Dynamique moléculaire intégrée du chemin

Description

Cette séance de cours porte sur les simulations pratiques de dynamique moléculaire intégrale, y compris la propagation numérique du système Pl, les thermostats, les ingrédients de simulation PIMD, les estimateurs dans les simulations Pl, l'énergie cinétique pour les effets isotopiques, la convergence avec le nombre de répliques, et le logiciel i-PI. Il met l'accent sur le calcul des propriétés dépendantes de la position, les estimateurs d'énergie cinétique quantique et l'importance de déterminer le nombre de répliques PI pour des résultats précis.

Connectez-vous pour regarder la vidéo

Source officielle

https://mediaspace.epfl.ch/media/0_iwsur24s

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.

Séances de cours associées (32)

Concepts associés (32)

Extremum estimator

In statistics and econometrics, extremum estimators are a wide class of estimators for parametric models that are calculated through maximization (or minimization) of a certain objective function, which depends on the data. The general theory of extremum estimators was developed by . An estimator is called an extremum estimator, if there is an objective function such that where Θ is the parameter space. Sometimes a slightly weaker definition is given: where op(1) is the variable converging in probability to zero.

Convergence uniforme

La convergence uniforme d'une suite de fonctions est une forme de convergence plus exigeante que la convergence simple. La convergence devient uniforme quand toutes les suites avancent vers leur limite respective avec une sorte de « mouvement d'ensemble ». Dans le cas de fonctions numériques d'une variable, la notion prend une forme d'« évidence » géométrique : le graphe de la fonction f se « rapproche » de celui de la limite. Soient X un ensemble, (Y, d) un espace métrique, et A un sous-ensemble de X.

Convergence de variables aléatoires

Dans la théorie des probabilités, il existe différentes notions de convergence de variables aléatoires. La convergence (dans un des sens décrits ci-dessous) de suites de variables aléatoires est un concept important de la théorie des probabilités utilisé notamment en statistique et dans l'étude des processus stochastiques. Par exemple, la moyenne de n variables aléatoires indépendantes et identiquement distribuées converge presque sûrement vers l'espérance commune de ces variables aléatoires (si celle-ci existe).

Intégrale curviligne

En géométrie différentielle, l'intégrale curviligne est une intégrale où la fonction à intégrer est évaluée sur une courbe Γ. Il y a deux types d'intégrales curvilignes, selon que la fonction est à valeurs réelles ou à valeurs dans les formes linéaires. Le second type (qui peut se reformuler en termes de circulation d'un champ de vecteurs) a comme cas particulier les intégrales que l'on considère en analyse complexe. Dans cet article, Γ est un arc orienté dans R, rectifiable c'est-à-dire paramétré par une fonction continue à variation bornée t ↦ γ(t), avec t ∈ [a, b].

Estimateur (statistique)

En statistique, un estimateur est une fonction permettant d'estimer un moment d'une loi de probabilité (comme son espérance ou sa variance). Il peut par exemple servir à estimer certaines caractéristiques d'une population totale à partir de données obtenues sur un échantillon comme lors d'un sondage. La définition et l'utilisation de tels estimateurs constitue la statistique inférentielle. La qualité des estimateurs s'exprime par leur convergence, leur biais, leur efficacité et leur robustesse.