据我所知，传统的蒙特卡洛模拟无法告诉您有关系统随时间变化的特性的任何信息。例如，在蒙特卡洛大都会，从一个州到另一个州的进展与系统的时间演化无关。

让我们与平衡分子动力学模拟进行对比。在 MD 中，您实际上是根据粒子的微观运动方程及时演化粒子。在演化一个时间步长的过程中，你必须提出诸如“每个粒子的当前速度是多少？”之类的动力学问题。和“作用在每个粒子上的净力是多少？” 相比之下，在蒙特卡洛的每一步中，你都会挑选出一个粒子，将其传送并问：“这一移动是否使系统更接近或远离平衡？” 请注意我在这里的用词选择：蒙特卡洛中的“传送”与 MD 中的“进化”。

这是实现同一目标的两条途径：获得平衡集合平均量的准确估计，例如压力、对分布函数或自由能。在蒙特卡洛，平均发生在几个静态配置上，每一个都假设在统计上彼此独立。在 MD 中，平均发生在很长的时间间隔内。如果所研究的系统是遍历的，这两种方法应该给出相同的答案。

但是，对于与时间相关的量，您必须关心系统如何从 A 点到达 B 点。在 MD 中，每次移动的原因是明确的：我们只是遵守牛顿第二定律（在一定的数值​​精度范围内） . 在蒙特卡洛，您会根据方便选择小动作。没有任何物理定律阻止你尝试在每一步都彻底重新洗牌；这真的很低效，因为以后很有可能不得不拒绝这一举动。经验（和统计机制）表明小动作更好。

在每种情况下，我们最终都会遇到顺序步骤相互关联的情况。在 MD 的情况下，这些相关性是有意义的，我们可以使用它们来计算扩散系数和粘度等。在蒙特卡洛的情况下，相关性是人为的；连续的步骤是相关的，因为我们将它们设计成这样。

要看到这一点，假设您尝试从蒙特卡洛序列中提取均方位移。您得到的答案将取决于您设置的最大试验排量！