Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Explore l'échantillonnage de l'ensemble canonique, des fluctuations de température, de la distribution lagrangienne étendue et de Maxwell-Boltzmann dans les simulations de dynamique moléculaire.
Couvre le calcul des observables au moyen de distributions de probabilités et l'importance d'un échantillonnage efficace de l'importance dans les simulations.
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
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 mouvements de Monte Carlo en simulation, y compris les mouvements d'essai et les mouvements biaisés, en comparant Monte Carlo avec la dynamique moléculaire.
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.
Couvre la transition de la mécanique quantique à la mécanique classique, la mécanique statistique, les simulations Monte Carlo et les simulations de dynamique moléculaire.
Explore l'échantillonnage de l'ensemble canonique, les fluctuations de température, le contrôle lagrangien étendu et la dynamique moléculaire de la température.
Explore l'échantillonnage de la dynamique moléculaire, les lois de conservation, les fluctuations d'énergie et divers thermostats utilisés pour les simulations.
