[论文解读] Many-Configuration Markov-Chain Monte Carlo

F. Šimkovic, Riccardo Rossi|arXiv (Cornell University)|Feb 10, 2021

Theoretical and Computational Physics被引用 4

一句话总结

本文提出多态配置马尔可夫链蒙特卡洛（MCMCMC），这是标准MCMC的一种最小化推广，允许在每个蒙特卡洛步长中从多个提议配置中采样。通过在图解蒙特卡洛中并行评估多个有偏配置，MCMCMC将费米-Hubbard模型的热化时间减少了两个数量级，并显著加速了自旋玻璃模型的收敛速度。

ABSTRACT

We propose a minimal generalization of the celebrated Markov-Chain Monte Carlo algorithm which allows for an arbitrary number of configurations to be visited at every Monte Carlo step. This is advantageous when a parallel computing machine is available, or when many biased configurations can be evaluated at little additional computational cost. As an example of the former case, we report a significant reduction of the thermalization time for the paradigmatic Sherrington-Kirkpatrick spin-glass model. For the latter case, we show that, by leveraging on the exponential number of biased configurations automatically computed by Diagrammatic Monte Carlo, we can speed up computations in the Fermi-Hubbard model by two orders of magnitude.

研究动机与目标

• 为解决在拥有并行计算资源或可低成本生成大量有偏配置时，标准MCMC效率低下的问题。
• 减少马尔可夫链中的热化时间，这是蒙特卡洛模拟中的关键瓶颈。
• 将MCMC推广至可同时考虑多个配置，同时保持细致平衡。
• 实现图解蒙特卡洛中自动生成的指数级数量有偏配置的高效利用。
• 在所提方法下，展示自旋玻璃与费米-Hubbard模型中显著的加速效果。

提出的方法

• 提出一种广义的MCMCMC框架，每个蒙特卡洛步长考虑多个配置，扩展了标准的顺序提议-拒绝过程。
• 使用有向图表示法，其中每个节点对应一个配置，边表示提议概率。
• 通过在配置子集上定义转移概率矩阵，实现在多个配置间的细致平衡。
• 推导出用于计算子集上转移概率的递归方程，通过累积概率分布将计算成本从O(n²2ⁿ)降低至O(n2ⁿ)。
• 将该方法应用于两种不同场景：并行机器与图解蒙特卡洛中存在指数级有偏配置的情况。
• 确保在多配置转移过程中保持细致平衡，从而保证平衡分布采样的正确性。

实验结果

研究问题

• RQ1 MCMCMC能否在混合缓慢的模型（如Sherrington-Kirkpatrick自旋玻璃模型）中减少热化时间？
• RQ2 MCMCMC能否高效利用图解蒙特卡洛中生成的指数级数量有偏配置？
• RQ3 多配置方法是否保持了细致平衡并实现了正确的平衡分布采样？
• RQ4 与标准MCMC相比，MCMCMC在自相关性和收敛速度方面表现如何？
• RQ5 MCMCMC能否在强关联量子系统（如费米-Hubbard模型）中实现显著加速？

主要发现

• 在使用并行机器的Sherrington-Kirkpatrick自旋玻璃模型中，MCMCMC显著减少了热化时间，加速了收敛。
• 在费米-Hubbard模型中，MCMCMC通过利用图解蒙特卡洛生成的指数级有偏配置，实现了两个数量级的加速。
• 该方法在多个配置间保持了细致平衡，确保了从目标分布中正确采样。
• 转移概率计算的计算成本降低至O(n2ⁿ)，使其在大规模配置空间中可行。
• 基准测试结果证实，当有偏配置丰富时，MCMCMC在热化时间和自相关时间方面均优于标准MCMC。
• 该算法具有通用性，适用于任何可低成本生成多个提议的MCMC场景。