Monte Carlo-methode: gokken volgens de regels van de wiskunde
Stel je voor dat je de oppervlakte van een onregelmatig gevormd meer wilt weten, maar je hebt geen precieze kaart. Je tekent een vierkant om het meer heen waarvan je de oppervlakte wel kent, en je gooit vervolgens duizend keer willekeurig een steentje binnen dat vierkant. Door te tellen hoeveel steentjes in het water landen en hoeveel op het droge, kun je de oppervlakte van het meer schatten: het aandeel steentjes in het water, vermenigvuldigd met de oppervlakte van het vierkant. Hoe meer steentjes je gooit, hoe nauwkeuriger je schatting wordt.
Dit is in essentie de Monte Carlo-methode: een rekentechniek waarbij je een moeilijk of onmogelijk exact te berekenen probleem oplost door heel vaak willekeurige steekproeven te nemen en daaruit een gemiddelde of verdeling af te leiden. De naam verwijst naar het beroemde casino in Monaco, een knipoog naar het element toeval dat centraal staat in de methode. Ondanks die speelse naam is het een serieus en veelgebruikt gereedschap in de wetenschap, techniek en financiële wereld, overal waar problemen te ingewikkeld zijn om met een nette formule op te lossen.
Wat is het precies?
De basis van de Monte Carlo-methode is random sampling: het trekken van willekeurige waarden uit een kansverdeling die het probleem beschrijft. Bij het meer-voorbeeld waren dat willekeurige punten binnen het vierkant; bij een financieel model kunnen dat willekeurige koersbewegingen zijn, en bij een natuurkundig probleem willekeurige botsingen tussen deeltjes.
Voor elke willekeurige steekproef wordt vervolgens berekend wat de uitkomst zou zijn, bijvoorbeeld of het steentje in het meer valt of niet. Dit proces wordt vaak duizenden tot miljoenen keren herhaald door een computer. Elke herhaling heet een simulatie of run.
Waarom werkt dit? Dankzij een wiskundig principe dat de wet van de grote aantallen heet: hoe meer willekeurige steekproeven je neemt, hoe dichter het gemiddelde van die steekproeven bij de werkelijke waarde komt te liggen. Bij weinig steekproeven kan de uitkomst nog flink afwijken door toeval, maar bij miljoenen steekproeven wordt die afwijking steeds kleiner. Dit geleidelijk dichter bij de juiste waarde komen heet convergentie.
Een nadeel is dat de nauwkeurigheid maar langzaam toeneemt: om de foutmarge te halveren, heb je grofweg vier keer zoveel steekproeven nodig. Onderzoekers gebruiken daarom trucs die variantiereductie heten, slimme manieren om sneller tot een nauwkeurig antwoord te komen zonder evenredig meer rekenkracht nodig te hebben. Een verwante aanpak is quasi-Monte Carlo, waarbij niet volledig willekeurige, maar zorgvuldig gespreide steekpunten worden gebruikt, wat in veel gevallen sneller tot een betrouwbaar resultaat leidt.
Wat wil men ermee bereiken?
Het belangrijkste doel van de Monte Carlo-methode is het oplossen van problemen die analytisch niet te doen zijn, dat wil zeggen: problemen waarvoor geen nette wiskundige formule bestaat die direct het antwoord geeft. Veel realistische systemen, van het weer tot een beurskoers, zijn zo complex en vol toeval dat een exacte berekening onmogelijk is.
Een tweede belangrijke toepassing is risico-inschatting. Door duizenden mogelijke toekomstscenario's door te rekenen, bijvoorbeeld voor de waarde van een beleggingsportefeuille, krijgen bedrijven en toezichthouders zicht op de kans op extreme verliezen.
Ook bij optimalisatie, het zoeken naar de beste oplossing uit een enorm aantal mogelijkheden, en bij onzekerheidskwantificering, het in kaart brengen van hoe onzeker een voorspelling precies is, is de methode onmisbaar geworden. Het gaat dus niet om een enkel juist antwoord, maar om een realistische inschatting van een reeks mogelijke uitkomsten en hun waarschijnlijkheid.
Voorbeelden uit de praktijk
De methode is ontstaan tijdens het Manhattan Project, het Amerikaanse programma dat in de jaren veertig van de vorige eeuw de eerste kernwapens ontwikkelde. Wiskundige Stanislaw Ulam bedacht in 1946 het idee, en samen met John von Neumann werkte hij het uit om te berekenen hoe neutronen zich door materiaal verplaatsen, een probleem dat met de rekenmachines van die tijd niet anders op te lossen was.
Diezelfde soort berekening, stralingstransport, wordt vandaag de dag nog gebruikt bij het ontwerp van kernreactoren en bij stralingstherapie in ziekenhuizen, om te voorspellen hoe straling zich door weefsel of materiaal verspreidt.
In de financiële sector gebruiken banken en hedgefondsen Monte Carlo-simulaties sinds de jaren tachtig om de prijs van complexe financiële producten, zoals opties en derivaten, te bepalen. Door duizenden mogelijke koersverlopen te simuleren, schatten ze de verwachte waarde en het risico van een product.
Een recenter en spraakmakend voorbeeld is AlphaGo, het programma van DeepMind dat in 2016 de wereldkampioen Go versloeg. Dit systeem gebruikte een variant genaamd Monte Carlo Tree Search om, tot een bepaalde diepte, willekeurig mogelijke zetten en tegenzetten door te rekenen en zo de meest kansrijke strategie te kiezen.
Bij het onderzoekscentrum CERN, waar de Large Hadron Collider staat, gebruiken natuurkundigen de software GEANT4 om met Monte Carlo-technieken te simuleren hoe deeltjes door de detectoren bewegen en reageren. Dit is essentieel om te begrijpen welke signalen wijzen op nieuwe deeltjes en welke op ruis. Ook bij weer- en klimaatmodellen worden zogeheten ensemble-voorspellingen gemaakt: meteorologische instituten draaien hetzelfde model tientallen keren met licht andere startwaarden om een beeld te krijgen van de spreiding in mogelijke weersverwachtingen.
Hoe ver is de techniek?
De Monte Carlo-methode zelf is met zo'n tachtig jaar geen nieuwe technologie, maar een volwassen en breed geaccepteerd wiskundig gereedschap. De grote vooruitgang zit tegenwoordig niet in het basisprincipe, maar in de rekenkracht en slimme algoritmes waarmee simulaties worden uitgevoerd.
Grafische kaarten (GPU's), oorspronkelijk ontwikkeld voor videogames, blijken uitstekend geschikt om de vele onafhankelijke berekeningen van een Monte Carlo-simulatie tegelijk uit te voeren. Dit heeft de snelheid van dit soort simulaties de afgelopen vijftien jaar enorm doen toenemen.
Er wordt ook onderzoek gedaan naar het gebruik van kwantumcomputers voor Monte Carlo-achtige berekeningen, met de belofte van een theoretische versnelling voor bepaalde typen problemen. Dit onderzoek staat echter nog in een pril stadium en heeft tot nu toe geen praktische doorbraak buiten laboratoria opgeleverd; het is onzeker wanneer, en of, dit tot bruikbare toepassingen leidt.
Het belangrijkste obstakel blijft de zogeheten curse of dimensionality (vloek van de dimensionaliteit): naarmate een probleem meer variabelen bevat, groeit het aantal benodigde steekproeven voor een betrouwbare uitkomst sterk. Ook de trage convergentie, waarbij nauwkeurigheid slechts langzaam toeneemt met meer rekenwerk, blijft een fundamentele beperking die alleen deels te omzeilen is met slimmere technieken.
Wie werken eraan?
Los Alamos National Laboratory in de Verenigde Staten geldt als bakermat van de methode en blijft tot op heden een centrum voor onderzoek naar geavanceerde simulatietechnieken, onder meer voor nucleaire veiligheid.
Bij CERN in Zwitserland werken duizenden natuurkundigen en software-ingenieurs uit tientallen landen aan Monte Carlo-simulaties voor deeltjesfysica, vaak in internationale samenwerkingsverbanden.
In de financiële sector investeren grote banken en hedgefondsen wereldwijd, van Wall Street tot Londen, doorlopend in snellere en nauwkeurigere Monte Carlo-modellen voor risicobeheer. Techbedrijven als DeepMind (onderdeel van Google/Alphabet) passen de methode toe binnen kunstmatige intelligentie, met name in combinatie met zoekalgoritmes voor spellen en besluitvorming.
Daarnaast houden universiteiten en nationale rekencentra over de hele wereld, van de Verenigde Staten en Europa tot Japan en China, zich bezig met het verder verbeteren van Monte Carlo-algoritmes voor toepassingen in klimaatwetenschap, materiaalkunde en geneeskunde.