Fugu-MT 論文翻訳(概要): Physics-based machine learning for modeling stochastic IP3-dependent calcium dynamics

論文の概要: Physics-based machine learning for modeling stochastic IP3-dependent calcium dynamics

arxiv url: http://arxiv.org/abs/2109.05053v1
Date: Fri, 10 Sep 2021 18:33:24 GMT
ステータス: 処理完了
システム内更新日: 2021-09-14 15:11:04.254834
Title: Physics-based machine learning for modeling stochastic IP3-dependent calcium dynamics
Title（参考訳）: 確率IP3依存性カルシウムダイナミクスモデリングのための物理ベース機械学習
Authors: Oliver K. Ernst, Tom Bartol, Terrence Sejnowski, Eric Mjolsness
Abstract要約: 本手法は,反応ネットワークのシミュレーションから有効確率分布と微分方程式モデルを推定する。縮小された記述と微細な記述の密接な関係は、マスター方程式から導かれる近似を学習問題に導入することを可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a machine learning method for model reduction which incorporates domain-specific physics through candidate functions. Our method estimates an effective probability distribution and differential equation model from stochastic simulations of a reaction network. The close connection between reduced and fine scale descriptions allows approximations derived from the master equation to be introduced into the learning problem. This representation is shown to improve generalization and allows a large reduction in network size for a classic model of inositol trisphosphate (IP3) dependent calcium oscillations in non-excitable cells.
Abstract（参考訳）: 本稿では,候補関数によるドメイン固有物理を組み込んだモデル縮小のための機械学習手法を提案する。本手法は,反応ネットワークの確率シミュレーションから有効確率分布と微分方程式モデルを推定する。縮小記述と細スケール記述の密接な関係は、マスター方程式から導かれる近似を学習問題に導入することを可能にする。この表現は一般化を改善できることが示されており、イノシトール三リン酸(ip3)依存性カルシウム振動の古典的なモデルではネットワークサイズが大幅に削減される。

関連論文リスト

Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
Slow Invariant Manifolds of Singularly Perturbed Systems via Physics-Informed Machine Learning [0.0]
特異摂動系の遅い不変多様体(SIM)を近似するための物理インフォームド・機械学習(PIML)手法を提案する。提案手法では,従来のGSPT法よりも精度の高い近似法が提案されている。また、学習過程において必要となる微分の記号的、自動的、数値的近似の計算コストの比較を行う。
論文参考訳（メタデータ） (2023-09-14T14:10:22Z)
Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文参考訳（メタデータ） (2023-06-19T06:02:53Z)
Pseudo-Hamiltonian neural networks for learning partial differential equations [0.0]
Pseudo-Hamiltonian Neural Network (PHNN)は、最近、通常の微分方程式でモデル化できる力学系を学ぶために導入された。本稿では,この手法を偏微分方程式に拡張する。得られたモデルは、保存、散逸、外部力を表す用語をモデル化する最大3つのニューラルネットワークと、学習または入力として与えられる個別の畳み込み演算子から構成される。
論文参考訳（メタデータ） (2023-04-27T17:46:00Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文参考訳（メタデータ） (2022-03-31T12:52:25Z)
Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
論文参考訳（メタデータ） (2022-02-24T18:21:01Z)
A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文参考訳（メタデータ） (2021-10-26T07:02:14Z)
Recurrent Localization Networks applied to the Lippmann-Schwinger Equation [0.0]
一般化Lippmann-Schwinger (L-S) 型の方程式を解くための新しい機械学習手法を提案する。学習に基づくループアンロールの一部として、リカレント畳み込みニューラルネットワークを用いて、関心のある分野の制御方程式を反復的に解く。本研究では, 局所的(ボクセルレベル)弾性ひずみの予測において, 優れた精度が得られる2相弾性局在問題に対する学習手法を示す。
論文参考訳（メタデータ） (2021-01-29T20:54:17Z)
Sobolev training of thermodynamic-informed neural networks for smoothed elasto-plasticity models with level set hardening [0.0]
本研究では, 可視成分を用いた平滑な弾塑性モデルの学習を目的としたディープラーニングフレームワークを提案する。収率関数を進化レベル集合として再キャストすることにより、ハミルトン・ヤコビ方程式の解を予測する機械学習手法を導入する。
論文参考訳（メタデータ） (2020-10-15T22:43:32Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。