Séance de cours
Conception moléculaire computationnelle: Théorie mathématique, Calcul haute performance, In Vivo Experiments
Description
Cette séance de cours couvre la conception moléculaire computationnelle, se concentrant sur la théorie mathématique, l'informatique haute performance, et In Vivo Experiments. Il traite des défis à relever pour simuler des événements rares, l'utilisation de simulations de dynamique moléculaire et l'importance des corrections quantiques. L'instructeur présente des recherches sur les problèmes stochastiques à plusieurs échelles en biologie moléculaire et systémique, avec un intérêt particulier pour la médecine basée sur l'information.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Séances de cours associées (38)
Méthodes stabilisées explicites : Équations différentielles stochastiques
Couvre des méthodes explicitement stabilisées pour les équations différentielles stochastiques rigides, en analysant leurs propriétés et applications.
Algorithmes d'échantillonnage pour les systèmes encastrés
Explore les algorithmes d'échantillonnage pour les systèmes restreints, en mettant l'accent sur le travail de Benedict Leimkuhler de l'Université d'Édimbourg.
Conception moléculaire computationnelle
Explore la conception moléculaire computationnelle, en mettant l'accent sur la théorie mathématique, l'informatique haute performance et les expériences In Vivo, en mettant l'accent sur la chimie quantique et la dynamique des électrons.
Thermodynamique et énergétique I
Explore les concepts fondamentaux de thermodynamique, les lois, le transfert d'énergie et l'analyse des systèmes.
Machine Learning for Solving PDEs: Méthode de caractéristiques aléatoires
Explore la méthode de fonction aléatoire pour résoudre les PDE à l'aide d'algorithmes d'apprentissage automatique pour approximer efficacement les fonctions à haute dimension.