Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Couvre les méthodes numériques pour résoudre les équations différentielles et leur analyse de stabilité, en se concentrant sur le calcul des erreurs et les applications pratiques en ingénierie et en science.
Explore les méthodes numériques pour résoudre l'équation de Schrdinger en fonction du temps à l'aide de la représentation en grille et des algorithmes à opérateur divisé.
Explore les techniques avancées de discrétisation de l'espace dans l'analyse numérique pour résoudre les systèmes différentiels de manière efficace et précise.
Explore le transport optimal et les flux de gradient dans Rd, en mettant l'accent sur la convergence et le rôle des théorèmes de Lipschitz et Picard-Lindelf.