MOOC
Path Integral Methods in Atomistic Modelling
Description
The course provides an introduction to the use of path integral methods in atomistic simulations.
The path integral formalism allows to introduce quantum mechanical effects on the equilibrium and (approximately) time-dependent behavior of atomic nuclei, which is relevant from cryogenic temperatures to room temperature and above, particularly for systems that contain light elements.
The course is conceived as a series of lectures on topics of increasing difficulty and specialization. For each topic, the complete course will provide a set of lecture notes, complete with pen-and-paper exercises, recorded lectures, and practical exercises based on jupyter notebooks and an advanced molecular dynamics code. The various chapters and content will appear in the coming months, as they become ready.
Molecular Dynamics and Sampling - Michele Ceriotti, EPFL The basics of path integrals - Mariana Rossi, MPG Hamburg Advanced path integral methods - Thomas Markland, Stanford Ring Polymer molecular
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.
Séances de ce MOOC (20)
Efficacité de l'échantillonnage: Fonctions d'ergonomie et d'autocorrélationMOOC: Path Integral Methods in Atomistic Modelling
Explore l'efficacité de l'échantillonnage dans la dynamique moléculaire, en mettant l'accent sur l'ergonomie et les fonctions d'autocorrélation.
Dynamique de Langevin: Méthodes Intégrales de CheminMOOC: Path Integral Methods in Atomistic Modelling
Couvre la dynamique Langevin, l'équation Fokker-Planck, la résolution de l'équation Langevin, et l'efficacité de l'échantillonnage Langevin dans la dynamique moléculaire.
Dynamique moléculaire de l'anneau PolymèreMOOC: Path Integral Methods in Atomistic Modelling
Couvertures Anneau Polymère Dynamique moléculaire, statistiques quantiques, vitesses de réaction chimique, et problèmes de phase condensée.
Fonctions de corrélation quantiqueMOOC: Path Integral Methods in Atomistic Modelling
Explore les fonctions de corrélation quantique et leur rôle dans les simulations de dynamique moléculaire, y compris la reconstruction des fonctions de corrélation standard de celles transformées par Kubo.
Dynamique moléculaire de l'anneau PolymèreMOOC: Path Integral Methods in Atomistic Modelling
Explore la dynamique moléculaire des polymères cycliques, sa précision dans différentes limites, et son application dans les systèmes multidimensionnels et les environnements liquides.
Concepts associés (47)
Dynamique moléculaire
La dynamique moléculaire est une technique de simulation numérique permettant de modéliser l'évolution d'un système de particules au cours du temps. Elle est particulièrement utilisée en sciences des matériaux et pour l'étude des molécules organiques, des protéines, de la matière molle et des macromolécules. En pratique, la dynamique moléculaire consiste à simuler le mouvement d'un ensemble de quelques dizaines à quelques milliers de particules dans un certain environnement (température, pression, champ électromagnétique, conditions aux limites.
Échantillonnage (statistiques)
thumb|Exemple d'échantillonnage aléatoire En statistique, l'échantillonnage désigne les méthodes de sélection d'un sous-ensemble d'individus (un échantillon) à l'intérieur d'une population pour estimer les caractéristiques de l'ensemble de la population. Cette méthode présente plusieurs avantages : une étude restreinte sur une partie de la population, un moindre coût, une collecte des données plus rapide que si l'étude avait été réalisé sur l'ensemble de la population, la réalisation de contrôles destructifs Les résultats obtenus constituent un échantillon.
Mécanique quantique
La mécanique quantique est la branche de la physique théorique qui a succédé à la théorie des quanta et à la mécanique ondulatoire pour étudier et décrire les phénomènes fondamentaux à l'œuvre dans les systèmes physiques, plus particulièrement à l'échelle atomique et subatomique. Elle fut développée dans les années 1920 par une dizaine de physiciens européens, pour résoudre des problèmes que la physique classique échouait à expliquer, comme le rayonnement du corps noir, l'effet photo-électrique, ou l'existence des raies spectrales.
Cours associés (9)
PHYS-467: Machine learning for physicists
Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi
CH-351: Molecular dynamics and Monte-Carlo simulation
Introduction to molecular dynamics and Monte-Carlo simulation methods.
DH-406: Machine learning for DH
This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple
Publications associées (182)
DiffAirfoil: An Efficient Novel Airfoil Sampler Based on Latent Space Diffusion Model for Aerodynamic Shape Optimization
Surrogate-based optimization is widely used for aerodynamic shape optimization, and its effectiveness depends on representative sampling of the design space. However, traditional sampling methods are hard-pressed to effectively sample high-dimensional desi ...
2024Identification of typical district configurations: A two-step global sensitivity analysis framework
François Maréchal, Jonas Schnidrig, Cédric Terrier
The recent geopolitical conflicts in Europe have underscored the vulnerability of the current energy system to the volatility of energy carrier prices. In the prospect of defining robust energy systems ensuring sustainable energy supply in the future, the ...
Pergamon-Elsevier Science Ltd2024Encoding quantum-chemical knowledge into machine-learning models of complex molecular properties
Statistical (machine-learning, ML) models are more and more often used in computational chemistry as a substitute to more expensive ab initio and parametrizable methods. While the ML algorithms are capable of learning physical laws implicitly from data, ad ...
EPFL2024