Explore les surfaces d'énergie potentielles dans les simulations de dynamique moléculaire et l'utilisation de méthodes mécaniques quantiques / moléculaires mixtes.
Explore les simulations de dynamique moléculaire sous des contraintes holonomiques, en se concentrant sur l'intégration numérique et la formulation d'algorithmes.
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.
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.
Explore les simulations QM/MM à l'aide de la théorie de l'ensemble Blue Moon, en se concentrant sur l'analyse des erreurs, le redimensionnement de masse ionique, la comparaison de stabilité et le contrôle de la température.
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.
Couvre les méthodes de calcul des systèmes moléculaires à température finie, en mettant l'accent sur l'échantillonnage stochastique et les simulations d'évolution du temps.
Explore la dynamique moléculaire Car-Parrinello, une approche unifiée combinant la dynamique moléculaire et la théorie de la densité-fonctionnelle pour simuler divers systèmes, en mettant l'accent sur le contexte historique, les détails techniques et les défis dans les simulations atomistes.
Couvre la simulation de la dynamique moléculaire de l'argon liquide à l'aide du potentiel de Lennard-Jones et se concentre sur l'équilibre et la distribution des vitesses à l'équilibre.
Introduction de la dynamique moléculaire intégrale et de ses applications en mécanique quantique, en se concentrant sur les effets quantiques nucléaires et leurs implications pour les simulations moléculaires.
Explore des simulations informatiques en biologie cellulaire, en se concentrant sur la dynamique moléculaire et Monte Carlo, pour mieux comprendre les systèmes biologiques complexes et leurs limites.
Explore l'apprentissage automatique atomistique, intégrant les principes physiques dans les modèles pour prédire avec précision les propriétés moléculaires.
Couvre les fondamentaux des signaux neuraux et du traitement des signaux, en mettant l'accent sur la modélisation et la simulation des systèmes neuraux.
