蒙特卡洛方法

Parent: ai_keywords

蒙特卡洛方法

核心定义

蒙特卡洛方法是一类通过大量随机采样与统计推断求解确定性（或高维随机）问题的数值计算范式。其理论基础为大数定律——用样本均值逼近数学期望，并借助中心极限定理量化估计误差。该方法最初用于核武器研制中的中子扩散问题，现已广泛渗透至信号处理、物理模拟与机器学习领域。

关键技术点

1. 随机数生成：高质量伪随机数生成器（如梅森旋转算法）是基础；实际中常采用拟蒙特卡洛（QMC）的低差异序列（如Sobol序列）加速收敛。
2. 重要性采样：选择与目标分布形状相近的提议分布，通过对采样样本加权修正，有效降低方差，尤其适用于稀有事件（如低频神经放电）的概率估计。
3. 马尔可夫链蒙特卡洛（MCMC）：包括Metropolis-Hastings算法和Gibbs采样，允许从任意复杂的高维后验分布中提取相关样本，是贝叶斯推断与潜变量模型的核心引擎。
4. 方差缩减技术：如控制变量法、对偶变量法，通过引入辅助变量消除部分随机噪声，在保持偏置性前提下显著减少所需样本量。

医学/神经科学应用场景：脑卒中半暗带评估中的粒子滤波

在急性缺血性脑卒中诊疗中，CT灌注成像旨在精准勾勒核心梗死区与可挽救的缺血半暗带。传统去卷积算法（如奇异值分解）对噪声和延迟延迟敏感，在低灌注病例中易高估脑血容量。首都医科大学团队开发了基于序列蒙特卡洛（粒子滤波）的动态灌注参数估计方法：将脑血流动力学建模为带动脉输入函数的非线性状态空间模型，通过重要性采样与重采样步骤实时跟踪残差函数。该方法自适应剔除噪声粒子，在基底节区梗死患者的OEF（氧摄取分数）反演中，将半暗带识别准确率从75%提升至92%。该技术从根本上克服了线性时不变假设的局限，为溶栓时间窗决策提供了鲁棒的计算工具。