Explore l'évolution des simulations biomoléculaires, en mettant l'accent sur des modèles précis, l'augmentation de l'échantillonnage et le rôle transformateur des simulations dans la prédiction des résultats expérimentaux.
Discute de la simulation de la dynamique quantique à plusieurs corps à l'aide de réseaux de neurones artificiels pour surmonter les défis informatiques et stabiliser les solutions.
Explore l'application de modèles générateurs profonds dans la découverte de médicaments, en mettant l'accent sur la conception de petites molécules et l'optimisation des structures moléculaires.
Explore l'amélioration des prédictions d'apprentissage automatique en raffinant les mesures d'erreur et en appliquant des contraintes pour améliorer la précision des prédictions de densité électronique.
Explore l'apprentissage automatique atomistique, intégrant les principes physiques dans les modèles pour prédire avec précision les propriétés moléculaires.
Explore les tendances et les défis de la modélisation de systèmes moléculaires complexes à l'aide d'approches hiérarchiques à plusieurs échelles, couvrant les échelles de durée, les simulations atomistes et les techniques d'appariement des forces.
Couvre la simulation MD de la miniprotéine Trp-cage, en mettant l'accent sur la modélisation implicite des solvants et l'analyse pratique des résultats de simulation.
Fournit une vue d'ensemble des concepts d'apprentissage profond, en se concentrant sur les données, l'architecture du modèle et les défis liés à la gestion de grands ensembles de données.
Décrit le programme de maîtrise en sciences et ingénierie informatiques de l'EPFL, détaillant sa structure, ses projets et ses opportunités de carrière pour les diplômés.
