反馈优化的并行回火蒙特卡洛方法

我们引入了一种算法，通过优化模拟的温度集来系统地提高并行回火蒙特卡洛模拟的效率。我们的方法与最近引入的一种自适应算法密切相关，该算法在广义宽直方图蒙特卡洛模拟中优化模拟的统计系综。传统上，温度集的选择方式使得相邻温度之间副本交换的接受率与温度无关，并且足够大以确保频繁交换。在本文中，我们表明，通过使用优化系综反馈方法的修改版本来选择温度，可以最小化最低和最高温度之间的往返时间，从而有效提高并行回火算法的效率。特别是，优化温度集中温度的密度在模拟的“瓶颈”处（例如相变点）增加。反过来，在优化温度系综中，接受率现在依赖于温度。我们通过研究二维Ising铁磁体和二维完全受挫Ising模型来展示反馈优化的并行回火算法，并简要讨论了适用于需要构型平均的系统（如自旋玻璃）的可能反馈方案。