Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PhD en Ingeniera lnea automtica, Universidad Nacional de Colombia sede Manizales, erestrepop@unal.edu.co
Fecha de recepcin: 20/02/2014 Fecha de aceptacin del artculo: 10/06/2014
Resumen
El mtodo Monte Carlo es una herramienta que
ha sido ampliamente utilizada desde sus inicios en
la dcada de los aos 1940 principalmente en la
ciencia e ingeniera de materiales aunque es aplicable a temticas tan diversas como la economa, la
sociedad y su comportamiento, la biologa y hasta
la medicina. El funcionamiento del mtodo Monte
Carlo se basa en el uso de nmeros aleatorios y en
poder llegar a describir el comportamiento de un
sistema o explicar un fenmeno difcil de comprender y de presentar analticamente. Se pretende
dar una introduccin a los fundamentos bsicos
del mtodo Monte Carlo aplicado a la ciencia de
materiales como tambin mostrar algunos ejemplos basados en el algoritmo propuesto por N.
Metropolis y que ha permitido abordar problemas
interesantes en el tema. Al mismo tiempo se incluyen ejemplos bsicos con sus propios algoritmos
desarrollados en el lenguaje de programacin FORTRAN 95 y que ilustran bastante bien las bases del
mtodo de Monte Carlo.
Keywords
Computational simulation, Metropolis algorithm,
Monte Carlo method.
Palabras clave
1. Introduccin
Abstract
Monte Carlo method is a tool that has been widely
used in materials science and engineering since its
1. Generalidades
El mtodo Monte Carlo fue desarrollado por
John Von Neumann, Stanislao Ulam y Nicholas
Metropolis alrededor de 1948 para el estudio de
la difusin de neutrones en materiales para fusin
nuclear. Debido a la gran cantidad de nmeros aleatorios utilizados en las simulaciones, Metropolis le
p(q,t+t) =
p(q,t) W(q,q)
q
p(q,t)W(q,q)
(1)
(3)
(4)
(2)
3. Lenguajes de programacin
utilizados en la simulacin
Existen diversos lenguajes de programacin computacional entre los que se destacan C, C++, Visual
Basic, Python y Fortran entre otros. Algunos ejemplos dados en esta seccin fueron desarrollados en
Fortran 95 y solo para ilustrar se han incorporado 2
cdigos que ejemplifican el mtodo Monte Carlo. Se
puede hablar entre los tipos de simulaciones Monte
Carlo, de dos tipos muy conocidos, el de muestreos
simples y el de muestreos de importancia. Veamos
algunos ejemplos.
(5)
De la siguiente forma,
yest = (N0 N) [y0 (b-a)]
(6)
program aproxipi
implicitnone
integer idum,iter
real*8 xaleat,yaleat,raleat,ran2,pii,na,nl,radio
print*, Ingrese el numero de lanzamientos:
read*, nl
na=0
idum=-23
radio=1.0
do iter=1,nl
xaleat=2*ran2(idum)-1
yaleat=2*ran2(idum)-1
raleat=sqrt(xaleat**2+yaleat**2)
if(raleat<=radio)then
na=na+1
endif
enddo
pii=4*na/nl
print*, El numero pi aproximado es: ,pii
endprogram aproxipi
Podemos estudiar el primer tipo de paseos aleatorios a travs de las siguientes lneas, en donde
podemos diferenciar la primera parte que genera
las posiciones iniciales del paseo y la segunda parte
que va actualizando dichas posiciones cada que se
da uno de los 10000 pasos de Monte Carlo configurados all:
program paseoaleatorio
implicitnone
integer pasos, idum
real*8 x(10000),y(10000),ran2,r
idum=-23
open(3,file=paseoaleatorio.txt)
r=ran2(idum)
x(1)=2*r-1
r=ran2(idum)
y(1)=2*r-1
do pasos=1,10000-1
r=ran2(idum)
x(pasos+1)=x(pasos)+(2*r-1)
r=ran2(idum)
y(pasos+1)=y(pasos)+(2*r-1)
write(3,*)x(pasos),y(pasos)
enddo
close(3)
endprogram
2 - KSi(Sin)-h
H=-ijJij(SiS j-KBi(Sia)
S h (7)
i i
4. Conclusiones
El mtodo de simulacin Monte Carlo es uno de
los pioneros en el desarrollo de la ciencia de materiales y constituye una herramienta fundamental en
su estudio, ya que permite evaluar gran cantidad de
fenmenos fsicos de alta complejidad y cuya solucin analtica es demasiado difcil. Una gran ventaja
de este mtodo es que constituye una poderosa
manera de resolver eficientemente el problema de
la relajacin en un sistema estocstico por medio de
mtodos numricos y que su eficiencia es bastante
alta cada vez que se trabaje con mayor resolucin
en las simulaciones. Existen muchos problemas en
el campo de la fsica y en especial de la ciencia de
materiales que pueden ser abordados mediante el
mtodo Monte Carlo, y cuya implementacin es
posible en todos los lenguajes de programacin
computacional gracias al algoritmo de Metropolis
y su aplicacin.
Referencias
[1] Shankar V., Rowell C., Hall W.F., Mohammadian A.H., Schuh M. y Taylor K. (1992).
Gigaflop (billion floating point operations per second)
performance for computational electromagnetics. En
revista: Computing Systems in Engineering,
Volumen 3, edicin 1-4, Pp. 139-151.
[2] DAmbrosio D., Iovine G., Spataro W. y
Miyamoto H. (2007). A macroscopic collisional
model for debris-flow simulation. En revista: Environmental Modelling & Software, Volumen
22, Pp. 1417-1436.
[3] Antoniou N.G., Diakonos F.K., Saridakis E.N.
y Tsolias G.A. (2007). The critical ensemble: An
efficient simulation of a macroscopic system at the critical point. En revista: Physica A, Volumen 376,
Pp. 308-318.
[4] Levy M., Levy H. y Solomon S. (2000, junio).
Microscopic simulations in various fields, Microscopic Simulations of Financial Markets, Editorial:
Academic Press, Pp. 123-140.
[5] Mizuseki, H., Hongo, K., Kawazoe, Y. y Wille,
L.T. (2002). Multiscale simulation of cluster growth
and deposition processes by hybrid model based on
direct simulation Monte Carlo method. En revista:
Computational Materials Science, Volumen
24, Edicin 1-2, Pp. 88-92.
[6] Pei, Q.X., Lu, C. y Lee, H.P. (2007). Large scale
molecular dynamics study of nanometric machining of
cooper. En revista: Computational Materials
Science, Volumen 41, Edicin 2, Pp. 177-185.
[7] Karakasidis, T.E. y Charitidis, C.A. (2007).
Multiscale modeling in nanomaterials science. En
revista: Materials Science and Engineering: C,
Volumen 27, Edicin 5-8, Pp. 1082-1089.
[8] Landau, D.P. y Binder, K. (2000). Molecular
Dynamics. A Guide to Monte Carlo Simulations
in Statistical Physics, Segunda Edicin. Editorial:
Cambridge University Press, Pp. 363-371.
[9] Landau, D.P. y Binder, K. (2000). Quasiclassical spin dynamics. A Guide to Monte Carlo
Simulations in Statistical Physics, Segunda Edicin.
Editorial: Cambridge University Press, Pp.
372-375.
[20] Metropolis, N., Rosenbluth, A.W., Rosenbluth, M.N y Teller, A.H. (1953). Equation
of state calculations by fast computing machines.
En revista: The Journal of Chemical Physics,
Volumen 21, Edicin 6, Pp. 1087-1092.