Explore les progrès dans les potentiels interatomiques pour les matériaux, en mettant l'accent sur la précision, la modélisation à plusieurs échelles et les défis dans la création de potentiels réactifs.
Couvre la théorie et les applications pratiques des simulations de pliage de protéines en utilisant la dynamique moléculaire, en se concentrant sur les effets des solvants et l'analyse de la dynamique de pliage.
Explore les surfaces d'énergie potentielles dans les simulations de dynamique moléculaire et l'utilisation de méthodes mécaniques quantiques / moléculaires mixtes.
Explore la méthodologie MODNet pour les prévisions des biens matériels, en mettant l'accent sur la sélection des caractéristiques et l'apprentissage supervisé.
Explore les simulations moléculaires, les techniques d'échantillonnage améliorées, les coordonnées des réactions et les méthodes d'échantillonnage d'événements rares dans des systèmes complexes.
Offre une introduction pratique à la modélisation à l'échelle atomique à travers des carnets Jupyter, en mettant l'accent sur les concepts fondamentaux de la science des matériaux.
Déplacez-vous dans la quantification de l'incertitude dans la dynamique moléculaire, en mettant l'accent sur les matériaux aérospatiaux, les décisions de modélisation et la dynamique à grain grossier.
Explore les méthodes de calcul pour prédire les mécanismes thérapeutiques de la COVID-19 par la réépuration des médicaments et l'apprentissage automatique.
Couvre les champs de force classiques, les simulations de dynamique moléculaire et les propriétés supramoléculaires, y compris les interactions intramoléculaires et intermoléculaires.
Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.
Explore les simulations de la dynamique moléculaire pour étudier les matériaux de ciment et les processus de diffusion, couvrant les algorithmes, les champs de force, l'analyse des données et les ressources recommandées.
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 les équations généralisées de Langevin et leurs implications computationnelles dans les simulations de dynamique moléculaire, en mettant l'accent sur l'impact des détails sonores sur les trajectoires des particules.
S'insère dans l'automatisation de la synthèse chimique par la découverte et l'optimisation de catalyseurs à l'aide de l'apprentissage automatique et de la chimie computationnelle.
Par Meenakshi Khosla explore la modélisation basée sur les données dans les neurosciences naturalistes à grande échelle, en mettant l'accent sur la représentation de l'activité cérébrale et les modèles de calcul.
Commémore 50 ans de CECAM et le Prix Berni J. Alder CECAM, qui couvre des jalons dans les méthodes de calcul, la mécanique quantique, le mouvement de glissement, et plus encore.
