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.
