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.
