Explore les surfaces d'énergie potentielles dans les simulations de dynamique moléculaire et l'utilisation de méthodes mécaniques quantiques / moléculaires mixtes.
Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Explore la méthodologie MODNet pour les prévisions des biens matériels, en mettant l'accent sur la sélection des caractéristiques et l'apprentissage supervisé.
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.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore l'évolution de la représentation de l'image, les défis dans l'apprentissage supervisé, les avantages de l'apprentissage auto-supervisé, et les progrès récents dans SSL.
Explore le déchiffrage des empreintes digitales de l'interaction protéine-protéine à l'aide d'un apprentissage en profondeur géométrique et les défis de la conception de l'interaction protéine-protéine computationnelle.
Explore la dynamique d'apprentissage des réseaux neuronaux profonds en utilisant des réseaux linéaires pour l'analyse, couvrant les réseaux à deux couches et à plusieurs couches, l'apprentissage autosupervisé et les avantages de l'initialisation découplée.
Explore la mécanique classique et quantique, couvrant les observables, l'élan, Hamiltonien, et l'équation de Schrödinger, ainsi que la chimie quantique et l'expérience du chat de Schrödinger.
Présente BYOL, une méthode d'apprentissage auto-supervisée de la représentation d'images permettant d'obtenir des résultats de pointe sans paires négatives.
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.
Explore l'amélioration des prédictions d'apprentissage automatique en raffinant les mesures d'erreur et en appliquant des contraintes pour améliorer la précision des prédictions de densité électronique.
