Un algorithme stochastique de calcul qui approxime la solution d'une équation maîtresse pour système ouvert en générant de nombreuses réalisations de trajectoires d'états purs (fonctions d'onde) selon un unraveling choisi (sauts quantiques ou diffusion) et en moyennant leurs projecteurs pour reconstruire la matrice densité réduite.

Principe

Échantillonnage Monte‑Carlo de trajectoires : propager de nombreuses évolutions stochastiques indépendantes d'états purs en utilisant des segments d'Hamiltonien effectif non hermitien et des sauts quantiques stochastiques ou des incréments de bruit ; la moyenne statistique converge vers la solution de l'équation maîtresse avec une erreur diminuant en racine inverse du nombre d'échantillons.

Démonstration

Pour simuler l'émission spontanée d'un atome multi‑niveau dans un espace de Hilbert volumineux, la méthode Monte‑Carlo de la fonction d'onde propage des fonctions d'onde individuelles subissant parfois des sauts correspondant à l'émission de photons. La moyenne des projecteurs issus de milliers de trajectoires donne populations et cohérences compatibles avec une intégration directe de l'équation maîtresse mais souvent avec des besoins mémoire réduits.

Mauvaise application

Employer trop peu de trajectoires de sorte que le bruit statistique masque les signaux physiques, ou appliquer la méthode sans assortir l'unraveling au scénario physique de mesure ou de surveillance, ce qui produit des moyennes formellement correctes mais rend l'interprétation des trajectoires individuelles trompeuse.

Conséquence

Apporte une voie numérique efficace en mémoire et souvent plus rapide pour calculer observables et matrices densité sur de grands espaces de Hilbert, et fournit des évolutions interprétables au niveau d'un run unique utiles pour l'estimation d'état et le contrôle par rétroaction.

Inversion

Intégration déterministe directe de l'équation maîtresse pour l'opérateur densité, qui donne une évolution exacte sans bruit d'échantillonnage mais peut être coûteuse en calcul et mémoire dans de grands espaces d'états et ne fournit pas de détail interprétatif au niveau d'une trajectoire unique.

Limite

Efficace lorsque les trajectoires sont simulables de façon économique et que l'échantillonnage statistique est réalisable ; limité par la nécessité d'un grand nombre d'échantillons pour détecter signaux faibles, par le choix d'unraveling, et par des modèles où la propagation d'états purs n'est pas plus simple que la méthode par matrices densité (p.ex. corrélations non locales fortes nécessitant de grands ensembles).

Tension sémantique

Tension entre efficience informatique et incertitude statistique : Monte‑Carlo réduit les exigences mémoire/temps mais remplace l'erreur déterministe par une variance d'échantillonnage et dépend de choix stochastiques appropriés.

Synthèse

La Méthode Monte‑Carlo De La Fonction D'Onde est un estimateur Monte‑Carlo basé sur trajectoires pour la dynamique ouverte quantique : en échantillonnant de nombreuses évolutions conditionnelles d'états purs et en moyennant leurs projecteurs, on reconstitue l'opérateur densité réduit, conciliant tractabilité numérique et bruit d'échantillonnage.