De nombreuses applications demandent de pouvoir échantillonner
efficacement des mesures de probabilité données sous la forme mu(dx) =
exp(-V(x))dx, où le potentiel V peut avoir de nombreux puits.
Pour permettre à un algorithme de Monte-Carlo de "sortir des puits",
diverses méthodes sont utilisées en pratique. L'une d'entre elles, la
"métadynamique", consiste à augmenter le potentiel dans les zones
beaucoup visitées, ce qui force l'algorithme à les quitter pour en
explorer d'autres. Nous étudierons deux modèles simplifiés de cet
algorithme pour en souligner les forces et les faiblesses.