Notre avis
Extrait des observables physiques avec leurs incertitudes à partir de simulations DQMC terminées.
Points forts
- Calcule directement la moyenne et l'erreur standard à partir des données groupées en blocs.
- Prend en charge une large gamme d'observables (densité, double occupation, corrélations de spin, facteurs de structure).
- Peut traiter plusieurs répertoires de simulation et agréger les résultats.
- Valide la sévérité du problème de signe en vérifiant l'incertitude sur le signe.
Limites
- Nécessite des fichiers HDF5 préexistants issus d'une simulation DQMC terminée.
- N'effectue pas d'analyse statistique supplémentaire au-delà du regroupement par blocs.
- Certaines observables (susceptibilités) nécessitent un paramètre spécifique (period_uneqlt > 0) pour être disponibles.
Utilisez cette compétence lorsque vous devez extraire rapidement des grandeurs mesurées avec leurs barres d'erreur à partir de résultats de simulation DQMC.
Ne l'utilisez pas pour le traitement de données brutes avant le regroupement par blocs, ni pour des simulations qui ne sont pas terminées.
Analyse de sécurité
SûrThe skill only performs local file reading and statistical analysis on simulation data. There are no network calls, shell commands, destructive operations, or data exfiltration risks.
Aucun point d'attention détecté
Exemples
I have a DQMC simulation output in 'data/run/', can you extract the fermion sign and density with error bars?Collect all observables from multiple subdirectories under 'simulations/' and compute the average double occupancy with error bars.Compute the magnetic moment squared from the spin correlator for the run in 'data/run/' using the zzr observable.name: dqmc-analyze description: Extract physical observables with error estimates from completed DQMC simulations. Use when computing density, double occupancy, spin correlations, structure factors, or any measured quantity from simulation data.
Analyze Results
Inputs
- Directory containing
bin_*.h5files (completed simulations) - Observable names (see table below)
Outputs
- Dictionary with parameters and
(mean, stderr)tuples for each observable
Procedure
Basic analysis:
from dqmc_util import analyze_hub
data = analyze_hub.get("data/run/", "sign", "den", "zzr")
print(f"sign = {data['sign'][0]:.4f} +/- {data['sign'][1]:.4f}")
print(f"density = {data['den'][0]:.4f} +/- {data['den'][1]:.4f}")
Available observables:
| Name | Description | Requires |
|------|-------------|----------|
| sign | Fermion sign | - |
| den | Density <n> | - |
| docc | Double occupancy <n_up n_down> | - |
| gr, gk | Green's function (real/k-space) | - |
| nnr, nnq | Density correlator / structure factor | - |
| zzr, zzq | Spin-z correlator / structure factor | - |
| xxr | Spin-x correlator | - |
| swq0 | S-wave pair structure factor | - |
| nnrw0, zzrw0 | Zero-freq susceptibilities | period_uneqlt > 0 |
| dwq0t | D-wave pair susceptibility | period_uneqlt > 0 |
Collect from multiple directories:
import os
def collect_results(base_dir, observables):
results = []
for subdir in sorted(os.listdir(base_dir)):
path = os.path.join(base_dir, subdir)
if os.path.isdir(path):
try:
results.append(analyze_hub.get(path + "/", *observables))
except Exception as e:
print(f"Skipping {path}: {e}")
return results
Compute derived quantities:
# Magnetic moment squared from spin correlator
path = "data/run/"
data = analyze_hub.get(path, "zzr")
mz2 = 4 * data["zzr"][0][0, 0] # [0] = mean, shape (Ny, Nx)
mz2_err = 4 * data["zzr"][1][0, 0] # [1] = stderr
Validation
- [ ] Errorbar on sign is significantly less than mean. Otherwise, sign problem is too severe.
- [ ] Errorbars on observable are reasonable (not >> mean)
Failure Modes
| Symptom | Cause | Recovery |
|---------|-------|----------|
| KeyError for observable | Observable not computed | Check period_uneqlt setting |
| "No files found" | Wrong path or no bin_*.h5 | Verify directory structure |
| Large error bars | Insufficient statistics | Run more sweeps or bins |
Ingénierie de Prompts
Data & IA
Bonnes pratiques et templates de prompt engineering pour maximiser les résultats IA.
Visualisation de Données
Data & IA
Génère des visualisations de données et graphiques adaptés à vos données.
Architecture RAG
Data & IA
Guide de configuration d'architectures RAG (Retrieval-Augmented Generation).