Hamiltonian Monte Carlo (HMC) adalah algoritma yang digunakan dalam pemodelan statistik Bayesian. Ini adalah algoritma Markov Chain Monte Carlo (MCMC) yang memanfaatkan mekanika Hamiltonian untuk secara efisien mengeksplorasi wilayah yang berpotensi melengkung dari distribusi probabilitas posterior dari sekumpulan parameter. Algoritme berulang kali mengambil sampel parameter dari sistem Hamilton hipotetis dengan tingkat energi tertentu, dan kemudian menyesuaikan tingkat energi di setiap iterasi. Hal ini memungkinkan algoritme untuk secara dinamis mengeksplorasi wilayah distribusi posterior yang lebih luas dibandingkan algoritme MCMC konvensional, yang tetap berada dalam wilayah ruang yang telah ditentukan sebelumnya.
HMC memberikan pendekatan yang kuat untuk mengambil sampel distribusi posterior potensial, dan digunakan dalam banyak aplikasi statistik, seperti regresi Bayesian, dan dalam algoritma pembelajaran mesin. HMC terbukti memiliki kinerja lebih baik daripada algoritma MCMC tradisional dengan memanfaatkan informasi tentang distribusi probabilitas posterior. Selain itu, algoritme ini tidak memerlukan banyak penyetelan atau pengetahuan tentang distribusi yang mendasarinya.
HMC dikembangkan oleh Neal Radford dan Geoffrey Hinton pada tahun 1990an. Radford terinspirasi oleh perkembangan terkini fisika Hamilton, dan mengembangkan algoritma sebagai cara untuk memahami perilaku sistem fisik. Selain itu, algoritma ini digunakan oleh Hinton dan Radford untuk mengeksplorasi struktur jaringan saraf.
