[論文レビュー] Introduction to the variational and diffusion Monte Carlo methods

Julien Toulouse, Roland Assaraf+1 more|arXiv (Cornell University)|Aug 12, 2015

Theoretical and Computational Physics参考文献 40被引用数 6

ひとこと要約

この論文は、電子構造計算における変分モンテカルロ法（VMC）および拡散モンテカルロ法（DMC）の包括的で教育的な導入を提供する。VMCでは、Metropolis-Hastingsアルゴリズムを用いて波動関数の二乗をサンプリングし、フェルミオンの符号問題を軽減するための固定ノードDMCアプローチを説明している。これにより、期待値の線形および非線形関数に対する正確な基底状態エネルギー推定と、厳密な統計的誤差解析が可能になる。

ABSTRACT

We provide a pedagogical introduction to the two main variants of real-space quantum Monte Carlo methods for electronic-structure calculations: variational Monte Carlo (VMC) and diffusion Monte Carlo (DMC). Assuming no prior knowledge on the subject, we review in depth the Metropolis-Hastings algorithm used in VMC for sampling the square of an approximate wave function, discussing details important for applications to electronic systems. We also review in detail the more sophisticated DMC algorithm within the fixed-node approximation, introduced to avoid the infamous Fermionic sign problem, which allows one to sample a more accurate approximation to the ground-state wave function. Throughout this review, we discuss the statistical methods used for evaluating expectation values and statistical uncertainties. In particular, we show how to estimate nonlinear functions of expectation values and their statistical uncertainties.

研究の動機と目的

• 量子モンテカルロに初めて触れる研究者向けに、自己完結的でアクセス可能な変分モンテカルロおよび拡散モンテカルロ法の導入を提供すること。
• 特にVMCおよびDMCにおける期待値の推定とその不確実性の統計的基礎を明確にすること。
• 分散や相関関数などの、観測量の非線形関数の統計的誤差を計算する際の実用的課題に対処すること。
• DMCにおけるフェルミオンの符号問題を解決するための固定ノード近似の説明をし、正確な基底状態エネルギー計算を可能にすること。
• ブロック平均化と分散伝播技術を用いた、複雑な観測量のための堅牢な統計推定量の実装ガイドを提供すること。

提案手法

• VMCにおいて、多次元積分の確率的評価を可能にするために、$ \rho(\mathbf{R}) = \Psi(\mathbf{R})^2 / \int \Psi(\mathbf{R})^2 \, d\mathbf{R} $ の確率密度をサンプリングするためのMetropolis-Hastingsアルゴリズムを用いる。
• DMCでは、試行波動関数のノード面を制約することにより、フェルミオンの符号問題を回避する固定ノード近似を採用する。
• 中心極限定理を適用して、変分エネルギーの統計的不確実性を $ \sigma[\overline{E}_L] = \sqrt{\text{Var}[E_L]/M} $ で推定する。ここで $ M $ はサンプリングされた配置の数である。
• 非線形関数の観測量の分散を推定するためのブロック平均化技術を導入し、$ \overline{f}_b = b f(\overline{X}(b)) - (b-1) f(\overline{X}(b-1)) $ で定義される。この方法は、微小な導関数によるバイアスを回避する。
• ブロック平均統計を用いて、共分散および分散の不偏推定量を導出し、複雑な観測量の誤差推定を改善する。
• テイラー展開とブロック平均推定量を用いて、非線形関数を通じた誤差伝播を実行し、導関数が小さい場合でも堅牢な誤差推定を保証する。

実験結果

リサーチクエスチョン

• RQ1 局所エネルギー分布のモンテカルロサンプリングを用いて、変分エネルギーをどのように正確に推定できるか？
• RQ2 分散や相関関数などの、期待値の非線形関数の統計的不確実性を正しく推定する方法は何か？
• RQ3 DMCにおける固定ノード近似は、フェルミオンの符号問題をどのように解決し、同時に基底状態エネルギー推定の正確性を保っているのか？
• RQ4 量子モンテカルロシミュレーションにおける複雑な観測量の信頼性のある誤差推定を保証する統計的手法は何か？
• RQ5 ブロック平均化法を用いて、非線形関数の分散と共分散を、微小な導関数によるバイアスなしに計算する方法は何か？

主な発見

• 変分エネルギーは、Metropolis-Hastingsにより得られた $ M $ 個の相関のない配置上で局所エネルギー $ \overline{E}_L $ の平均として推定され、統計的不確実性は $ \sigma[\overline{E}_L] = \sqrt{\text{Var}[E_L]/M} $ で与えられる。
• DMCにおける固定ノード近似により、試行波動関数のノード面を制約することで、フェルミオンの符号問題を回避し、正確な基底状態エネルギー計算が可能になる。
• ブロック平均化により定義される非線形関数の推定量 $ \overline{f}_b = b f(\overline{X}(b)) - (b-1) f(\overline{X}(b-1)) $ は、明示的な微分計算を必要とせず、バイアスのない分散推定に非常に有効である。
• 非線形関数 $ f(\overline{X}) $ の分散は、$ \text{Var}[f(\overline{X})] \approx \frac{1}{M_b - 1} \left( \frac{1}{M_b} \sum_{b=1}^{M_b} \overline{f}_b^2 - f(\overline{X})^2 \right) $ として推定可能であり、正確な不確実性評価が可能になる。
• 観測量間の共分散は $ \text{Cov}[X,Y] \approx \frac{M}{M-1} (\overline{XY} - \overline{X} \overline{Y}) $ を用いて推定でき、ブロック平均化版を用いることで安定性が向上する。
• 本手法により、複雑な非線形関数に対しても統計的不確実性が一貫して適切に推定され、標準的一階誤差伝播法よりも信頼性が向上する。