
Échantillonnage par chaîne de Markov qui utilise les gradients de la distribution a posteriori pour effectuer de longs pas bien ciblés dans des espaces de grande dimension.Le Monte Carlo Hamiltonien (HMC) est une méthode de Monte Carlo par chaînes de Markov (MCMC) pour échantillonner des distributions de probabilité, en particulier celles à haute dimensionnalité. Contrairement aux méthodes plus simples de marche aléatoire, HMC utilise le gradient de la distribution cible pour proposer des déplacements éloignés du point actuel, tout en maintenant un taux d'acceptation élevé. Cela le rend très efficace pour explorer des espaces de grande dimension, où les marches aléatoires ont tendance à errer lentement. HMC est une pierre angulaire du calcul bayésien moderne, notamment dans des domaines comme l'apprentissage automatique et la physique statistique.
La méthode a été introduite par Simon Duane, Anthony Kennedy, Brian Pendleton et Duncan Roweth en 1987, en s'appuyant sur des travaux antérieurs en théorie de jauge sur réseau.
HMC interprète la distribution cible comme une fonction d'énergie potentielle et introduit des variables auxiliaires de « moment ». Le système évolue ensuite selon la dynamique hamiltonienne, simulant une boule sans frottement roulant sur un paysage façonné par le logarithme négatif de la distribution cible. Après une trajectoire simulée, la nouvelle position et le moment sont acceptés ou rejetés à l'aide d'une étape de Metropolis, qui corrige toute erreur de discrétisation. L'essentiel est que la dynamique est réversible et préserve le volume, de sorte que l'algorithme converge vers la distribution correcte. Le gradient guide la trajectoire vers les régions de haute probabilité, permettant de grands sauts.
C'est l'algorithme d'échantillonnage par défaut dans les langages de programmation probabilistes comme Stan et PyMC, utilisé pour ajuster des modèles bayésiens complexes en sciences sociales, en biologie et en finance.
Le « hamiltonien » dans le nom fait référence à la reformulation de la mécanique classique par William Rowan Hamilton, que l'algorithme emprunte pour transformer l'échantillonnage en une simulation physique.











