This document discusses Monte Carlo simulations. It provides an overview of Monte Carlo history and methods, including examples of applications. Monte Carlo simulations are stochastic computational algorithms that rely on repeated random sampling to obtain numerical results. They allow modeling complex systems without having to solve detailed deterministic equations. Some key advantages are that they are generally easy to parallelize and provide no dynamical information like molecular dynamics simulations.
4. Monte Carlo history
What is Monte Carlo calculations ?
Why Should I Use Monte Carlo Simulation?
Applications
Examples
Summary
Conclusion
3
5. 5
Massa Chosetts
In statute of technology (MIT)
6.0002, fall 2016
Introduction to computational thinking and data science JOHN GOTTAG at ocm.mit.edu
6. 6
Introducing Monte Carlo Methods With R,ChristionP,Robert,George Casella,Springer Reliability Of
Structures,Chapter4,Andrzej S.Nowak,Kevin R.Collins,CRCpress.
7. 7 Introducing Monte Carlo Methods With R,ChristionP,Robert,George Casella,Springer Reliability Of
Structures,Chapter4,Andrzej S.Nowak,Kevin R.Collins,CRCpress.
4
1
8. 8 Introducing Monte Carlo Methods With R,ChristionP,Robert,George Casella,Springer Reliability Of
Structures,Chapter4,Andrzej S.Nowak,Kevin R.Collins,CRCpress.
Triple jump
1: Production random sampling of sufficient number ( n )
2: Apply a bet on the produced samples ( underneath the curve )
( m )
3: Measure the desired parameter output
By this m, n
9. About the simulation
9
*After the selection of the matter, he had information of the physical laws governing
the issue
*Recognition of the types of forces in nature and consequently the potential energy
available in nature.
the numerical solution of the mathematical equations governing the physical
phenomena
*familiarity with programming language + + C
*Understanding data analysis and computational errors
edu.nano.ir
11. 11 Helsinki.fi/~rummukai/lectures/montecarlo_oulu
#include<iostream> ++C
#include<math.h>
#include<stdlib.h>
#include<time.h>
using namespace std;
int main(){
int jmax=1000; // maximum value of HIT number. (Length of
output file)
int imax=1000; // maximum value of random numbers for
producing HITs.
double x,y; // Coordinates
int hit; // storage variable of number of HITs
srand(time(0));
for (int j=0;j<jmax;j++){
hit=0;
x=0; y=0;
for(int i=0;i<imax;i++){
x=double(rand())/double(RAND_MAX);
y=double(rand())/double(RAND_MAX);
cout«"y = "«hit«endl;
if(y<=sqrt(1-pow(x,2))) hit+=1;
} //Choosing HITs according to analytic formula of circle
//cout«""«4.0*double(hit)/double(imax)«endl;
} // Print out Pi number
12. Advantages and Disadvantages of MonteCarlo
MonteCarloSimulations
DavidJ.EarlandMichaelW.Deem chapter2.page 26
Unlike molecular dynamics simulations, MonteCarlo simulations are free from the
restrictions of solving Newton’s equations of motion.MonteCarlo methods are
generally easily parallelizable ,with some techniques being ideal for use with large
CPU clusters.
Because one does not solve Newton’s equations of motion, no dynamical
information can be gathered fromatraditional MonteCarlosimulation.One of the
main difficulties of MonteCarlo simulations of proteins in an explicit solvent is
the difficulty of conducting large-scale moves.
12
13. The differences between Monte Carlo methods and
molecular dynamics
13 Basics of Computational Chemistry
Mahtab Gharbi .page 214
Property MC MD
Basic information needed Energy Gradient
Particles moved in each step One All
Coordinates Any Cartesian
Atomic velocities No Yes
Time dimension No Yes
Deterministic No Yes
Sampling Non-physical Physical
Natural ensemble NVT NVE
14. Different kind of Monte Carlo softwares
http://zarbi.chem.yale.edu/software.html download
BOSS* MCPRO
MCCCS
Towhee
DL_MONTE*
Biochemical & Organic
Simolation System
investigation of
enzymatic inhibitors
and drug design
Monte Carlo for
Complex Chemical
System
14
16. Summery
Remember that :
MCS Is A Powerful Tool
• To improve forecasting
• To identify priorities
• To create more reliable forecasts
• To increase confidence in models
16
17. Conclusion
The practical applications of the Monte Carlo method
in physical chemistry can be referred to the
construction and analysis of the molecular model
which is proposed as an alternative to the
computational dynamic computational method and
quantum chemistry.
17
درباره شبیهسازی
ابتدا مقدماتی از محاسبات کامپیوتریِ اتمی ـ مولکولی یا مشخصا «شبیهسازی دینامیک مولکولی» را که سرآغاز محاسبات پیشرفتهتر است، ذکر میکنیم. مدلسازی دینامیک مولکولی در مقابل روش «مونت کارلو» قرار دارد. در روش دینامیک مولکولی، سعی میشود معادلة قانون دوم نیوتن برای پیدا کردن مسیر حرکت ذره نسبت به زمان واقعی به دست آید، ولی در روش دوم سیستم مورد بررسی، همواره در حال تعادل فرض میشود و زمان واقعی مشخص نیست. در ذیل تمام مباحث، الگوریتموار آمده است. در هر یک از انواع شبیهسازی، چهار موضوع کلی را باید در نظر بگیریم:
- باید بعد از انتخاب موضوع، اطلاعاتی از قوانین فیزیکی حاکم بر مسئله داشت؛ بهخصوص قوانین بنیادی فیزیک، شیمی و زیستشناسی که سعی میشود همراه روشهای محاسباتی تا جایی که لازم است به آنها بپردازیم. از جمله، شناخت انواع نیروهای موجود در طبیعت و به تبع آنها انرژیهای پتانسیل موجود در طبیعت.
- باید روشهای حل عددی معادلات ریاضی حاکم بر پدیدههای فیزیکی را دانست. امروزه روشهای جدید روزبهروز در حال گسترشاند. این روشها انواع و اقسامی دارند که با توجه به مسئلة مورد نظر و میزان دقتی که مد نظر است متفاوتند.
- باید با یکی از زبانهای برنامهنویسی متناسب با مسئله مورد نظر آشنا بود؛ از QBASIC گرفته تا ++C و غیره. برای کار ما که تنها دنبال یادگیری هستیم حتی QBASIC هم کافی است، ولی ما در محیط VISUALBASIC برنامههایمان را کامپایل میکنیم. نکتة قابل توجه: امروزه نمایشی کردن نتایج محاسبات و شبیهسازیها که به آن VISUALIZATION میگویند، امر مهمی است. در واقع، تهیة انیمیشن از کار بسیار راهگشا و مورد اقبال مردم است. به این منظور، ما انیمیشنهای دوبعدی را در محیط یادشده برای کارهای خود برمیگزینیم.
- آشنایی با تحلیل دادهها و خطاهای محاسباتی. این موضوع در سطوح حرفهای شبیهسازی اهمیت فراوانی دارد.
فواید مو نت کارلو
برخلاف شبیهسازی دینامیک مولکولی، شبیهسازیهای مونت کارلو عاری از محدودیتهای حل معادلات حرکت نیوتن هستند. این آزادی به هوشمندی در پیشنهاد حرکتهایی اجازه میدهد که پیکر بندیهای آزمون را در درون مجموعه مکانیک آماری انتخاب ایجاد میکنند. اگر چه این حرکات ممکن است کماهمیت باشند، اما میتوانند به سرعت بسیار زیاد تا ۱۰ یا بیشتر در نمونهبرداری از خواص تعادلی منجر شوند . حرکات ویژه مونت کارلو را می توان در یک شبیهسازی ترکیب کرد که قابلیت انعطاف بالای مدل ساز را در رویکرد به یک مشکل خاص فراهم میآورد. به طور کلی روشهای مونت کارلو به راحتی قابل تنظیم هستند و برخی از روشها برای استفاده با خوشههای بزرگ CPU ایدهآل هستند.
مضرات مونت کارلو
از آنجا که یکی از معادلات حرکت نیوتن را حل نمیکند، هیچ اطلاعات دینامیکی را نمی توان از شبیهسازی مونت کارلو رسم کرد. یکی از مشکلات اصلی شبیهسازی مونت کارلو از پروتیینها در حلال صریح دشواری اجرای حرکات بزرگ است. هر حرکتی که به طور قابلتوجهی مختصات داخلی پروتئین را بدون حرکت به سمت ذرات حلال تغییر دهد ، منجر به هم پوشانی بزرگ اتمها و در نتیجه رد پیکربندی دادگاه خواهد شد. شبیهسازیهای با استفاده از یک حلال ضمنی از این مشکلات رنج نمیبرند و بنابراین، مدلهای پروتیین، most هستند که در آن روشهای مونت کارلو مورد استفاده قرار میگیرند. همچنین هیچ برنامه عمومی، خوب، رایگان در دسترس برای شبیهسازی مونت کارلو از پروتئینها وجود ندارد، زیرا انتخاب آنها برای استفاده از آن، برای مساله خاص مورد توجه است، اگرچه ما توجه داریم که یک مدول مونت کارلو به تازگی به CHARMM اضافه شدهاست [ ۱ ].
MCS یک ابزار قدرتمند است • برای بهبود پیش بینی • برای شناسایی اولویت ها • برای ایجاد پیش بینی های قابل اطمینان • برای افزایش اعتماد به نفس در مدل ها
کاربردهای عملی روش مونت کارلو در دانش شیمیفیزیک، میتوان به ساخت و بررسی مدل مولکولی اشاره نمود که به عنوان جایگزینی برای روش محاسباتی دینامیک مولکولی و شیمی کوانتومی مطرح میشود.
هدف اصلی روش مونت کارلو یا دینامیک مولکولی محاسبه خواص تعادلی یک سیستم است. در این روش پس از حصول اطمینان از بودن در حالت تعادل، با تغییر تصادفی موقعیت و جهتگیری ذرات موجود در سیستم، پیکربندیهایی از سیستم تولید میشود. منظور از پیکربندی مجموعهای از موقعیت و جهتگیری همهٔ ذرات در یک حالت از تمام حالتهای ممکن سیستم است. پیکربندی تولید شده در هر مرحله با احتمالی که توسط قوانین ترمودینامیک آماری تعیین میگردد، رد یا تأیید میشود. این احتمال به انرژی پتانسیل بین دو ذره بستگی دارد. در هر پیکربندی خاصیت ترمودینامیکی مورد نظر اندازهگیری میشود. با نمونه برداری صحیح از این پیکربندیها و میانگین گیری، میتوان مقدار آن خاصیت را در حال تعادل به دست آورد.
مزیت این روش به دینامیک مولکولی، نیاز نداشتن به محاسبهٔ اندازه حرکت برای هر ذرهاست که باعث کاهش زمان محاسبات رایانهای میشود. از معایب این روش میتوان به دست نیاوردن اطلاعات راجع به دینامیک سیستم اشاره کرد