Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

31

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

La mthode de Monte Carlo Metropolis a t introduite en physique de la

matire condense par Metropolis et coll. en 1953 [2]. Elle porte ce nom parce
quelle est base sur lutilisation de nombres alatoires. Cette mthode permet
lestimation des moyennes de grandeurs physiques donnes par la formulation
de

Gibbs

de

la

mcanique

statistique

sous

la

forme

dintgrales

multidimensionnelles. La technique de Monte Carlo est en effet particulirement

adapte au calcul des intgrales de dimension suprieure dix. Les premires
simulations furent ralises dans lensemble canonique (N, V et T constants),
puis la technique fut tendue aux autres ensembles statistiques. On gnre une
squence alatoire dtats accessibles (chane de Markov) dans lespace des
configurations du systme. On chantillonne en privilgiant les rgions o le
facteur de Boltzmann

U
k BT

, (cest--dire la densit de probabilit de lensemble

canonique dans cet espace) est le plus lev (algorithme de Metropolis). La

probabilit dune configuration particulire dnergie potentielle -Ui est alors
proportionnelle

Ui
kBT

, autrement dit lacceptation dune configuration de la

chane de Markov est pondre par une frquence proportionnelle au facteur de

Boltzmann. Une proprit dquilibre est alors obtenue comme une moyenne
simple sur les configurations acceptes. Cette exploration de lespace des
configurations en suivant lalgorithme de Metropolis constitue le premier cas
dchantillonnage suivant limportance en mcanique statistique. Elle est encore
largement utilise de nos jours parce quelle reprsente un moyen simple et
relativement efficace dobtenir des moyennes de grandeurs physiques dans un
ensemble statistique. Il est important de noter que ces moyennes sont obtenues
malgr lincapacit de connatre explicitement la densit de probabilit
normalise de lensemble considr. Les estimations directes de lnergie libre
(entropie, nergie libre de Helmholtz, enthalpie, enthalpie libre) sont donc
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

32

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

impossibles alors que les diffrences dnergies libres (correspondant des

rapports de densits de probabilit) sont accessibles et font lobjet de mthodes
particulires. La mthode de Monte Carlo est en gnral limite au calcul des
proprits statiques puisque seule la partie configurationnelle de lespace des
phases est explore et que le temps nest pas une variable explicite. Les
proprits dynamiques sont inaccessibles et devront tre obtenues par une autre
technique.
1.

GENERALITES SUR LA METHODE MONTE CARLO

Les problmes traits par les mthodes de Monte Carlo sont de deux
natures trs diffrentes. On les qualifie de probabilistes ou de dterministes
selon quils concernent directement ou non un comportement alatoire. Dans le
cas dun problme probabiliste par essence, lapproche Monte Carlo la plus
simple consiste observer le comportement de nombres alatoires qui simulent
directement les processus du problme initial et en tirer la solution. On parle
alors de simulation Monte Carlo. Dans le cas dun problme dterministe, ltat
du systme et son comportement sont parfaitement dfinis et lon est en principe
capable de prdire ce qui va se produire. Cest le cas dun systme de particules
obissant la mcanique classique. Cependant, on peut traiter certains
paramtres du problme comme sil sagissait de variables alatoires. On
transforme ainsi le problme dterministe en problme probabiliste et on le
rsout numriquement. Il sagit dune approche de Monte Carlo labor, on
parle alors destimation Monte Carlo. Mais dans la pratique on confond les
termes destimation et de simulation. Cette approche est intressante notamment
quand on ignore certains paramtres du problme ou lorsque le nombre de
paramtres est excessivement grand : cest le cas de lestimation des grandeurs
de la mcanique statistique dont il sera lobjet dans les paragraphes venir.
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

33

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

On considre un systme compos dun nombre N de particules classiques

(non quantiques) occupant un volume V constant et en quilibre avec un
thermostat la temprature T. Dans ces conditions macroscopiques, lensemble
canonique est adapt la description du systme. Dans cet ensemble statistique,
la densit de probabilit (non normalise) dans lespace des phases vaut :
NVT exp H

avec =1/kBT

(2.1)

La valeur moyenne dquilibre dune grandeur physique A peut scrire laide

dune moyenne pondre par la densit de probabilit NVT :
A

NVT

exp - H
Q

dr N dp N

(2.2)

Le dnominateur est la fonction de partition, Q, de lensemble canonique :

Q N, V, T ... exp - H

, p N dr N dp N

(2.3)

Gnralement, les proprits physiques ne dpendent pas explicitement des

quantits de mouvement et lon peut rcrire la valeur moyenne dquilibre en
sparant les intgrales sur les positions des intgrales sur les quantits de
mouvement et ainsi liminer les termes cintiques :
N

A(r )

NVT

... A(r

exp- Ur dr
)
N

(2.4)

o Z est appele intgrale de configuration, car elle sobtient dans lespace des
configurations (positions) de dimension 3N :
Z

... exp- U r dr
N

(2.5)

La mthode de Monte Carlo est une technique numrique qui permet

notamment dvaluer des intgrales multidimensionnelles comme celle de (2.4),
mais pour lillustrer de faon pdagogique nous commencerons par envisager un
exemple simple et des intgrales une dimension.
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

34

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

1.1

ESTIMATION DUNE INTEGRALE PAR LA METHODE

MONTE CARLO

a)

Tirage par noir ou blanc

On cherche une variable alatoire , telle que son esprance mathmatique

soit prcisment gale la valeur de lintgrale dune fonction f(x), qui nest
rien dautre que laire hachure I :
b 1

I f x dx

(2.6)

a 0

Si lon trouve cette variable alatoire, on aura

transform

le

problme

dterministe

de

lintgration dune fonction en un problme

probabiliste. Il faudra ensuite le rsoudre grce
une estimation Monte Carlo ralise laide de
nombres alatoires gnrs lordinateur pour
chantillonner

au

hasard

des

points

de

coordonnes (x,y). On sappuie sur la constatation que I est la proportion de la

surface du carr situe en dessous de la courbe. Soient x et y deux variables
alatoires indpendantes uniformment distribues dans lintervalle [0, 1]. Ceci
veut dire que la densit de probabilit associe est constante et que toutes les
valeurs prises dans lintervalle sont quiprobables. Si le point (x,y) est situ dans
laire hachure, que lon cherche estimer, nous comptabiliserons un succs.
Dans le cas contraire ce sera un chec. Dfinissons la variable alatoire de la
faon suivante :

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

35

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

x,y 1

x,y 0

si y f(x)

(succs

si y < f(x)

(chec)

(2.7)

La probabilit dobtenir un succs vaut :

P x,
y = 1 = P y f x =

I
=I
11

(2.8)

On rpte lexprience n fois. La probabilit dun nombre n S de succs, obtenus

partir de n essais, obit la loi binomiale. On construit alors la variable
alatoire (n) :
n =

1 n
k x, y
n k =1

(2.9)

o chaque k respecte la dfinition (2.7). Lesprance mathmatique est alors

gale lintgrale I et lon peut crire :
1 n
I = x
, y =i
n i=1

ns
n

(2.10)

Pour estimer lintgrale, il suffit donc de gnrer des couples de nombres

alatoires (x,y) et de comptabiliser le nombre de succs obtenus.

b)

Monte Carlo lmentaire

Le problme de lestimation dune intgrale du type :

I=

f x dx

(2.11)

que nous avons abord prcdemment peut tre reformul en termes de calcul
dune moyenne :
I = b - a f x = lim
n

b -a n
b-a n
f
x

f xi
i n
n i=1
i=1

(2.12)

Dans la pratique, on gnre n nombres alatoires, x i, compris entre a et b et

distribus suivant une densit de probabilit uniforme. Cette densit de
probabilit est constante dans lintervalle considr, cest--dire que toutes les
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

36

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

valeurs comprises entre a et b sont quiprobables. On utilise ces nombres

alatoires pour le calcul de la valeur moyenne de f qui conduit lestimation de
I.
Lchantillonnage utilis est homogne. Cest--dire que lon visite galement
toutes les rgions comprises entre a et b. On qualifie cet chantillonnage de
Monte Carlo lmentaire (ou MC simple). Il constitue une amlioration par
rapport au Monte Carlo de type tirage par noir ou blanc. Le passage de
lchantillonnage de type noir ou blanc lchantillonnage lmentaire se traduit
par le remplacement de (x,y) par son esprance mathmatique (sur y) f(x).
Cest--dire que lon remplace une estimation par une valeur exacte. Ceci est
gnral pour les calculs par la mthode de Monte Carlo : on a toujours intrt
remplacer une estimation par une valeur exacte. On rduit ainsi lerreur
dchantillonnage du rsultat final.
La convergence de cette mthode peut tre estime en calculant la
variance 2, de la somme I. Or, on a:

1 n n
2 f x i f x
n i1 j1

f x
j

f x

(2.13)

Les points tant choisis indpendamment, les termes croiss s'annulent, et on

obtient:

1 n
2 f xi f x
n i 1
2

2
1
f 2 x f x .

(2.14)

La dpendance en 1/n donne une convergence a priori assez lente, mais il n'y a
pas de modifications simples pour obtenir une convergence plus rapide. On peut
l'inverse modifier de faon importante l'cart-type. Pour cela, il parait clair que
si la fonction f ne prend des valeurs significatives que sur des petites rgions de
l'intervalle [a; b], il est inutile de calculer la fonction en des points o sa valeur
est trs faible.
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

37

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

Si la fonction f(x) est fortement inhomogne, lestimation par la mthode

de Monte Carlo lmentaire est particulirement inefficace. En effet, on
chantillonne trop les rgions o f(x) est faible et pas assez celles o elle est
leve, ce qui conduit une convergence excessivement lente du calcul de
lintgrale.
1.2

ECHANTILLONNAGE SUIVANT LIMPORTANCE [9]

Pour amliorer la convergence, on utilise une mthode lgrement

diffrente. L'ide est de privilgier les rgions o la fonction possde des valeurs
leves par rapport celles o elle est proche de zro. Plutt que de gnrer des
nombres alatoires uniformment rpartis, on tire ces nombres dans une
distribution non uniforme qui chantillonne mieux les rgions o l'intgrale est
importante. Cette mthode, qui reprsente une amlioration par rapport la
mthode prcdente, est appele chantillonnage suivant l'importance. C'est une
mthode de Monte Carlo biais par opposition au Monte Carlo lmentaire. On
biaise par rapport la distribution uniforme, mais videmment le rsultat n'est
pas biais.
Considrons une densit de probabilit non uniforme w(x), qui imite le
comportement de f(x) et que l'on sait intgrer analytiquement. On la choisit
normalise dans l'intervalle [a,b]:
b

w x dx = 1
a

(2.15)

En utilisant une distribution alatoire non uniforme avec un poids w(x),

l'intgrale (2.11) se rcrit:
I=

f x
w x dx
w x

(2.16)

Si w(x) est toujours positif, on peut dfinir une autre fonction u(x) tel que
du= w(x)dx avec u(a) = a et u(b) = b, et
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

38

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

f x u

w x u

du,

(2.17)

L'tape suivante consiste gnrer n nombres alatoires ui distribus

uniformment dans l'intervalle [a,b]. On a alors une estimation de l'intgrale qui
est donne par:
b-a n f x u i
,

n i 1 w x u i

(2.18)

avec la distribution de poids w(x). De manire similaire, la variance de

l'estimation devient alors:

f x ui

1

n
2

w x u i

f x ui

w x ui

(2.19)

En choisissant une fonction de poids w(x) proportionnelle f(x), la variance

s'annule. Cette merveilleuse astuce n'est possible qu' une dimension. En
dimension suprieure, le changement de variables dans une intgrale multiple
fait intervenir la valeur absolue d'un jacobien et on ne peut donc pas trouver de
manire intuitive le changement de variable effectuer pour obtenir une
fonction de poids satisfaisante.
2.

LA METHODE METROPOLIS

Dans la pratique, nous sommes incapables de dterminer directement la

fonction de partition de lensemble canonique ou lintgrale de configuration
dun systme de N particules mais, par contre, nous sommes en mesure de
calculer la moyenne canonique dune grandeur physique A(rN) :
A r

r , r , r ,..., r
1

NVT

= ... A r

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

-U r N

1 n
dr =
r
Z
n i=1
N

A r
N

(2.20)

prsent et soutenu par NKAPNANG

39

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

o chaque configuration i fait rfrence un tat accessible de lespace des

configurations. Cest une moyenne pondre par la densit de probabilit de
lespace des configurations ( 3N degrs de libert) de lensemble canonique.
Comment allons-nous gnrer les diffrentes configurations {rN}i ou tats
i, utiliss pour calculer la moyenne canonique A ? On ne va pas gnrer des tats
{rN}i quelconques mais des tats i distribus suivant la densit de probabilit
non uniforme NVT. Pour atteindre cet objectif, nous adopterons la mthode de
Metropolis. Dans ce cas, contrairement ce qui est fait en dynamique
molculaire, les diffrents tats successifs ne suivent pas une volution
temporelle rgie par lquation de Newton.
On construit une chane de Markov, cest--dire que chaque tat ne dpend
explicitement que de ltat prcdent et appartient un ensemble fini dtats
appel espace des tats : {1,2, , i, , j, , n}.

Lordre dans lequel les tats se succdent na aucune signification physique. La

difficult est de trouver une mthode afin de gnrer ces tats (alatoires) de
telle manire qu la fin de la simulation (cest--dire lquilibre) chaque tat
soit produit avec la bonne probabilit. Il se trouve que ceci est ralisable sans
jamais avoir besoin de calculer le facteur de normalisation de NVT cest--dire
lintgrale de configuration.
Dans le cas du calcul de la valeur moyenne A pour un systme de N particules,
on doit construire une matrice de transition de trs grande taille qui est
stochastique et ergodique1. On ne connat pas les lments de la matrice, mais la
Une chane de Markov irrductible ou ergodique est une chane dans laquelle chaque tat peut
ventuellement tre atteint partir dun autre tat quelconque.
1

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

40

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

distribution limite de la chane de Markov,

est connue. Cest un vecteur dont

les lments sont donns par la densit de probabilit de lensemble canonique :

exp -U r N
i

=
Z

i = NVT r

(2.21)

de chaque point (ou configuration) i de lespace des configurations {rN}i. Il est

possible de dterminer les proprits de la matrice . On gnrera laide de

une

chane de Markov dont les points appartiennent lensemble canonique.

On cherche prsent dterminer les proprits de la matrice .

1)

La matrice de transition

qui donne par dfinition les probabilits

de transition dune configuration i une configuration j :

ij

2.22)

est une matrice stochastique (de probabilits) :

ij

2.23)

La matrice de transition ne doit pas dtruire lquilibre lorsquil est tabli.

La chane de Markov doit tre ergodique :
st s
=

(2.24)

que lon peut formuler autrement : le

nombre de dplacements accepts quittant
ltat i doit tre exactement gal au nombre
de dplacements conduisant ltat i
partir de tous les autres tats Ceci
correspond un tat stationnaire.

i ij j ji
j

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

ij j ji

(2.25)

(2.26)
prsent et soutenu par NKAPNANG

41

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

i j ji

(2.27)

3)

Il est commode dimposer une condition plus forte que la

prcdente : lquilibre, le nombre moyen de dplacements accepts partir

dun quelconque tat i vers nimporte quel tat j est exactement gal au nombre
moyen de dplacements inverses. Cest la condition de microrversibilit (ou du
bilan dtaill) :

i ij j ji

(2.28)

On veut donc que la probabilit de passage de i j soit la mme que celle de

passer de j i, sinon on risquerait de rester pig dans une rgion de lespace des
configurations et notre intgrale serait alors mal value. La condition (2.28) est
suffisante mais trop forte. Cest celle que Metropolis a choisie.
(2.27) (2.28)
2)

(2.29)

Examinons comment on procde :

1re tape: on ralise un essai de dplacement alatoire pour passer dun tat i
un tat j. On note ij llment de matrice stochastique correspondant
la tentative i j. est appele matrice de base de la chane de
Markov (underlying matrix of the Markov chain).
2ime tape:on doit dcider si lon accepte ou pas le dplacement ij. Appelons
Pij la probabilit daccepter lessai de dplacement de i j.
Alors :

ij ijPij

(2.30)

Il existe de nombreuses matrices qui conviennent.

3)

On choisit symtrique :

ij ji
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

(2.31)

prsent et soutenu par NKAPNANG

42

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

5)

Algorithme de Mtropolis -Nous allons prsent expliquer

comment dans la pratique, les tentatives (ou essais) de passage de ltat i ltat
j sont acceptes ou rejetes.
a)

proposition de passage de i j (ij).

b)

Uj=i+1 > Ui

(j i) la tentative doit tre accepte avec une

probabilit.
Pij

j
i

exp - U j Ui

(2.32)

Pour dcider, on gnre un nombre alatoire dans lintervalle [0,1] dans une
distribution uniforme. La probabilit que Pij est gale Pij. Par consquent :
- on accepte si Pij
- on refuse si Pij
Cette rgle garantit que lacceptation de la tentative i j ait la probabilit Pij.
c)

Uj=i+1 Ui (j i) on accepte toujours puisque dans ce cas Pij = 1

Dans un solide, les atomes vibrent autour de leur position dquilibre. En

dynamique molculaire, on obtient ces vibrations grce lquation de Newton.
Les configurations successives dcrivent alors les mouvements rels des atomes
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

43

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

en fonction du temps. La mthode de Monte Carlo permet de retrouver les

diffrentes positions des atomes autour de leur position dquilibre dans les
configurations de la chane de Markov, mais gnrs dans un ordre diffrent. Les
tats successifs ne sont pas corrls temporellement. Lordre dans lequel on
obtient ces tats de la chane de Markov na aucune signification physique.
3. APPLICATION DE LA METHODE DE MONTE CARLO
METROPOLIS AUX SYSTEMES CONTINUS
3.1

ALGORITHME MONTE CARLO METROPOLIS DE BASE

Dans la section prcdente, nous avons introduit la mthode de Metropolis

comme tant un processus markovien dans lequel une marche alatoire est
construite de telle faon que la probabilit de visiter une configuration {rN} est
proportionnelle au facteur de Boltzmann e U {r } . Il existe plusieurs faons de
N

construire une telle marche. Pour un systme continu, lapproche introduite par
Metropolis et ses collaborateurs est la suivante :
1) On choisit une particule au hasard parmi lensemble des particules et
on calcule son nergie potentielle U(r)
2) On effectue un dplacement alatoire de la particule, r = r + et on
Calcule sa nouvelle nergie potentielle U(r)
3) On accepte le dplacement de r r avec la probabilit

Pr r min 1, exp U r U r

Limplmentation de lalgorithme de Metropolis se fait comme suit :

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

44

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

Structure schmatique en FORTRAN dun programme de MC Metropolis

Ensemble canonique
CRX,RY,RZ:positionsatomiques
CTEMP:temprature
CKB:constantedeBoltzmann
CDRMAX:dplacementmaximum
CU:nergiepotentielle
Clecturedesparamtresduprogramme
Clecturedelaconfigurationinitiale
Ccalculdelnergieinitiale
CALLENERGY
BETA=1.0/(KB*TEMP)
CbouclesurlesitrationsMCchanedeMarkov
DOISTEP=1,NSTEP
Cbouclesurlesatomes
DOI=1,NATOMS
UOLD=U
RXIOLD=RX(I)
RYIOLD=RY(I)
RZIOLD=RZ(I)
CdplacementdelatomeI
RXINEW=RXIOLD+(2.0*RANDOM()1.0)*DRMAX
RYINEW=RYIOLD+(2.0*RANDOM()1.0)*DRMAX
RZINEW=RZIOLD+(2.0*RANDOM()1.0)*DRMAX
Capplicationdesconditionsauxlimitespriodiques
RXINEW=RXINEWANINT(RXINEW/BOX)*BOX
RYINEW=RYINEWANINT(RYINEW/BOX)*BOX
RZINEW=RZINEWANINT(RZINEW/BOX)*BOX
RX(I)=RXINEW
RY(I)=RYINEW
RZ(I)=RZINEW
Ccalculdelnergiedelanouvelleconfiguration
CALLENERGY
UNEW=U
CalgorithmedeMetropolis
DELTU=UNEWUOLD
DELTUB=BETA*DELTU
IF(DELTU.GT.0.0)THEN
IF(EXP(DELTUB).LT.RANDOM())THEN
Conrefuselanouvelleconfiguration
U=UOLD
RX(I)=RXIOLD
RY(I)=RYIOLD
RZ(I)=RZIOLD
ENDIF
ENDIF
Cpuiscalculdesvaleursinstantanes
Cpuiscalculdesvaleursmoyennes
ENDDO
ENDDO
Cimpressiondesrsultats

Random() est un nombre alatoire pris dans une distribution

uniforme comprise dans lintervalle [0,1]. On note que si une configuration est
rejete, lancienne configuration est maintenue.
Mmoire de DEA 2004 -2005
TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

45

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

3.2

DETAILS TECHNIQUES [9]

1)

Conditions aux limites

Comme les systmes que lon peut simuler sont de taille finie, le rapport
de la surface sur le volume de lchantillon est gnralement important. Pour
viter ces effets de surface, les systmes sont gnralement simuls avec des
conditions aux limites priodiques. Le volume contenant les N particules est
trait comme la maille lmentaire dun rseau priodique infini de cellules
identiques. Une particule donne (par exemple i), interagit avec toutes les autres
particules du rseau priodique infini ; cest--dire quelle interagit avec toutes
les particules contenues dans les autres mailles. Par exemple, si les interactions
entre particules sont des interactions par paire, lnergie potentielle totale des N
particules dune maille est :

U tot

1 ' r r
u rij n L
2 i,j,nr

(2.33)

o L est la longueur de la maille lmentaire,et

r
n

est le vecteur arbitraire de

composantes entire, tandis que le prime sur la sommation indique que le terme

i=j est exclu lorsque n = 0 . Sous cette forme trs gnrale, les conditions aux
limites priodiques ne sont pas trs utiles car, pour simuler les proprits dun
systme fini, nous devons rcrire lnergie potentielle comme une somme
infinie, au lieu dune somme finie.
Toutefois, dans les systmes tudis, les interactions entres particules sont
souvent de courtes portes. Dans ce contexte prcis, courte porte signifie que
lnergie potentielle dune particule est domine par les interactions avec les
particules voisines situes une distance voisine infrieure un seuil r c. Dans ce
cas, on utilise le potentiel interatomique tronqu. Il existe plusieurs faons de

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

46

Chapitre 2 : Etude par simulation Monte Carlo des systmes physiques

tronquer le potentiel interatomique dans une simulation : troncature simple,

troncature avec dplacement, convention de limage minimale.
2)

Initialisation

Pour dmarrer une simulation Monte Carlo, il faut dabord dfinir une
configuration initiale. Comme les proprits dquilibre du systme ne
dpendent pas du choix de la configuration initiale, toutes les configurations
initiales raisonnables sont acceptables. Si lon veut simuler ltat solide dun
systme, il faut choisir une configuration initiale ayant la structure cristalline du
systme que lon veut tudier. Par contre, si lon veut tudier la phase liquide, on
choisit nimporte quelle structure cristalline.
3)

Calcul dune moyenne thermique

Le calcul dune moyenne thermique ne peut commencer que lorsque le

systme a atteint lquilibre. Ainsi dans une simulation Monte Carlo, il y a
gnralement deux priodes : la premire, o partant dune configuration
initiale, on ralise

une dynamique pour amener le systme vers des

configurations qui sont celles de lquilibre ; la seconde priode, o le systme

volue dans le voisinage de lquilibre, et o le calcul des moyennes est ralis.
En labsence de critres prcis, la dure de la premire priode nest pas
facilement prvisible. Une premire technique a constitu pendant longtemps
suivre lnergie instantane du systme et considrer que lquilibre est atteint
lorsque lnergie se stabilise autour dune valeur quasi-stationnaire. Pour des
systmes sans dsordre gel, et pour des tempratures assez suprieures une
transition de phase, ce critre reste raisonnable en premire approximation.

Mmoire de DEA 2004 -2005

TCHATCHOUANG Luther

prsent et soutenu par NKAPNANG

47