stringtranslate.com

Muestreo de eventos raros

El muestreo de eventos raros es un término genérico que designa a un grupo de métodos de simulación por computadora destinados a muestrear selectivamente regiones "especiales" del espacio dinámico de sistemas que es poco probable que visiten esas regiones especiales mediante una simulación de fuerza bruta. Un ejemplo conocido de un evento raro en este contexto sería la nucleación de una gota de lluvia a partir de vapor de agua sobresaturado: aunque las gotas de lluvia se forman todos los días, en relación con las escalas de longitud y tiempo definidas por el movimiento de las moléculas de agua en la fase de vapor, la formación de una gota de líquido es extremadamente rara.

Debido al amplio uso de la simulación por computadora en dominios muy diferentes, los artículos sobre el tema surgen de fuentes bastante dispares y es difícil hacer un estudio coherente de las técnicas de muestreo de eventos raros. [1] Los métodos contemporáneos incluyen el muestreo de ruta de transición (TPS), [2] el muestreo de interfaz de transición de intercambio de réplicas (RETIS), [3] los ensayos de simulación repetitivos después de alcanzar los umbrales (RESTART), [4] el muestreo de flujo directo (FFS), [5] [6] la división generalizada, [7] [8] la división multinivel adaptativa (AMS), [9] el muestreo de eventos raros de proceso estocástico (SPRES), [10] el muestreo de línea , [11] la simulación de subconjuntos , [12] y el conjunto ponderado (WE). [13] [14] La primera técnica de eventos raros publicada fue realizada por Herman Kahn y Theodore Edward Harris en 1951, [15] quienes a su vez hicieron referencia a un informe técnico inédito de John von Neumann y Stanislaw Ulam .

Dependencia del tiempo

Si un sistema está fuera del equilibrio termodinámico , es posible que exista una dependencia temporal en el flujo de eventos raros. Para seguir la evolución temporal de la probabilidad de un evento raro, es necesario mantener una corriente constante de trayectorias hacia la región objetivo del espacio configuracional. SPRES está diseñado específicamente para esta eventualidad y AMS también es válido, al menos formalmente, para aplicaciones en las que esto es necesario.

En los casos en que se obtiene un estado estable disipativo (es decir, no se cumplen las condiciones para el equilibrio termodinámico, pero el flujo de eventos raros es, no obstante, constante), entonces el FFS y otros métodos pueden ser apropiados, así como también los enfoques de no equilibrio completo, típicamente más costosos.

Métodos de paisajismo

Si se asume el equilibrio termodinámico , entonces no existe dependencia temporal en el flujo de eventos raros y puede ser más apropiado un enfoque termodinámico en lugar de estadístico para el problema. Estos métodos generalmente se consideran por separado de los métodos de eventos raros, pero pueden abordar los mismos problemas. En estas estrategias, se prepara un paisaje de energía libre (o un paisaje de energía , para sistemas pequeños). Para un sistema pequeño, este paisaje puede mapearse en su totalidad, mientras que para un sistema con un mayor número de grados de libertad, aún se requerirá una proyección sobre un conjunto de coordenadas de progreso.

Una vez que se ha cartografiado el paisaje y se han hecho ciertas suposiciones, se puede utilizar la teoría de estados de transición para obtener una descripción de las probabilidades de las trayectorias dentro de él. Un ejemplo de método para cartografiar paisajes es la simulación de intercambio de réplicas , que tiene la ventaja, cuando se aplica a problemas de eventos raros, de que se generan fragmentos de trayectorias correctas por partes en el transcurso del método, lo que permite un análisis directo del comportamiento dinámico incluso sin generar el paisaje completo.

Véase también

Software relacionado

Referencias

  1. ^ Morio, J.; Balesdent, M. (2014). "Un estudio de métodos de simulación de eventos raros para modelos estáticos de entrada-salida" (PDF) . Práctica y teoría de modelado de simulación . 49 (4): 287–304. doi :10.1016/j.simpat.2014.10.007.
  2. ^ Dellago, Christoph; Bolhuis, Peter G.; Geissler, Phillip L. (2002). Muestreo de trayectorias de transición . Vol. 123. págs. 1–84. doi :10.1002/0471231509.ch1. ISBN  978-0-471-21453-3. {{cite book}}: |journal=ignorado ( ayuda )
  3. ^ Riccardi, Enrico; Dahlen, Oda; van Erp, Titus S. (6 de septiembre de 2017). "Movimientos de Monte Carlo de decorrelación rápida para un muestreo de trayectorias eficiente". The Journal of Physical Chemistry Letters . 8 (18): 4456–4460. doi :10.1021/acs.jpclett.7b01617. hdl : 11250/2491276 . ISSN  1948-7185. PMID  28857565.
  4. ^ Villén-Altamirano, Manuel; Villén-Altamirano, José (1994). "Restart: a straight method for fast simulation of rare events". Escrito en San Diego, CA, EE. UU. Actas de la 26.ª conferencia de simulación de invierno . WSC '94. Orlando, Florida, Estados Unidos: Society for Computer Simulation International. págs. 282–289. ISBN  0-7803-2109-X.acmid 194044.
  5. ^ Allen, Rosalind J .; Warren, Patrick B.; ten Wolde, Pieter Rein (2005). "Muestreo de eventos de conmutación raros en redes bioquímicas". Physical Review Letters . 94 (1): 018104. arXiv : q-bio/0406006 . Código Bibliográfico :2005PhRvL..94a8104A. doi :10.1103/PhysRevLett.94.018104. PMID  15698138. S2CID  7998065.
  6. ^ Allen, Rosalind J. ; ten Wolde, Pieter Rein; Rein Ten Wolde, Pieter (2009). "Muestreo de flujo directo para simulaciones de eventos raros". Journal of Physics: Condensed Matter . 21 (46): 463102. arXiv : 0906.4758 . Bibcode :2009JPCM...21T3102A. doi :10.1088/0953-8984/21/46/463102. PMID  21715864. S2CID  10222109.
  7. ^ Botev, ZI; Kroese, DP (2008). "Simulación eficiente de Monte Carlo mediante el método de división generalizado". Metodología y computación en probabilidad aplicada . 10 (4): 471–505. CiteSeerX 10.1.1.399.7912 . doi :10.1007/s11009-008-9073-7. S2CID  1147040. 
  8. ^ Botev, ZI; Kroese, DP (2012). "Simulación eficiente de Monte Carlo mediante el método de división generalizado". Estadística y computación . 22 (1): 1–16. doi :10.1007/s11222-010-9201-4. S2CID  14970946.
  9. ^ Cerou., Frédéric; Arnaud Guyader (2005). División multinivel adaptativa para análisis de eventos raros (informe técnico). INRIA. RR-5710.
  10. ^ Berryman, Joshua T.; Schilling, Tanja (2010). "Muestreo de eventos raros en sistemas no estacionarios y en desequilibrio". The Journal of Chemical Physics . 133 (24): 244101. arXiv : 1001.2456 . Bibcode :2010JChPh.133x4101B. doi :10.1063/1.3525099. PMID  21197970. S2CID  34154184.
  11. ^ Schueller, GI; Pradlwarter, HJ; Koutsourelakis, P. (2004). "Una evaluación crítica de los procedimientos de estimación de confiabilidad para dimensiones altas". Mecánica de ingeniería probabilística . 19 (4): 463–474. doi :10.1016/j.probengmech.2004.05.004.
  12. ^ Au, SK; Beck, James L. (octubre de 2001). "Estimación de pequeñas probabilidades de falla en grandes dimensiones mediante simulación de subconjuntos". Mecánica de ingeniería probabilística . 16 (4): 263–277. CiteSeerX 10.1.1.131.1941 . doi :10.1016/S0266-8920(01)00019-4. 
  13. ^ Zuckerman, Daniel M.; Chong, Lillian T. (22 de mayo de 2017). "Simulación de conjunto ponderado: revisión de metodología, aplicaciones y software". Revisión anual de biofísica . 46 (1): 43–57. doi :10.1146/annurev-biophys-070816-033834. ISSN  1936-122X. PMC 5896317 . PMID  28301772. 
  14. ^ Huber, GA; Kim, S. (enero de 1996). "Simulaciones de dinámica browniana de conjunto ponderado para reacciones de asociación de proteínas". Revista biofísica . 70 (1): 97–110. Bibcode :1996BpJ....70...97H. doi :10.1016/S0006-3495(96)79552-8. PMC 1224912 . PMID  8770190. 
  15. ^ Kahn, H.; Harris, TE (1951). "Estimación de la transmisión de partículas mediante muestreo aleatorio". Serie de Matemáticas Aplicadas de la Oficina Nacional de Normas . 12 : 27–30.
  16. ^ Riccardi, Enrico; Anders, Lervik; van Erp, Titus S. (2020). "PyRETIS 2: Un impulso de improbabilidad para eventos raros". Revista de química computacional . 41 (4): 379–377. doi : 10.1002/jcc.26112 . PMID  31742744.
  17. ^ Aarøen, Ola; Kiær, Henrik; Riccardi, Enrico (2020). "PyVisA: Visualización y análisis de trayectorias de muestreo de rutas". Revista de química computacional . 42 (6): 435–446. doi :10.1002/jcc.26467. PMID  33314210. S2CID  229179978.