مقدمه‌ای بر شبیه‌سازی مونت‌کارلو؛ از مدل تا نتیجه
پیش از نوشتن فایل ورودی یا اجرای کد، باید بدانیم چه چیزی را اندازه می‌گیریم و نتیجه را چگونه ارزیابی می‌کنیم. این راهنما نقشهٔ شروع کار است؛ آموزش نصب یا یک مدل آمادهٔ اجرا نیست.
۱. سؤال فیزیکی را به یک کمیت مشخص تبدیل کنید
«بررسی آشکارساز» هدف بسیار گسترده‌ای است. برای شروع، سؤال را محدود کنید: با تغییر یک فاصله، پاسخ تعریف‌شدهٔ آشکارساز چقدر تغییر می‌کند؟ محل محاسبه، بازهٔ انرژی، واحد و شرایط مقایسه را بنویسید. همین تعریف تعیین می‌کند چه داده‌هایی لازم دارید.
یک برگهٔ مسئله بسازید: هدف، داده‌های معلوم، فرض‌ها و معیار مقایسه. اگر چگالی یا طیف منبع را نمی‌دانید، آن را به‌عنوان دادهٔ نامعلوم ثبت کنید؛ جایگزینی آن با یک مقدار فرضی باید در نتیجه نیز دیده شود.
۲. پنج جزء مدل را جداگانه بررسی کنید
در Geant4 تعریف هندسه و مواد، فیزیک و تولید ذرات اولیه از اجزای اصلی برنامه‌اند. فرایندها و مدل‌های فیزیکی نیز محدودهٔ کاربرد دارند؛ انتخاب آن‌ها باید با ذره و انرژی مسئله سازگار باشد. ساختار برنامه در راهنمای Geant4 و راهنمای تعریف فیزیک این اجزا را توضیح می‌دهند.
- هندسه: ابعاد، مرزها، فاصله‌ها و محل ناحیهٔ امتیازدهی را مشخص کنید.
- مواد: ترکیب و چگالی را از دادهٔ مناسب مسئله بگیرید. برای MCNP، راهنمای کارت ماده را بخوانید.
- منبع: نوع ذره، توزیع انرژی، مکان و جهت را مطابق سؤال تعریف کنید.
- فیزیک: نسخهٔ کد، مدل‌ها، داده‌ها و تنظیمات مؤثر را ثبت کنید.
- امتیازدهی: تعریف tally یا scoring، واحد و نرمال‌سازی را پیش از تفسیر خروجی بررسی کنید.
نام‌گذاری و پیاده‌سازی این اجزا در MCNP و Geant4 یکسان نیست. برای گزینه‌ها و واحدهای دقیق از راهنمای همان نسخه استفاده کنید؛ این فهرست، چک‌لیست سازمان‌دهی مدل است.
۳. عدم‌قطعیت آماری را از درستی مدل جدا کنید
در شرایط آماری مناسب و با ثابت‌ماندن مدل و روش نمونه‌گیری، عدم‌قطعیت نسبی برآورد معمولاً با ریشهٔ تعداد تاریخچه‌ها کاهش می‌یابد. افزایش تعداد تاریخچه‌ها، خطای تعریف ماده یا هندسه را اصلاح نمی‌کند. رابطه و بحث برآورد خطا را در مقدمهٔ MCNP از Shultis و Faw ببینید.
در این رابطه، R عدم‌قطعیت نسبی آماری برآورد و N تعداد تاریخچه‌هاست. این رابطه برای برآوردی با رفتار آماری مناسب کاربرد دارد؛ تضمینی برای امتیازدهی کم‌نمونه یا رویدادهای نادر نیست.
مثال آموزشی؛ بدون اجرای واقعی کد
اگر با یک میلیون تاریخچه، عدم‌قطعیت نسبی حدود ۲٪ باشد، برای رسیدن به حدود ۱٪ می‌توان در همان شرایط حدود چهار میلیون تاریخچه برآورد کرد:
این محاسبه، برآورد هزینهٔ آماری است؛ تأیید همگرایی یا صحت فیزیکی نتیجه نیست.
۴. پیش از گزارش نتیجه چه چیزی را بازبینی کنیم؟
برای پروژهٔ خود یک پروندهٔ بازبینی نگه دارید. پیشنهاد ما این است که این موارد در کنار عدد نهایی ثبت شوند:
- کنترل هندسه، مواد، منبع و پیام‌های هشدار اجرا.
- تعریف دقیق کمیت، واحد و تبدیل خروجی به شرایط منبع واقعی.
- بررسی رفتار آماری و پایداری نتیجه؛ صرفاً یک درصد خطای کوچک کافی نیست.
- مقایسه با یک حالت ساده، دادهٔ مرجع مناسب یا اندازه‌گیری، همراه با شرایط مقایسه.
- ثبت ورودی‌ها، نسخهٔ نرم‌افزار و داده‌ها و تغییراتی که بین اجراها انجام شده‌اند.
این چک‌لیست پیشنهادی جایگزین برنامهٔ اعتبارسنجی متناسب با کاربرد نیست. نتیجهٔ یک مثال آموزشی را نمی‌توان بدون بررسی به تصمیم ایمنی یا بالینی تعمیم داد.
۵. یک تمرین کوچک و قابل پیگیری
یک مدل ساده با یک ماده و یک کمیت هدف انتخاب کنید. ابتدا اطلاعات ماده و واحدها را مستند کنید؛ سپس فقط یک پارامتر مانند ضخامت را تغییر دهید. در یک جدول، مقدار پارامتر، نتیجه، عدم‌قطعیت و تنظیمات ثابت را کنار هم بنویسید. هدف این تمرین یادگیری مقایسهٔ کنترل‌شده است، نه تولید یک طرح اجرایی.
از تعریف ماده شروع کنید
ابزار کارت ماده به آماده‌سازی ترکیب کمک می‌کند؛ هندسه، منبع، داده‌های فیزیکی و اجرای شبیه‌سازی باید جداگانه آماده و بررسی شوند.
ساخت کارت مادهٔ MCNP ←برای مسئلهٔ پژوهشی یا مهندسی مشخص، شرح خدمات شبیه‌سازی و اطلاعات لازم برای شروع همکاری را ببینید.