Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.
Explore les simulations de dynamique moléculaire sous des contraintes holonomiques, en se concentrant sur l'intégration numérique et la formulation d'algorithmes.
Couvre l'environnement informatique pour les exercices de dynamique moléculaire et de Monte Carlo, en mettant l'accent sur la compréhension théorique plutôt que sur les compétences de codage.
Explore les défis à relever pour identifier les matériaux métastables utiles et discute de concepts comme les prédictions de structure, les probabilités d'ensemble et les algorithmes de cartographie.
Explore des méthodes numériques stochastiques efficaces pour la modélisation et l'apprentissage, couvrant des sujets comme le moteur d'analyse et les inhibiteurs de la kinase.
Explore l'échantillonnage de l'ensemble canonique, les fluctuations de température, le contrôle lagrangien étendu et la dynamique moléculaire de la température.
Couvre les bases des simulations de dynamique moléculaire, des propriétés d'ensemble, des formulations de mécanique classique, de l'intégration numérique, de la conservation de l'énergie et des algorithmes de contrainte.
Couvre la théorie et les aspects pratiques des simulations de Monte Carlo en dynamique moléculaire, y compris les moyennes d'ensemble et l'algorithme Metropolis.
Explore les chaînes Markov, Metropolis-Hastings, et la simulation à des fins d'optimisation, soulignant l'importance de l'ergonomie dans la simulation variable efficace.
Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Couvre les méthodes de calcul des systèmes moléculaires à température finie, en mettant l'accent sur l'échantillonnage stochastique et les simulations d'évolution du temps.
