Алгоритм Ванга — Ландау

Алгоритм Ванга-Ландау, предложенный Фугао Вангом и Дэвидом Ландау , 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 мультиканонического моделирования

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. Он решает проблему подбора подходящих вероятностей перехода для получения требуемого при энтропическом моделировании равномерного посещения энергетических состояний и, следовательно, позволяет получить плотность состояний $\Omega (E)$.

Алгоритм

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

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

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

• $S(E_{i})=0,i=1,2,...,M$
• $f=1$
• Выбирается случайная конфигурация системы ${\vec {r}}\in \Omega$

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

1. генерация нового состояния ${\vec {r}}'\in \Omega$ согласно распределению вероятности $g({\vec {r}}\rightarrow {\vec {r}}')$
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: $A=e^{S-S'}{\frac {g({\vec {r}}'\rightarrow {\vec {r}})}{g({\vec {r}}\rightarrow {\vec {r}}')}}$, где $S=S(E({\vec {r}}))$ и $S'=S(E({\vec {r}}'))$.

То есть, общая формула выглядит следующим образом:

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

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

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

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 $E_{i}$, это состояние будет отклонено с большей вероятностью; в этом смысле, алгоритм принуждает систему посещать все состояния с одинаковой частотой. Как следствие, гистограмма $H(E)$ становится все более и более плоской. Хотя, эта равномерность зависит от того, насколько посчитанная энтропия близка к точной энтропии, что зависит от $f$. Для улучшения приближения точной энтропии (и, таким образом, равномерности гистограммы), $f$ уменьшается после $M$ шагов генерации-принятия:

$f\leftarrow f/2$

Через некоторое время было показано, что изменение $f$ постоянным делением на два не оптимально. Небольшая модификация метода Ванга-Ландау позволяет избежать этого: производится деление не на два, а на $t$, при чем $t$ пропорционально шагу моделирования.

Пример кода

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

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

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