Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Explore l'échantillonnage de l'ensemble canonique, des fluctuations de température, de la distribution lagrangienne étendue et de Maxwell-Boltzmann dans les simulations de dynamique moléculaire.
Couvre le calcul des observables au moyen de distributions de probabilités et l'importance d'un échantillonnage efficace de l'importance dans les simulations.
Explore les mouvements de Monte Carlo en simulation, y compris les mouvements d'essai et les mouvements biaisés, en comparant Monte Carlo avec la dynamique moléculaire.
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 transition de la mécanique quantique à la mécanique classique, la mécanique statistique, les simulations Monte Carlo et les simulations de dynamique moléculaire.
Explore l'échantillonnage de l'ensemble canonique, les fluctuations de température, le contrôle lagrangien étendu et la dynamique moléculaire de la température.
Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Explore l'approche de distribution quasi-stationnaire dans la modélisation de la dynamique moléculaire, couvrant la dynamique de Langevin, la métastabilité et les modèles cinétiques de Monte Carlo.
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.
