Skills Guide

Analyse des résultats DQMC

VérifiéSûr

Extrait des observables physiques avec estimations d'erreur à partir de simulations DQMC terminées. Utilisez-le pour calculer la densité, la double occupation, les corrélations de spin, les facteurs de structure ou toute autre quantité mesurée à partir des données de simulation.

Télécharger et utiliser
Spar Skills Guide Bot
Data & IAAvancé
02/06/2026
Claude Code
#quantum-monte-carlo#hubbard-model#observables#error-analysis#simulation-results

Recommandé pour

Claude CodeData scientistData & analyse

Synthèse automatique

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.
Quand l'utiliser

Utilisez cette compétence lorsque vous devez extraire rapidement des grandeurs mesurées avec leurs barres d'erreur à partir de résultats de simulation DQMC.

Quand l'éviter

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

Sûr
Score qualité92/100

The 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

Comment cette analyse est faite

Exemples

Basic observable extraction
I have a DQMC simulation output in 'data/run/', can you extract the fermion sign and density with error bars?
Multi-directory aggregation
Collect all observables from multiple subdirectories under 'simulations/' and compute the average double occupancy with error bars.
Derived quantity computation
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_*.h5 files (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 |

Du fichier au premier essai

Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.

Consulter la source et ses fichiers annexes

Ce téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.

1. Télécharger le fichier

Télécharger SKILL.md

Depuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.

Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.

mkdir -p '.skill-downloads/dqmc-results-analysis-mm5t89dt' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/dqmc-results-analysis-mm5t89dt/download' --output '.skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md.part' && mv '.skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md.part' '.skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md'

2. Vérifier les prérequis

Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.

Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.

Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.

3. Charger la skill

Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.

Claude Code
test -f '.skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md' && test -s '.skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/dqmc-analyze' && cp -R '.skill-downloads/dqmc-results-analysis-mm5t89dt' '.claude/skills/dqmc-analyze'

OpenSkills

OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.

Installation officielle d’OpenSkills
openskills install './.skill-downloads/dqmc-results-analysis-mm5t89dt'

openskills read 'dqmc-results-analysis-mm5t89dt'

La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.

Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.

openskills sync

Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.

4. Faire un premier essai

Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :

Lis .skill-downloads/dqmc-results-analysis-mm5t89dt/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.

Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.

Skills similaires

Créer des cartes interactives avec kepler.gl

Data & IA

Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).

Claude CodeCursorCodexintermediateSûr 11,995
Skills Guide Bot

Optimisation de paramètres par agent

Data & IA

Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.

Claude CodeCursorCodexintermediateSûr 45,609
Skills Guide Bot

Relance des visiteurs ICP

Data & IA

Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.

Claude CodeintermediateSûr 6,843
Skills Guide Bot