Umbrella sampling
Umbrella sampling
Métodos de Simulación
Computacional
Problema
central: muestreo estadístico
En general, el valor instantáneo de una propiedad A(t) en un sistema de N partículas
es función de las posiciones y los momentos de las N partículas en el instante t:
A(pN(t), rN(t))= A (p1, p2, · · · , r1, r2, · · · , t)
El
valorexperimental resulta del promedio temporal:
A = lím
1
τ
A(pN(t), rN(t)) dt
Asimismo, A se puede plantear como un promedio pesado sobre el conjunto de
configuraciones accesibles (ensamble). Siendo ρ(pN, rN) la probabilidad de hallar una
configuración con momentos pN y posiciones rN:
=
dpN drN A(pN, rN) ρ(pN, rN)
ρ(pN, rN)
(NVT)
=
e –E(pN, rN)/KT
dpN drN e –E (pN, rN)/KTExplorando el espacio de las
fases
Hipótesis
lím
ergódica
1
τ
A(pN(t), rN(t)) dt =
Dinámica Molecular
Monte Carlo
dpN drN A(pN, rN) ρ(pN, rN)
A = lím
=
1
τ
A(pN(t), rN(t)) dt
dpN drN A(pN, rN) ρ(pN, rN)
Método Dinámica Molecular
Partículas en movimiento
El
sistema se parametriza de acuerdo a un campo de fuerzas
La
dinámicaconsiste en la evolución temporal de las posiciones de las partículas de
acuerdo a las fuerzas actuantes en el sistema
Mediante
distintos algoritmos (Verlet…) es posible propagar las coordenadas de cada
partícula paso a paso de la dinámica.
Luego
de un período de “equilibración” se procede al muestreo y luego se obtienen
propiedades termodinámicas del sistema a partir depromedios temporales.
Método Monte Carlo
Integrando sobre el espacio de las fases
Se evalúa el observable como un promedio pesado sobre la distribución de
probabilidad:
=
Separando
Cómo
dpN drN A(pN, rN) ρ(pN, rN)
las contribuciones cinética y potencial:
=
drN A(rN)e –E(rN)/KT
drN e –E (rN)/KT
generar el conjunto de configuraciones (ensamble)?
1)Muestreo aleatorio: Selección de riN al azar A
círculo
=
ndentro . L2
ndentro + nfuera
Altamente ineficiente!!
2) Importance sampling:
Muestrear muchos puntos en las regiones en las que el factor de
Boltzmann es grande y muy poco en las demás
Método Metropolis
El
Muestreo Boltzmanniano
objetivo es generar configuraciones riN con probabilidad proporcional ae-E(riN)/KT:
Algoritmo Metropolis
1.
Calcular E(riN), energía de la configuración i-ésima
2.
Generar ri+1N por desplazamiento aleatorio de una partícula
3.
Calcular E(ri+1N):
E(ri+1N)
< E(riN)
Se acepta la nueva configuración
E(ri+1N)
> E(riN)
Se acepta la nueva configuración sólo si
e-ΔE/KT ≥ rand(0,1)
En cada paso se selecciona un átomo al azar yse actualizan sus corrdenadas según
el esquema: xi+1 = xi + [2 x rand(o,1) x Δrmax
yi+1 = yi + [2 x rand(0,1) x Δrmax
zi+1 = zi + [2 x rand(0,1) x Δrmax
Este
Δrmax se ajusta para lograr una
aceptación ≈ 50%
algoritmo explora las riN configuraciones con probabilidad proporcional a e-E(riN)/KT en
el ensamble canónico (NVT)
Muestreo
=
drN A(rN)e –E(rN)/KT
drN e –E(rN)/KT
≈
A(riN)
Problemas de sampleo
Sistemas
No
Cálculos de energía libre
restringidos en alguna coordenada de reacción:
todo el espacio de configuraciones es accesible.
Así, un muestreo Boltzmanniano no es eficiente para explorar partes del espacio de
configuraciones separados por alguna barrera de energía. Esto ocasiona problemas de
cuasi-ergodicidady dificulta el estudio de eventos “raros”
Muestreo no-Boltzmanniano
Sistema original
Potencial de sesgo (potencial umbrella)
Sistema sesgado
Umbrella Sampling
Muestreo no-Boltzmanniano
El sistema de interés se simula en presencia de un potencial de sesgo artificial
[biasing window] para mejorar el muestreo en alguna región específica del espacio de
configuraciones....
Regístrate para leer el documento completo.