Technique de calcul de type de Monté−Carlo - LPSC - IN2P3
Technique de calcul de type de Monté−Carlo - LPSC - IN2P3
Technique de calcul de type de Monté−Carlo - LPSC - IN2P3
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong><br />
<strong>de</strong> <strong>type</strong> <strong>de</strong> <strong>Monté−Carlo</strong><br />
Cette technique qui utilise les ‘‘règles’’ du hasard, tient son nom du célèbre quartier <strong>de</strong> la principauté<br />
<strong>de</strong> Monaco dans lequel se situe le casino. Pour comprendre ce que le hasard peut apporter aux techniques<br />
d’estimation et <strong>de</strong> <strong>calcul</strong>, examinons l’exemple suivant .<br />
Le rapport inverse <strong>de</strong> la surface d’un carré et <strong>de</strong> l’aire <strong>de</strong> son cercle inscrit est<br />
la figure suivante, S ⁄S = 2 1 π<br />
.<br />
4<br />
π<br />
4<br />
. C’est à dire, sur<br />
Une métho<strong>de</strong> d’évaluation <strong>de</strong> π serait <strong>de</strong> recueillir l’eau <strong>de</strong> pluie tombant verticalement dans un<br />
tube <strong>de</strong> section carrée, puis sur le même intervalle <strong>de</strong> temps <strong>de</strong> répéter cette expérience dans un tube<br />
circulaire inscrit. Le rapport <strong>de</strong>s volumes d’eau collectée serait une estimation <strong>de</strong> π . On peut aisément<br />
admettre que le point d’impact <strong>de</strong> la pluie dans les tubes est une variable aléatoire. Ainsi, on utilise un<br />
processus stochastique pour l’évaluation <strong>de</strong> π . Cette expérience peut être répétée à l’ai<strong>de</strong> d’un<br />
ordinateur. Il suffit <strong>de</strong> tirer <strong>de</strong> façon uniforme <strong>de</strong>s couples x i , y i <strong>de</strong> coordonnées <strong>de</strong> points situés dans<br />
un carré et <strong>de</strong> <strong>calcul</strong>er ceux d’entre−eux qui tombent à l’intérieur du cercle. Ainsi, l’échantillonnage<br />
numérique d’une population ayant une <strong>de</strong>nsité <strong>de</strong> probabilité connue est utilisé pour le <strong>calcul</strong> d’une<br />
intégrale . Ici :<br />
π<br />
1<br />
4 =∫ 0<br />
S 2<br />
1x<br />
∫<br />
0<br />
2<br />
1<br />
dx dy=∫<br />
0<br />
1x 2 dx .<br />
C’est ce que l’on désigne sous le nom <strong>de</strong> technique <strong>Monté−Carlo</strong> <strong>de</strong> <strong>calcul</strong> d’intégrales . Un problème<br />
mathématique qui à la base n’était pas <strong>de</strong> nature probabiliste est résolu par <strong>de</strong>s métho<strong>de</strong>s probabilistes.<br />
L’autre <strong>type</strong> <strong>de</strong> <strong>calcul</strong>s <strong>Monté−Carlo</strong> concerne l’évaluation quantitative <strong>de</strong> processus stochastiques tels<br />
que le transport <strong>de</strong> particules dans la matière. Il ne s’agit plus vraiment <strong>de</strong> résoudre une intégrale telle que<br />
celle qui a été considérée dans l’exemple ci−<strong>de</strong>ssus. Pour ce <strong>type</strong> <strong>de</strong> <strong>calcul</strong>s, on réalise un échantillonnage<br />
numérique <strong>de</strong>s possibilités d’évolution (dynamique, spatiale et temporelle) d’un système décrit par une<br />
ou plusieurs <strong>de</strong>nsités <strong>de</strong> probabilités et on suit l’histoire, la ‘‘trajectoire’’ du système jusqu’à ce qu’il<br />
cesse <strong>de</strong> présenter un intérêt pour le problème en question.<br />
1<br />
S 1
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
1 Évaluation d’intégrales par <strong>calcul</strong> <strong>Monté−Carlo</strong><br />
1.1 Intégrale à une dimension :<br />
Soit une intégrale I ayant la forme suivante :<br />
I=∫ g x f x dx<br />
Ω0<br />
où f x est une <strong>de</strong>nsité <strong>de</strong> probabilité , c’est à dire :<br />
∀ x ∈Ω 0 , f x 0 et ∫ Ω0<br />
f x dx=1 .<br />
Soit un échantillon<br />
somme :<br />
x , x ,, x 1 2 n tiré aléatoirement à partir <strong>de</strong> la <strong>de</strong>nsité <strong>de</strong> probabilité f(x) . Formons la<br />
S= 1<br />
n ∑ n<br />
g x i<br />
i=1<br />
.<br />
Calculons la moyenne <strong>de</strong> cette somme :<br />
E S = 1<br />
n E ∑ g x i<br />
i=1<br />
= 1<br />
n ∑ n<br />
E g x =E g x<br />
i<br />
i=1<br />
=∫ f x g x dx=I<br />
Ω0<br />
S est une statistique ( fonction d’un échantillon ) . C’est également un estimateur non−biaisé <strong>de</strong> I . Par<br />
ailleurs , on a :<br />
var S = 1<br />
n 2 var n<br />
∑ g x i .<br />
i=1<br />
Si les xi sont indépendants , on obtient :<br />
var S = 1<br />
n 2 n var g x i = σ2 S<br />
= 1<br />
var g x =1<br />
n n<br />
E g x 2 E 2 g x<br />
= 1<br />
n ∫ Ω<br />
0<br />
f x g 2 x dxI 2<br />
= 1<br />
n σ 2 g x<br />
Pour un échantillon d’une taille n , l’estimation <strong>de</strong> I par la technique <strong>Monté−Carlo</strong> aura une précision<br />
donnée par :<br />
σ g x<br />
S = I erreur avec erreur=<br />
n<br />
2<br />
n
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
Si l’intégran<strong>de</strong> ne peut être décomposée sous la forme considérée jusqu’ici , c’est à dire si on a à faire<br />
avec une expression du <strong>type</strong> :<br />
I=∫ g x dx<br />
Ω0<br />
On peut toujours se replacer dans la situation précé<strong>de</strong>nte en ré−écrivant I sous la forme :<br />
I=∫ Ω0<br />
1<br />
x max x min<br />
Exemple :<br />
1<br />
x x g x dx max min où f x =<br />
x x max min<br />
π<br />
1<br />
4 =∫ o<br />
1x 2 dx=I<br />
La <strong>de</strong>nsité <strong>de</strong> probabilité utilisée est une distribution uniforme sur [0,1] :<br />
est une <strong>de</strong>nsité <strong>de</strong> probabilité uniforme .<br />
f x =1 si 0x1<br />
f x =0 sinon<br />
On tire un échantillon <strong>de</strong> taille n en utilisant le générateur aléatoire uniforme d’un ordinateur (tous les<br />
ordinateurs et tous les langages <strong>de</strong> programmation scientifiques en ont un) et on <strong>calcul</strong>e:<br />
L’erreur du <strong>calcul</strong> peut être estimée par :<br />
σ g x<br />
erreur=<br />
n<br />
S= 1<br />
n ∑ n<br />
i=1<br />
2<br />
1x i<br />
1<br />
=<br />
n E g x 2 E 2 g x<br />
≈ 1<br />
n1<br />
1<br />
n<br />
n ∑ i=1<br />
2 1<br />
1x i<br />
n ∑ n<br />
i=1<br />
.<br />
1<br />
2 = 1<br />
1<br />
n ∫ o<br />
2<br />
1x i<br />
1x 2 dxI 2<br />
Le facteur 1⁄ n1 nous rappelle que cette estimation n’est pas correcte pour n = 1 .<br />
1.2 Intégrales à N dimensions :<br />
Du fait <strong>de</strong> sa convergence lente, ( ∝ 1<br />
n ), la technique <strong>Monté−Carlo</strong> n’est avantageuse que lorsque<br />
la dimension <strong>de</strong> l’intégrale dépasse 6 à 10, selon les intégran<strong>de</strong>s considérées.<br />
dimensions, c’est à dire :<br />
Pour une intégrale à N<br />
I=∫ Ω0<br />
f x g x d x avec x=<br />
x 1<br />
x 2<br />
<br />
x N<br />
3<br />
2 1<br />
2<br />
, f x 0 , ∫ Ω0<br />
1<br />
2<br />
f x d x=1 ,
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
une estimation <strong>de</strong> I peut être obtenue en tirant aléatoirement un échantillon à N caractères (N variables<br />
aléatoires), <strong>de</strong> taille n et en <strong>calcul</strong>ant :<br />
S= 1<br />
n ∑ n<br />
g x i<br />
i=1<br />
1.3 Fonction d’importance :<br />
La technique <strong>Monté−Carlo</strong> est d’autant plus efficace que la variance <strong>de</strong> la fonction g(x) est faible (<br />
σ g x<br />
erreur=<br />
n<br />
). On peut essayer <strong>de</strong> transformer l’écriture <strong>de</strong> I et <strong>de</strong> rechercher se faisant la fonction<br />
˜g x qui assure la convergence la plus rapi<strong>de</strong> du <strong>calcul</strong>:<br />
I=∫Ω0 f x g x dx=∫ ˜f x ˜g x dx avec<br />
g x f x<br />
˜g x =<br />
˜f x<br />
, ˜f x 0 ∀ x , ∫ ˜f x dx=1 .<br />
On peut montrer que la fonction ‘‘d’importance’’ optimale est donnée par :<br />
˜f<br />
g x f x<br />
x =<br />
I<br />
.<br />
Si le produit g(x) f(x) est positif quel que soit x , on a :<br />
˜f<br />
g x f x<br />
x =<br />
I<br />
˜g x =I<br />
g x f x<br />
et var ˜g x =∫ I<br />
I<br />
2 dx I 2 = 0 !<br />
Évi<strong>de</strong>mment cela suppose que l’on connaisse I, ce qui est le but du problème. C’est paradoxal. En<br />
pratique on peut s’approcher <strong>de</strong> cette situation optimale en recherchant une expression approximative <strong>de</strong><br />
f(x) g(x).<br />
Exemple :<br />
1<br />
∫<br />
0<br />
1x 2 dx=I= π<br />
4<br />
var 1x 2 =∫<br />
0<br />
1x 2 dxI 2 =0,0498<br />
Pour obtenir une expression approximative <strong>de</strong> la fonction ‘‘d’importance’’ , on peut développer<br />
1x 2 autour <strong>de</strong> 0 , c’est à dire :<br />
1<br />
1x 2 =1 1<br />
2 x 2 <br />
À partir <strong>de</strong> cette expression , on peut voir qu’une fonction d’importance raisonnable pourrait être :<br />
˜f x = 1βx2<br />
1 1<br />
3 β<br />
4
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
On peut choisir β <strong>de</strong> telle sorte à minimiser la valeur <strong>de</strong> la variance <strong>de</strong> ˜g x , mais on peut également<br />
faire preuve <strong>de</strong> bon sens en choisissant β telle que :<br />
1βx 2 = 1x 2 quand 1x 2 = 1<br />
2<br />
c’est à dire : β= 2<br />
3<br />
On peut <strong>calcul</strong>er que dans ce cas: var ˜g x =0,0039 . Ainsi, l’estimation <strong>de</strong> I à l’ai<strong>de</strong> <strong>de</strong><br />
1<br />
1<br />
3 ˜f x et ˜g x = β<br />
1βx 2 1x 2 , convergera vers la vraie valeur <strong>de</strong> I plus <strong>de</strong> 12 fois plus vite qu’avec<br />
σ ˜g x<br />
une distribution uniforme ( erreur=<br />
n<br />
, temps <strong>de</strong> <strong>calcul</strong> est proportionnel à n ).<br />
2 Échantillonnage numérique <strong>de</strong> variables aléatoires :<br />
Tous les ordinateurs et tous les langages scientifiques disposent d’un générateur <strong>de</strong> nombres pseudo−<br />
aléatoire uniforme dont la portée est [0,1]. La question qui se pose maintenant est la génération<br />
d’échantillons numériques d’une variable aléatoire <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité quelconque à partir d’un<br />
générateur aléatoire x uniforme entre 0 et 1, <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité f(x) . Pour la suite <strong>de</strong> ce chapitre,<br />
on prendra :<br />
f x =1,si 0x1<br />
f x =0,sinon<br />
2.1 Inversion <strong>de</strong> la fonction <strong>de</strong> répartition :<br />
Soit y une variable aléatoire <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité g(y) . Si on suppose que y peut être obtenue à<br />
partir <strong>de</strong> x, alors y(x) doit être une fonction définie en tout point <strong>de</strong> la portée <strong>de</strong>x,c’est à dire entre 0 et<br />
1. On a :<br />
g y =<br />
∂ x<br />
∂ y<br />
f x =<br />
y<br />
∂ x<br />
∂ y<br />
0<br />
y min<br />
f x si la fonction y(x) est monotone et croissante (voir cours : erreur,<br />
probabilité et statistique , paragraphe changement <strong>de</strong> variables).<br />
( x , y )<br />
5<br />
y(x)<br />
y max<br />
1<br />
x
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
Ou encore :<br />
x<br />
∫<br />
0<br />
y<br />
f x’ dx’ =∫ g y’ dy’ c’est à dire : x=G y puisque f(x) est la <strong>de</strong>nsité <strong>de</strong> probabilité<br />
ymin<br />
uniforme,<br />
où G(y) estlafonction<strong>de</strong>répartition <strong>de</strong> la variable aléatoire y . Si la fonction inverse G−1 (x) existe , y<br />
est simplement donnée par :<br />
y=G 1 x<br />
Si la fonction y(x) décroissante , le résultat obtenu est : y=G −1 (1 − x) ce qui mathématiquement est<br />
équivalent à y=G −1 (x) car x est uniformément distribuée entre 0 et 1 . Remarquez que cette fonction<br />
est effectivement définie entre 0 et 1 conformément à notre hypothèse <strong>de</strong> départ .<br />
Ainsi , pour échantillonner numériquement une <strong>de</strong>nsité <strong>de</strong> probabilité g(y) , il suffit d’inverser sa fonction<br />
<strong>de</strong> répartition et <strong>de</strong> générer une série <strong>de</strong> nombres aléatoires uniformément distribués entre 0 et 1 .<br />
Exemple 1 :<br />
On souhaite échantillonner la variable y qui possè<strong>de</strong> une <strong>de</strong>nsité <strong>de</strong> probabilité :<br />
λ y<br />
g y =λe<br />
, 0y
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
Dans un premier temps on cherchera la métho<strong>de</strong> pour échantillonner:<br />
h r =r exp 1<br />
2 r2 0r
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
Soit y la variable aléatoire <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité g(y) (avec<br />
échantillonner .<br />
ymin < y < ymax ) que l’on souhaite<br />
La métho<strong>de</strong> consiste à générer <strong>de</strong>s paires <strong>de</strong> nombres aléatoires et uniformes ( ui , vi ) tels que :<br />
y min u i y max et 0v i g max où gmax représente la valeur maximale <strong>de</strong> g(y) .<br />
On gar<strong>de</strong> le nombre ui si: v i
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
3 Simulations <strong>de</strong> processus stochastiques :<br />
Dans le domaine <strong>de</strong> la physique <strong>de</strong>s hautes énergies, tous les processus étudiés sont <strong>de</strong> nature<br />
stochastique. Ainsi, les systèmes ( les particules , les noyaux ...) ont <strong>de</strong>s propriétés représentées par <strong>de</strong>s<br />
variables aléatoires. Afin d’estimer les gran<strong>de</strong>urs mesurables ( dépôts d’énergie , parcours , trajectoires<br />
...), on procè<strong>de</strong> à <strong>de</strong>s <strong>calcul</strong>s <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong> dans lesquels les variables aléatoires décrivant les<br />
systèmes sont échantillonnées numériquement.<br />
Pour être plus concret, nous allons étudié, en exemple, la simulation simplifiée du parcours <strong>de</strong> photons<br />
à travers une lame matérielle. La métho<strong>de</strong> suit l’algorithme suivant:<br />
Eγ < Es<br />
3.1 Initialisation − Source :<br />
D’une manière générale , la source peut être décrite par une <strong>de</strong>nsité <strong>de</strong> probabilité du <strong>type</strong> :<br />
S x , y , z,Ω x ,Ω y ,Ω z , E ,t<br />
où x , y , z sont les coordonnées géométriques du point source ,<br />
Ω x ,Ω y ,Ω z sont les coordonnées <strong>de</strong> la direction initiale du photon ( Ω ) ,<br />
E est l’énergie inci<strong>de</strong>nte ,<br />
t le temps d’émission .<br />
non<br />
oui<br />
Initialisation<br />
(pour chaque photon)<br />
Échantillonnage <strong>de</strong>s<br />
variables décrivant la<br />
source<br />
Suivi géométrique<br />
jusqu’à interaction<br />
oui<br />
Arrêt<br />
région<br />
source<br />
z<br />
y<br />
Es énergie d’arrêt<br />
Diffusé<br />
Eγ énergie du photon<br />
non : Absorbé<br />
après diffusion<br />
9<br />
Ω<br />
x
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
Si les variables caractéristiques ( Ω, E ,t ,r ) sont indépendantes, la <strong>de</strong>nsité <strong>de</strong> probabilité peut se<br />
factoriser sous la forme :<br />
S =S s x , y , z S Ω Ω S E E S t t .<br />
Si la source est ponctuelle et monocinétique , S se ramène à :<br />
S =δ xx 0 δ y y 0 δ zz 0 S Ω Ω δ EE 0 S t t .<br />
Si S Ω Ω est isotrope, en coordonnées sphériques on a :<br />
S Ω Ω d Ω ∝ sin ϑ d ϑ d φ<br />
p Ω d Ω = 1<br />
sin ϑ d ϑ d φ<br />
4 π<br />
= 1 1<br />
sin ϑ d ϑ d φ<br />
2 2 π<br />
avec<br />
φ tirée uniformément entre 0 et 2π<br />
ϑ obtenue à partir <strong>de</strong> : F ϑ =x avec<br />
x∈ 0,1 , soit :<br />
x= 1<br />
2 1cosϑ ϑ=cos1 12 x<br />
Les expressions qui suivent permettent <strong>de</strong> <strong>calcul</strong>er en consommant un minimum <strong>de</strong> temps machine les<br />
coordonnées cartésiennes <strong>de</strong> la direction initiale:<br />
3.2 Suivi géométrique et interaction :<br />
Ω<br />
Ω = x<br />
2<br />
1Ωz cosφ<br />
Ω = Ω y x tg φ<br />
Ω = 12 x<br />
z<br />
L’interaction est décrite par <strong>de</strong>ux sections efficaces :<br />
r<br />
x<br />
y<br />
z<br />
Ω<br />
σ a : section efficace d’absorption,<br />
σ d : section efficace <strong>de</strong> diffusion.<br />
Entre les points r et r’ , le photon évolue librement en ligne droite . La section efficace totale est<br />
donnée par :<br />
10<br />
s<br />
r’<br />
Interaction
Johann Collot Cours <strong>de</strong> physique expérimentale <strong>de</strong>s hautes énergies du DEA <strong>de</strong> Physique Théorique Rhône−Alpin<br />
<strong>Technique</strong> <strong>de</strong> <strong>calcul</strong> <strong>de</strong> <strong>type</strong> <strong>Monté−Carlo</strong><br />
http://isnwww.in2p3.fr/atlas/cours/in<strong>de</strong>x.html Année : 2001<br />
σ t E γ =σ a E γ σ d E γ .<br />
L’évolution du photon est donnée par une loi exponentielle qui fait intervenir le libre parcours moyen<br />
λ défini par: λ E =1⁄ ρ σ E γ t γ où ρ est la <strong>de</strong>nsité <strong>de</strong> centres d’interaction (atomes ici ). La<br />
distance <strong>de</strong> vol libre du photon suit la loi:<br />
p s ds= 1<br />
s<br />
λ<br />
e ds .<br />
λ<br />
Pour laquelle nous avons déjà vu que s est échantillonnée par :<br />
On obtient au final :<br />
s=λ ln x avec x∈ 0,1<br />
r’ =rs Ω .<br />
Au point r’ , le photon peut avoir été diffusé ou absorbé. Le <strong>type</strong> <strong>de</strong> l’interaction est une variable<br />
aléatoire discrète dont la loi <strong>de</strong> probabilité est donnée par:<br />
f a E γ = σ a E γ<br />
σ t E γ<br />
, f d E γ = σ d E γ<br />
σ t E γ<br />
et f a E γ f d E γ =1<br />
Pour déterminer le <strong>type</strong> d’interaction , on échantillonne x <strong>de</strong> façon uniforme entre 0 et 1, puis on retient<br />
l’absorption ou la diffusion selon que x tombe dans fa ou fd .<br />
Si le photon est absorbé, onarrêtele<strong>calcul</strong> (et on passe à un nouveau photon), sinon on détermine la<br />
perte d’énergie (donc l’énergie du photon diffusé), puis une nouvelle direction <strong>de</strong> propagation et on<br />
reprend le suivi en changeant les valeurs <strong>de</strong>s section efficaces conformément à l’énergie du photon<br />
diffusé.<br />
4 Pour en savoir plus :<br />
0 1 1<br />
f a E γ<br />
f d E γ<br />
Monté Carlo Methods : M. Kalos & P. Whitlock , John Wiley & Sons (1986)<br />
11