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

Algorithme Metropolis : équilibre détaillé

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 le principe d'équilibre détaillé dans l'algorithme de Metropolis, expliquant la distribution invariante et les probabilités de transition. Il traite également de la procédure en deux étapes, du choix de l'étape d'essai et de la configuration de démarrage.

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

Concepts associés (8)

Chaîne de Markov

vignette|Exemple élémentaire de chaîne de Markov, à deux états A et E. Les flèches indiquent les probabilités de transition d'un état à un autre. En mathématiques, une chaîne de Markov est un processus de Markov à temps discret, ou à temps continu et à espace d'états discret. Un processus de Markov est un processus stochastique possédant la propriété de Markov : l'information utile pour la prédiction du futur est entièrement contenue dans l'état présent du processus et n'est pas dépendante des états antérieurs (le système n'a pas de « mémoire »).

Propriété de Markov

vignette|Exemple de processus stochastique vérifiant la propriété de Markov: un mouvement Brownien (ici représenté en 3D) d'une particule dont la position à un instant t+1 ne dépend que de la position précédente à l'instant t. En probabilité, un processus stochastique vérifie la propriété de Markov si et seulement si la distribution conditionnelle de probabilité des états futurs, étant donnés les états passés et l'état présent, ne dépend en fait que de l'état présent et non pas des états passés (absence de « mémoire »).

Matrice stochastique

En mathématiques, une matrice stochastique (aussi appelée matrice de Markov) est une matrice carrée (finie ou infinie) dont chaque élément est un réel positif et dont la somme des éléments de chaque ligne vaut 1. Cela correspond, en théorie des probabilités, à la matrice de transition d'une chaîne de Markov. Une matrice est dite stochastique si toutes ses entrées sont positives (ou nulles) et si, pour tout , on a c'est-à-dire que la somme des coordonnées de chaque ligne vaut 1.

Metropolis light transport

Metropolis light transport (MLT) is a global illumination application of a variant of the Monte Carlo method called the Metropolis–Hastings algorithm to the rendering equation for generating images from detailed physical descriptions of three-dimensional scenes. The procedure constructs paths from the eye to a light source using bidirectional path tracing, then constructs slight modifications to the path. Some careful statistical calculation (the Metropolis algorithm) is used to compute the appropriate distribution of brightness over the image.

Algorithme de Prim

thumb|right|Arbre couvrant de poids minimum L'algorithme de Prim est un algorithme glouton qui calcule un arbre couvrant minimal dans un graphe connexe pondéré et non orienté. En d'autres termes, cet algorithme trouve un sous-ensemble d'arêtes formant un arbre sur l'ensemble des sommets du graphe initial et tel que la somme des poids de ces arêtes soit minimale. Si le graphe n'est pas connexe, alors l'algorithme détermine un arbre couvrant minimal d'une composante connexe du graphe.

Afficher plus

Séances de cours associées (12)

Hidden Markov Modèles: Primer

Introduit des modèles de Markov cachés, expliquant les problèmes de base et les algorithmes comme Forward-Backward, Viterbi et Baum-Welch, en mettant laccent sur lattente-Maximisation.

Markov Chains: Probabilités de transition

Explore les chaînes de Markov, les matrices de transition, la distribution et les promenades aléatoires.

Chaînes Markov: Définitions et transitions

Explique les chaînes de Markov, les matrices de transition et les distributions fixes dans les processus aléatoires.

Distribution stationnaire dans les chaînes de Markov

Explore le concept de distribution stationnaire dans les chaînes de Markov, en discutant de ses propriétés et de ses implications, ainsi que des conditions d'une récurrence positive.

Chaînes Markov : Processus homogènes et distributions stationnaires

Explore les chaînes Markov, en mettant l'accent sur les processus homogènes et les distributions fixes, avec des exercices pratiques.

Afficher plus

Concepts associés (8)

Chaîne de Markov

Propriété de Markov

Matrice stochastique

Metropolis light transport

Algorithme de Prim

Afficher plus