Séance de cours

Systèmes dynamiques : formalisme et bases

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

BIO-341: Dynamical systems in biology

Life is non-linear. This course introduces dynamical systems as a technique for modelling simple biological processes. The emphasis is on the qualitative and numerical analysis of non-linear dynamical models. Examples are taken from biology and population ...

Description

Cette séance de cours présente le formalisme et les bases des systèmes dynamiques, en se concentrant sur la dynamique des populations et la mécanique céleste. Il couvre les équations différentielles, les systèmes non linéaires, les exemples de systèmes dynamiques non linéaires et les solutions utilisant des méthodes géométriques et analytiques.

Enseignant·e·s (2)

Felix Naef

Felix Naef studied theoretical physics at the ETHZ and obtained his PhD from the EPFL in 2000. He then received postdoctoral training at the Center for Studies in Physics and Biology at the Rockefeller University (NYC) under the guidance of Prof. Magnasco. His research focuses on the modeling and interpretation of high-throughput functional data and the study of biomolecular oscillators. He joined ISREC as an associate scientist in early 2004 and is currently Associate Professor in the Institute of Bioengineering (IBI).

Julian Charles Shillcock

Julian received his PhD at Simon Fraser University in Canada for work on Monte Carlo simulations of liquid crystal phase transitions and the elastic properties of fluid and polymerized membranes. He was a Group Leader at the Max Planck Institute of Colloids and Interfaces, Germany for five years applying coarse-grained simulation techniques - principally Dissipative Particle Dynamics (DPD) and Brownian Dynamics - to equilibrium and dynamic properties of fluid lipid membranes. A major target of this research was to reveal the molecular rearrangements that occur during vesicle fusion. During this time, he developed a commercially-available, parallel DPD code that is being used by several universities. He was an Associate Professor at MEMPHYS in the Department of Physics and Chemistry, University of Southern Denmark. He has also worked in industry, designing and writing software for communication satellite simulations (British Aerospace, 1986-1990), and fluid simulation software (Accelrys, Inc., 1998-1999). He joined the Blue Brain Project in 2011, and uses mesoscale simulation techniques, together with theoretical analysis and collaborations with experimentalists, to study the dynamics of cellular processes. Current projects include simulating the formation of the post-synaptic density in dendritic spines and developing theoretical models of the supramolecular organisation of synapses. He also teaches Master's and PhD courses in computational cell biology and biophysics. He wrote and maintains an open source dissipative particle dynamics simulation code: https://github.com/Osprey-DPD/osprey-dpd Orcid: orcid.org/0000-0002-7885-735X

Source officielle

Proximité ontologique

Mathématiques

Analyse (mathématiques): Équation différentielle

Concepts associés (32)

Stabilité numérique

En analyse numérique, une branche des mathématiques, la stabilité numérique est une propriété globale d’un algorithme numérique, une qualité nécessaire pour espérer obtenir des résultats ayant du sens. Une définition rigoureuse de la stabilité dépend du contexte. Elle se réfère à la propagation des erreurs au cours des étapes du calcul, à la capacité de l’algorithme de ne pas trop amplifier d’éventuels écarts, à la précision des résultats obtenus. Le concept de stabilité ne se limite pas aux erreurs d’arrondis et à leurs conséquences.

Équation différentielle ordinaire

En mathématiques, une équation différentielle ordinaire (parfois simplement appelée équation différentielle et abrégée en EDO) est une équation différentielle dont la ou les fonctions inconnues ne dépendent que d'une seule variable; elle se présente sous la forme d'une relation entre ces fonctions inconnues et leurs dérivées successives. Le terme ordinaire est utilisé par opposition au terme équation différentielle partielle (plus communément équation aux dérivées partielles, ou EDP) où la ou les fonctions inconnues peuvent dépendre de plusieurs variables.

Équation différentielle

En mathématiques, une équation différentielle est une équation dont la ou les « inconnue(s) » sont des fonctions ; elle se présente sous la forme d'une relation entre ces fonctions inconnues et leurs dérivées successives. C'est un cas particulier d'équation fonctionnelle. On distingue généralement deux types d'équations différentielles : les équations différentielles ordinaires (EDO) où la ou les fonctions inconnues recherchées ne dépendent que d'une seule variable ; les équations différentielles partielles, plutôt appelées équations aux dérivées partielles (EDP), où la ou les fonctions inconnues recherchées peuvent dépendre de plusieurs variables indépendantes.

Équation différentielle linéaire

Une équation différentielle linéaire est un cas particulier d'équation différentielle pour lequel on peut appliquer des procédés de superposition de solutions, et exploiter des résultats d'algèbre linéaire. De nombreuses équations différentielles de la physique vérifient la propriété de linéarité. De plus, les équations différentielles linéaires apparaissent naturellement en perturbant une équation différentielle (non linéaire) autour d'une de ses solutions.

Analyse numérique

L’analyse numérique est une discipline à l'interface des mathématiques et de l'informatique. Elle s’intéresse tant aux fondements qu’à la mise en pratique des méthodes permettant de résoudre, par des calculs purement numériques, des problèmes d’analyse mathématique. Plus formellement, l’analyse numérique est l’étude des algorithmes permettant de résoudre numériquement par discrétisation les problèmes de mathématiques continues (distinguées des mathématiques discrètes).

Afficher plus

Séances de cours associées (64)

Systèmes dynamiques: points d'équilibre et stabilité

Couvre les systèmes dynamiques, les points d'équilibre, l'analyse de stabilité et les placettes de phase à l'aide d'exemples comme le système pendulaire.

Systèmes dynamiques en biologie

Couvre les systèmes dynamiques en biologie, y compris les trajectoires, la stabilité et l'analyse qualitative.

Schémas implicites dans l'analyse numérique

Explore les schémas implicites dans l'analyse numérique, en mettant l'accent sur les propriétés de stabilité et de convergence dans la résolution des équations différentielles.

Analyse numérique: Introduction aux méthodes de calcul

Couvre les bases de l'analyse numérique et des méthodes de calcul utilisant Python, en se concentrant sur les algorithmes et les applications pratiques en mathématiques.

Différenciation numérique: Partie 1

Couvre la différenciation numérique, les différences en avant, l'expansion de Taylor, la notation Big O et la minimisation des erreurs.

Afficher plus

Concepts associés (32)

Stabilité numérique

Équation différentielle ordinaire

Équation différentielle

Équation différentielle linéaire

Analyse numérique

Afficher plus