Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Intégration Monte Carlo : Échantillonnage non corrélé

Dans cours

PHYS-403: Computer simulation of physical systems I

The two main topics covered by this course are classical molecular dynamics and the Monte Carlo method. ...

Description

Cette séance de cours couvre l'intégration de Monte Carlo grâce à un échantillonnage non corrélé, en se concentrant sur le calcul des intégrales sur plusieurs variables, les performances des supercalculateurs et l'échelle d'erreur de la méthode avec le nombre de points utilisés. Il explique également la commodité de la méthode de Monte Carlo pour les intégrales de dimensions supérieures.

Enseignant·e

Alfredo Pasquarello

Alfredo Pasquarello effectue ses études en physique à l'Ecole normale supérieure de Pise et à l'Université de Pise et obtient leurs diplômes respectifs en 1986. Il obtient le titre de Docteur ès sciences à l'EPFL en 1991 avec une thèse portant sur les transitions à plusieurs photons dans les solides. Ensuite, il effectue des recherches post-doctorales aux Laboratoires Bell (Murray Hill, New Jersey) sur les propriétés magnétiques des fullerènes de carbone. En 1993, il rejoint l'Institut romand de recherche numérique en physique des matériaux (IRRMA), où sa recherche porte sur des méthodes de simulation ab initio. En 1998, le Prix Latsis de l'EPFL lui est decerné pour son travail de recherche portant sur les matériaux à base de silice désordonnée. Bénéficiant de plusieurs subsides du Fonds National, il constitue ensuite sa propre équipe de recherche à l'IRRMA. En juillet 2003, il est nommé Professeur en Physique théorique de la matière condensée à l'EPFL. Actuellement, il dirige la Chaire de simulation à l'échelle atomique.

Source officielle

Proximité ontologique

Mathématiques

Analyse (mathématiques): Analyse numérique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

Calcul numérique d'une intégrale

En analyse numérique, il existe une vaste famille d’algorithmes dont le but principal est d’estimer la valeur numérique de l’intégrale définie sur un domaine particulier pour une fonction donnée (par exemple l’intégrale d’une fonction d’une variable sur un intervalle). Ces techniques procèdent en trois phases distinctes : Décomposition du domaine en morceaux (un intervalle en sous-intervalles contigus) ; Intégration approchée de la fonction sur chaque morceau ; Sommation des résultats numériques ainsi obtenus.

Méthode de Monte-Carlo

Une méthode de Monte-Carlo, ou méthode Monte-Carlo, est une méthode algorithmique visant à calculer une valeur numérique approchée en utilisant des procédés aléatoires, c'est-à-dire des techniques probabilistes. Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont également couramment utilisées en physique des particules, où des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilité d'un détecteur.

Loi de probabilité

thumb|400px 3 répartitions.png En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard. L'étude des phénomènes aléatoires a commencé avec l'étude des jeux de hasard. Jeux de dés, tirage de boules dans des urnes et jeu de pile ou face ont été des motivations pour comprendre et prévoir les expériences aléatoires. Ces premières approches sont des phénomènes discrets, c'est-à-dire dont le nombre de résultats possibles est fini ou infini dénombrable.

Méthode de Monte-Carlo par chaînes de Markov

Les méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (algorithme de Metropolis-Hastings, échantillonnage de Gibbs), alors que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive).

Intégrale multiple

vignette|Fig. 2. Intégrale double comme volume du solide situé entre un domaine du plan xy et la surface image de ce domaine par une fonction. En analyse mathématique, l'intégrale multiple est une forme d'intégrale qui s'applique aux fonctions de plusieurs variables réelles. Les deux principaux outils de calcul sont le changement de variables et le théorème de Fubini. Ce dernier permet de ramener de proche en proche un calcul d'intégrale multiple à des calculs d'intégrales simples, et d'interpréter le « volume » d'un domaine « simple » de dimension n (ou son hypervolume si n > 3) comme l'intégrale d'une fonction de n – 1 variables (Fig.

Afficher plus

Séances de cours associées (45)

Formules Quadrature : Intégration numérique

Couvre le concept d'intégration numérique à l'aide de formules quadrature.

Importance Échantillonnage : changement de variable

Explore l'échantillonnage d'importance à travers un changement de variable pour accélérer les calculs de Monte Carlo et discute de l'impact sur les estimations stochastiques et l'échelle de variance.

Intégration numérique: Newton-Cotes et règle trapézoïdale

Couvre les méthodes d'intégration numérique, y compris Newton-Cotes et la règle trapézoïdale.

Formules de Quadrature numérique

Explique les formules de quadrature numérique, en mettant l'accent sur l'application des règles de Simpson.

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Afficher plus

Concepts associés (32)

Calcul numérique d'une intégrale

Méthode de Monte-Carlo

Loi de probabilité

Méthode de Monte-Carlo par chaînes de Markov

Intégrale multiple

Afficher plus