महानगर चरण के लिए चर्चा प्रश्नों के उदाहरण
मोंटे कार्लो सिमुलेशन के संदर्भ में, मेट्रोपोलिस चरण सांख्यिकीय यांत्रिकी और अन्य क्षेत्रों में एक महत्वपूर्ण एल्गोरिदम है। इस खंड में, हम विशेष रूप से मेट्रोपोलिस-हेस्टिंग्स विधि पर चर्चा करेंगे, जो जटिल संभाव्यता वितरणों से नमूने लेने के लिए उपयोग किया जाने वाला एक एल्गोरिदम है। इस एल्गोरिदम के चरणों को समझकर, हम अधिक सटीक और कुशल सिमुलेशन कर सकते हैं।
मेट्रोपोलिस एल्गोरिदम का परिचय
मेट्रोपोलिस एल्गोरिदम को निकोलस मेट्रोपोलिस और उनके सहयोगियों ने 1953 में प्रस्तुत किया था। इस विधि का उपयोग भौतिक प्रणालियों, विशेष रूप से गैसों या तरल पदार्थों जैसे कई कणों वाली प्रणालियों की स्थिति का मॉडल बनाने और अनुकरण करने के लिए किया जाता है। इस एल्गोरिदम का आधुनिक संस्करण, मेट्रोपोलिस-हेस्टिंग्स, एक सामान्यीकरण है जो गैर-सामान्यीकृत लक्ष्य वितरण से नमूने लेने की अनुमति देता है।
मेट्रोपोलिस एल्गोरिदम में चरण
मेट्रोपोलिस एल्गोरिदम कैसे काम करता है, यह समझने के लिए, इसके चरणों से परिचित होना महत्वपूर्ण है:
1. आरंभीकरण: समाधान स्थान या प्रारंभिक वितरण से यादृच्छिक रूप से एक प्रारंभिक समाधान का चयन करके प्रारंभ करें। उदाहरण के लिए, हम तापमान की स्थिति या कण की स्थिति से शुरू करते हैं।
2. एक नया चरण प्रस्तावित करना: वर्तमान स्थिति में थोड़ा सा परिवर्तन करके एक नई स्थिति (नया समाधान) प्रस्तावित करें। इसे अक्सर "प्रस्ताव" चरण कहा जाता है। यह परिवर्तन आमतौर पर एक सममित वितरण, जैसे कि गाऊसी वितरण से लिया जाता है।
3. स्वीकृति अनुपात की गणना: स्वीकृति अनुपात की गणना करें, जो यह निर्धारित करता है कि हम प्रस्तावित चाल को स्वीकार करते हैं या अस्वीकार करते हैं। यह अनुपात नई स्थिति की प्रायिकता और वर्तमान स्थिति की प्रायिकता का अनुपात है। गणितीय रूप से, यह अनुपात निम्न प्रकार से दर्शाया जाता है:
\[
A = \min\left(1, \frac{P(\text{नया})}{P(\text{वर्तमान})}\right)
\]
जहां \( P \) किसी विशेष अवस्था की प्रायिकता है।
4. स्वीकृति अनुपात का उपयोग करके निर्णय लेना: स्वीकृति अनुपात की तुलना 0 और 1 के बीच एकसमान वितरण से लिए गए यादृच्छिक मान से करें। यदि स्वीकृति अनुपात यादृच्छिक मान से अधिक है, तो नई चाल को स्वीकार करें; अन्यथा, इसे अस्वीकार करें और वर्तमान स्थिति में बने रहें।
5. पुनरावृति: वांछित संख्या में पुनरावृति के लिए या जब तक सिस्टम संतुलन तक नहीं पहुंच जाता, तब तक चरण 2 से 4 को दोहराएं।
Contoh Soal dan Pembahasan
मेट्रोपोलिस चरण को बेहतर ढंग से समझने के लिए आइए कुछ उदाहरण प्रश्नों पर चर्चा करें।
उदाहरण प्रश्न 1
प्रश्न: आपके पास एक आयाम में स्थित एक कण है जिसकी स्थिति x है और जो स्थितिज ऊर्जा फलन U(x) = x² से प्रभावित होती है। कणों की स्थिति के वितरण का अनुकरण करने के लिए मेट्रोपोलिस एल्गोरिदम का उपयोग करें।
बहस :
1. आरंभीकरण: स्थिति \( x = 0 \) से प्रारंभ करें।
2. एक नई चाल प्रस्तावित करें: एक नई स्थिति \( x' = x + \Delta x \) प्रस्तावित करें, जिसमें \( \Delta x \) शून्य माध्य वाले गाऊसी वितरण से लिया गया हो।
3. ऊर्जा अनुपात की गणना: ऊर्जा अनुपात की गणना करें:
\[
ΔU = U(x') – U(x) = x'^2 – x^2
\]
अतः, स्वीकृति अनुपात इस प्रकार है:
\[
A = \min\left(1, e^{-\Delta U}\right)
\]
4. निर्णय: यदि \( A \) 0 और 1 के बीच एक यादृच्छिक संख्या से अधिक है, तो \( x' \) स्वीकार करें; अन्यथा, स्थिति \( x \) पर रहें।
5. पुनरावृति: इस प्रक्रिया को लगभग 10,000 चरणों में दोहराएं।
परिणामस्वरूप प्राप्त स्थिति वितरण शून्य माध्य और विभव के व्युत्क्रमानुपाती प्रसरण के साथ एक गाऊसी वितरण का अनुसरण करेगा, जो इस मामले में, विभव ऊर्जा फलन द्वारा आकारित वितरण में परिणत होता है।
उदाहरण प्रश्न 2
प्रश्न: मेट्रोपोलिस एल्गोरिदम का उपयोग करके बायेसियन फ़ंक्शन अनुमान को फिट करें। मान लीजिए कि हम MCMC के साथ रैखिक प्रतिगमन का उपयोग करके एक डेटासेट में एक सरल ढलान को फिट करना चाहते हैं।
बहस :
1. आरंभीकरण: प्रारंभिक मॉडल पैरामीटर सेट करें \( \beta = (m, c) \).
2. एक नया चरण प्रस्तावित करना: बहुभिन्नरूपी सामान्य प्रस्ताव वितरण के नए मापदंड प्रस्तावित करें। उदाहरण के लिए, चर \( m \) और \( c \) के लिए गाऊसी वितरण का उपयोग करें।
3. स्वीकृति अनुपात: स्वीकृति अनुपात की गणना निम्न प्रकार से करें:
\[
A = \min\left(1, \frac{L(m', c'| \text{data})P(m', c')}{L(m, c| \text{data})P(m, c)}\right)
\]
जहां \( L \) संभावना है, और \( P \) पैरामीटर का पूर्व अनुमान है।
4. निर्णय: प्रस्ताव को स्वीकार या अस्वीकार करने के लिए अनुपात की तुलना 0 से 1 के बीच के किसी यादृच्छिक मान से करें।
5. पुनरावृति: अभिसरण प्राप्त होने तक पर्याप्त पुनरावृति के साथ सिमुलेशन चलाएँ।
इस दृष्टिकोण से, हम प्रतिगमन मापदंडों के लिए पश्च वितरण प्राप्त कर सकते हैं, जिससे हमें डेटा में संबंधों का अनुमान लगाने और उनकी व्याख्या करने का एक तरीका मिलता है।
निष्कर्ष
मोंटे कार्लो सिमुलेशन में मेट्रोपोलिस चरण हमें जटिल लक्ष्य वितरणों से नमूने लेने की अनुमति देता है और मेट्रोपोलिस-हेस्टिंग्स विधि का आधार बनता है। इस तकनीक को विभिन्न क्षेत्रों में लागू करके, हम अधिक सटीक मॉडलिंग और सिस्टम की अधिक विस्तृत समझ प्राप्त कर सकते हैं। भौतिकी और जीव विज्ञान से लेकर कंप्यूटर विज्ञान और सांख्यिकी तक के अनुप्रयोगों में, यह एल्गोरिदम जटिल समस्याओं के लिए सुरुचिपूर्ण और प्रभावी समाधान प्रदान करता है।
