com a seguinte probabilidade:
- Se aceitarmos a mudança de estado do spin, fazemos as atualizações de e como e respectivamente.
- Se não aceitarmos a mudança de estado do spin, fazemos as atualizações de e como e respectivamente, de maneira a recontar o estado .
- Destaca-se que em ambos os casos usamos , pois ao longo da simulação acabamos usando números muito grandes.
- Faz-se esta caminhada aleatória nos diferentes estados do sistema até que o histograma esteja aproximadamente plano.
- O critério para decidir se um histograma está plano é arbitrário. Para um hamiltoniano de Ising 2D este critério pode ser definido tão alto quanto 95% (i.e. todos os valores de devem ser pelo menos 95% de ), porém valores mais altos que isso podem resultar no programa nunca identificando o histograma como plano.
- Checa-se se está plano a cada 10000 passos MC. Quando está plano, podemos dizer que todos os estados foram visitados uma quantidade de vezes aproximadamente igual e a densidade de estados converge ao valor real com precisão da ordem de . (O critério de 10000 passos é arbitrário e pode ser modificado de acordo com o propósito da simulação).
- Um passo MC corresponde a passos.
- Reduz-se o fator da seguinte maneira , reinicia-se o histograma e recomeça-se a caminhada aleatória com este novo fator . (Todos os parâmetros não mencionados neste passo permanecem intocados).
- Continuamos executando os passos 5-7, reduzindo o fator segundo a seguinte expressão
- Encerra-se a simulação quando estiver da ordem do erro desejado.
- Claro que pode ser escolhido arbitrariamente pequeno, mas sempre com um certo limite razoável , ou a simulação pode tomar tempos não razoáveis para completar.
Observações sobre o algoritmo
Nesta seção discutimos algumas observações importantes a se levar em conta na implementação do método de amostragem de Wang-Landau
Fator de modificação f
Quando tratamos da atualização do fator , a expressão é apenas uma recomendação, uma vez que outros valores de podem ser escolhidos para uma atualização do tipo . Não obstante, é adequado para o sistema estudado (Ising 2D), resultando em boa acurácia em relativamente pouco tempo de simulação.
Implementação paralela
A simulação pode ser melhorada ainda fazendo múltiplas caminhadas aleatórias paralelamente no espaço de energias. Restringindo o alcance das caminhadas proporcionalmente com o número de caminhantes em paralelo (e.g. No caso de 2 caminhantes simultâneos, dividimos o espaço de energias em 2 e restringimos um caminhante para a metade inferior das energias, e o outro para a parte superior) e depois juntando as densidades de estados resultantes. [10]
Balanço detalhado
A condição de balanço detalhado inicialmente não é satisfeita uma vez que é constantemente modificada durante a caminhada aleatória. Porém após várias iterações, a condição é satisfeita a medida que se aproxima de 1. Observa-se que se é a probabilidade de transição da energia para a energia , utilizando a equação do passo 4 do algoritmo temos que:
Podemos reescrever a equação de uma forma mais familiar
que é a condição de balanceamento detalhado, uma vez que interpretamos que como a probabilidade do sistema possuir a energia e analogamente para . Concluímos então que a condição de balanço detalhado é satisfeita com precisão proporcional a .
Escalabilidade
Quando analisamos um modelo de Ising 2D de tamanho , temos que o número de configurações aumenta exponencialmente com , enquanto o número de possíveis energias é por volta de e aumenta linearmente com N. Implicando que temos uma escalabilidade muito boa para as caminhadas no espaço de energia quando o objetivo é estimar uma vez que um aumento no tamanho da grade não implica em um aumento exponencial, mas sim linear, no tempo de execução.
Normalização
É necessário ressaltar que após a simulação completa, o algoritmo de Wang-Landau nos fornece apenas a densidade de estados relativa. Para extrairmos a real densidade de estados é necessário que utilizemos uma das duas condições: Que o número total de estados possíveis é ou que o numero de estados fundamentais é (onde para o modelo de Ising 2D pois os spins possuem apenas dois estados).
Pela primeira condição, podemos obter a densidade de estados normalizada através da equação
,
enquanto pela segunda condição temos que
.
A segunda normalização é preferível pois garante precisão para estados de menor energia, o que é necessário para o calculo de parâmetros termodinâmicos a baixas temperaturas.
Grandezas Termodinâmicos
Uma vez que temos a densidade de estados, podemos calcular diversas grandezas termodinâmicos, como a energia interna , calor especifico , energia livre de Helmholtz e entropia através das seguintes equações:
Estas grandezas dependem apenas da temperatura uma vez que já foi encontrado a densidade de estados , o que contorna os problemas de critical slowing down na temperatura crítica pois a simulação não precisa ser refeita para cada uma das temperaturas, por consequência também dispensa a necessidade do método de repesagem de histogramas, contornando o problema de estatística fraca nas asas dos histogramas.
Exemplo: Modelo de Ising 2D por amostragem de Wang-Landau
Podemos aplicar o algoritmo de Wang-Landau para um sistema ferromagnético 2D de Ising com interação de primeiros vizinhos e uma grade quadrada com condições de contorno periódicas no qual o hamiltoniano é dado por
onde para spin para cima, para baixo e indica a soma entre os primeiros vizinhos. Podemos calcular os erros entre os valores obtidos através da simulação e os valores exatos conhecidos para esse sistema através da seguinte expressão
,
onde é o valor obtido na simulação para o parâmetro e é o valor exato para o mesmo parâmetro. Na Fig.1 temos a densidade de estados para um sistema com e com critério para um histograma plano de 80%. Com esses parâmetros, a Google Compute Engine padrão para Python3 do Google Colab realiza a simulação em . Para as Figs. 1,2,3,4,5,6 os valores exatos estão sobrepostos aos valores obtidos em simulação como uma linha pontilhada.
Fazendo uso da #equação de distribuição de probabilidade canônica, podemos encontrar a distribuição de probabilidade das energias para uma determinada temperatura . Devido a natureza do algoritmo, estas distribuições que por meios convencionais levariam tempo demasiadamente grande para ser calculado ou necessitariam de repesagem de histograma são instantaneamente calculadas com o algoritmo de Wang-Landau independentemente da temperatura. Na Fig.2 temos um exemplo das distribuições, incluindo uma próxima da temperatura critica .
Fazendo uso das #equações para parâmetros termodinâmicos, podemos calculá-los para este sistema em função da temperatura quase que instantaneamente. Estes são ilustrados nas Figs. 3,4,5,6.
Código do Exemplo
Exemplo de código para a amostragem de Wang-Landau em Python3
Referências
- ↑ F. Wang and D. P. Landau, ‘‘Efficient, multiple-range random walk algorithm to calculate the density of states,’’ Phys. Rev. Lett. 86, 2050–2053 !2001"; ‘‘Determining the density of states for classical statistical models: A random walk algorithm to produce a flat histogram,’’ Phys. Rev. E 64, 056101 !2001".
- ↑ Landau, D. P., Shan-Ho Tsai, and M. Exler. "A new approach to Monte Carlo simulations in statistical physics: Wang-Landau sampling." American Journal of Physics 72.10 (2004): 1294-1302.
- ↑ N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Teller, ‘‘Equation of state calculations by fast computing machines,’’ J. Chem. Phys. 21, 1087–1092 !1953".
- ↑ U. Wolff, ‘‘Collective Monte Carlo updating for spin systems,’’ Phys. Rev. Lett. 62, 361–364 !1989".
- ↑ B. A. Berg and T. Neuhaus, ‘‘Multicanonical ensemble: A new approach to simulate first-order phase transitions,’’ Phys. Rev. Lett. 68, 9–12 !1992"
- ↑ A. M. Ferrenberg and R. H. Swendsen, ‘‘New Monte Carlo technique for studying phase transitions,’’ Phys. Rev. Lett. 61, 2635–2638 !1988"; ‘‘Optimized Monte Carlo data analysis,’’ ibid. 63, 1195–1198 !1989".
- ↑ C. Yamaguchi and Y. Okabe, ‘‘Three-dimensional antiferromagnetic q-state Potts models: application of the Wang-Landau algorithm,’’ J. Phys. A 34, 8781– 8794 !2001"
- ↑ Y. Okabe, Y. Tomita, and C. Yamaguchi, ‘‘Application of new Monte Carlo algorithms to random spin systems,’’ Comput. Phys. Commun. 146, 63– 68 !2002".
- ↑ 2M. Troyer, S. Wessel, and F. Alet, ‘‘Flat histogram methods for quantum systems: Algorithms to overcome tunneling problems and calculate the free energy,’’ Phys. Rev. Lett. 90, 120201 !2003".
- ↑ Vogel, Thomas, et al. "Generic, hierarchical framework for massively parallel Wang-Landau sampling." Physical review letters 110.21 (2013): 210603.