Adapting hybrid monte carlo methods for solving complex problems in life and materials sciences

Resumen

Un sampleo eficiente es clave para el éxito de las simulaciones moleculares de sistemas físicos complejos. Hybrid Monte Carlo 8HMC) es una herramienta prometedora que ofrece una propagación inteligente y libre de errores de discretización en el espacio de fases, un control riguroso de la temperatura y flexibilidad. Sin embargo, HMC es incapaz de proporcionar información de la dinámica del sistema y tiende a fallar al aumentar la dimensión del sistema a simular. En esta tesis, demostramos que el rendimiento de HMC puede mejorar dramáticamente introduciendo aplitting numerical integrators e importance sampling. En resumen, proponemos nuevos algorimos numéricos que son capaces de mejorar la precisión y la eficiencia del sampleo de simulaciones moleculares utilizando métodos tipo Hybrid Monte Carlo. Así demostramos que equipar al algortimo Hybrid Monte Carlo con características adicionales lo convierte en un sampleador más inteligente y, sin lugar a dudas, un serio competidor de los métodos populares en simulaciones moleculares como molecular dynamics y Monte Carlo. Los algoritmos desarrollados en esta tesis están implementados en una versión, desarrollada en nuestro grupo del popular software GROMACS. Dicho software es capaz de correr simulaciones de sistemas complejos en supercomputadores.