Méthodes de Réduction de la Complexité Numérique en Monte-Carlo Variationnelle
Antoine Bienvenu
Laboratoire de Chimie Théorique, UMR 7616, Paris, France
Mercredi 27 Mars 2019, 11h00
bibliothèque LCT, tour 12 - 13, 4ème étage
Contrairement aux méthodes déterministes (DFT ou HF), les méthodes stochastiques telles que le Monte-Carlo Variationnelle ne sont pas limitées par leurs erreurs systématiques mais par leurs erreurs numériques d'origine statistique, qui sont généralement compensées par une augmentation du temps de calcul.
A l'aide d'une méthode novatrice de réduction de la variance se basant sur l'échantillonnage de sous-systès, on va donc chercher à améliorer le scaling du temps de calcul, en se servant d'un exemple simple mais riche, le modèle de Hubbard.