論文の概要: DeepABM: Scalable, efficient and differentiable agent-based simulations via graph neural networks

• arxiv url: http://arxiv.org/abs/2110.04421v1
• Date: Sat, 9 Oct 2021 00:46:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-17 05:05:59.511293
• Title: DeepABM: Scalable, efficient and differentiable agent-based simulations via graph neural networks
• Title（参考訳）: DeepABM:グラフニューラルネットワークによるスケーラブルで効率的で差別化可能なエージェントベースシミュレーション
• Authors: Ayush Chopra, Esma Gel, Jayakumar Subramanian, Balaji Krishnamurthy, Santiago Romero-Brufau, Kalyan S. Pasupathy, Thomas C. Kingsley, Ramesh Raskar
• Abstract要約: 我々は,グラフニューラルネットワークの幾何学的メッセージパッシングを利用したエージェントベースモデリングのためのフレームワークであるDeepABMを紹介した。 具体的には、DeepABM-COVIDは90秒で2億件のインタラクション(180のタイムステップで10万件以上のエージェント)をモデル化できる。 臨床および公衆衛生の専門家と共同で、新型コロナウイルスワクチンの第2回投与を遅らせる効果を評価するために、ある研究結果について論じる。
• 参考スコア（独自算出の注目度）: 18.50340156403979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DeepABM, a framework for agent-based modeling that leverages geometric message passing of graph neural networks for simulating action and interactions over large agent populations. Using DeepABM allows scaling simulations to large agent populations in real-time and running them efficiently on GPU architectures. To demonstrate the effectiveness of DeepABM, we build DeepABM-COVID simulator to provide support for various non-pharmaceutical interventions (quarantine, exposure notification, vaccination, testing) for the COVID-19 pandemic, and can scale to populations of representative size in real-time on a GPU. Specifically, DeepABM-COVID can model 200 million interactions (over 100,000 agents across 180 time-steps) in 90 seconds, and is made available online to help researchers with modeling and analysis of various interventions. We explain various components of the framework and discuss results from one research study to evaluate the impact of delaying the second dose of the COVID-19 vaccine in collaboration with clinical and public health experts. While we simulate COVID-19 spread, the ideas introduced in the paper are generic and can be easily extend to other forms of agent-based simulations. Furthermore, while beyond scope of this document, DeepABM enables inverse agent-based simulations which can be used to learn physical parameters in the (micro) simulations using gradient-based optimization with large-scale real-world (macro) data. We are optimistic that the current work can have interesting implications for bringing ABM and AI communities closer.
• Abstract（参考訳）: 我々は,グラフニューラルネットワークの幾何学的メッセージパッシングを利用したエージェントベースモデリングのためのフレームワークであるDeepABMを紹介した。 DeepABMを使用することで、大規模なエージェント集団をリアルタイムでスケーリングし、GPUアーキテクチャ上で効率的に実行することが可能になる。 deepabmの有効性を示すために,我々は,新型コロナウイルス(covid-19)パンデミックに対するさまざまな非薬剤的介入(検疫,暴露通知,ワクチン接種,検査)のサポートを提供するために,deepabm-covidシミュレータを構築した。 具体的には、DeepABM-COVIDは90秒で2億件のインタラクション(180のタイムステップにまたがる10万件以上のエージェント)をモデル化し、研究者が様々な介入のモデリングと分析を行うのを助けるためにオンラインで公開されている。 このフレームワークの様々な構成要素を説明し、臨床および公衆衛生の専門家と共同で、COVID-19ワクチンの第2回投与を遅らせる影響を評価するための研究結果について述べる。 新型コロナウイルスの拡散をシミュレートする一方で、論文で紹介されたアイデアは汎用的で、他のエージェントベースのシミュレーションにも容易に拡張できる。 さらに、この文書の範囲を超えて、deepabmは、大規模実世界(macro)データを用いた勾配に基づく最適化を用いて、(マイクロ)シミュレーションにおける物理パラメータの学習に使用できる逆エージェントベースのシミュレーションを可能にする。 ABMとAIコミュニティを近づけるために、現在の作業が興味深い意味を持つ可能性があると楽観視しています。

関連論文リスト

• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。 次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Sparse high-dimensional linear mixed modeling with a partitioned empirical Bayes ECM algorithm [41.25603565852633]
  この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。 このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。 実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
  論文  参考訳（メタデータ） (2023-10-18T19:34:56Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A Microscopic Pandemic Simulator for Pandemic Prediction Using Scalable Million-Agent Reinforcement Learning [7.653466578233261]
  本稿では, 深部強化学習型顕微鏡モデルであるMicroscopic Pandemic Simulator (MPS)を提案する。 ルールベースのエージェントを、報酬を最大化するために行動が促される合理的エージェントに置き換えることによって、MPSは現実世界のダイナミクスをよりよく近似する。 本稿ではまず,米国アレゲニーにおける実世界のデータに対してMPSを校正し,情報開示と隔離という2つの政府の戦略を実証的に評価する。
  論文  参考訳（メタデータ） (2021-08-14T17:07:25Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
  今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。 様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
  論文  参考訳（メタデータ） (2020-07-31T23:37:38Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。