論文の概要: Study of Drug Assimilation in Human System using Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2110.05531v1
• Date: Fri, 8 Oct 2021 07:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 14:36:31.794857
• Title: Study of Drug Assimilation in Human System using Physics Informed Neural Networks
• Title（参考訳）: 物理情報ニューラルネットワークを用いた人体システムにおける薬物同化の研究
• Authors: Kanupriya Goswami, Arpana Sharma, Madhu Pruthi, Richa Gupta
• Abstract要約: 物理情報ニューラルネットワーク(PINN)を用いた人体システムにおける薬物同化の2つの数学的モデルについて検討する。 結果の微分方程式をPINNを用いて解き、関数近似としてフィードフォワード多層パーセプトロンを用い、ネットワークパラメータを最小誤差に調整する。 我々は,PINNのピソンライブラリであるDeepXDEを用いて,薬物同化の2つのモデルを記述する一階微分方程式の同時解法を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Differential equations play a pivotal role in modern world ranging from science, engineering, ecology, economics and finance where these can be used to model many physical systems and processes. In this paper, we study two mathematical models of a drug assimilation in the human system using Physics Informed Neural Networks (PINNs). In the first model, we consider the case of single dose of drug in the human system and in the second case, we consider the course of this drug taken at regular intervals. We have used the compartment diagram to model these cases. The resulting differential equations are solved using PINN, where we employ a feed forward multilayer perceptron as function approximator and the network parameters are tuned for minimum error. Further, the network is trained by finding the gradient of the error function with respect to the network parameters. We have employed DeepXDE, a python library for PINNs, to solve the simultaneous first order differential equations describing the two models of drug assimilation. The results show high degree of accuracy between the exact solution and the predicted solution as much as the resulting error reaches10^(-11) for the first model and 10^(-8) for the second model. This validates the use of PINN in solving any dynamical system.
• Abstract（参考訳）: 微分方程式は、科学、工学、生態学、経済学、金融など、現代の世界で重要な役割を果たす。 本稿では,人間系における薬物同化の2つの数学的モデルについて,物理インフォームドニューラルネットワーク(pinns)を用いて検討する。 第1モデルでは、ヒト系における薬物の1回投与例について検討し、第2モデルでは、この薬物の経過を一定間隔で検討する。 これらのケースをモデル化するために、コンパートメント図を使用しました。 結果の微分方程式をPINNを用いて解き、関数近似器としてフィードフォワード多層パーセプトロンを用い、ネットワークパラメータを最小誤差に調整する。 さらに、ネットワークパラメータに関する誤差関数の勾配を求めることにより、ネットワークを訓練する。 我々は,PINNのピソンライブラリであるDeepXDEを用いて,薬物同化の2つのモデルを記述する一階微分方程式の同時解法を行った。 その結果,第1モデルの誤差が10^(−11)に達し,第2モデルの誤差が10^(−8)に達するほど,正確な解と予測解との間に高い精度が得られた。 これは、任意の力学系の解法におけるPINNの使用を検証する。

関連論文リスト

• Solving partial differential equations with sampled neural networks [1.8590821261905535]
  偏微分方程式(PDE)に対する解の近似は計算科学や工学において重要な問題である。 データに依存しない確率分布から、アンザッツネットワークの隠れた重みとバイアスをサンプリングすることで、両課題を進展させる方法について論じる。
  論文  参考訳（メタデータ） (2024-05-31T14:24:39Z)
• DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission [15.199209463685706]
  ニューラルネットワークを用いて、SIDRの拡散軌跡と係数のマッピングをオフラインで学習する。 11の高感染症に対するPINNと同等の精度で3～4桁のスピードアップを観察した。
  論文  参考訳（メタデータ） (2023-03-24T11:47:16Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• Unsupervised Learning of Solutions to Differential Equations with Generative Adversarial Networks [1.1470070927586016]
  本研究では,教師なしニューラルネットワークを用いた微分方程式の解法を開発した。 差分方程式GAN (DEQGAN) と呼ばれる手法は, 平均二乗誤差を桁違いに低減できることを示す。
  論文  参考訳（メタデータ） (2020-07-21T23:36:36Z)
• 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)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Mean-Field and Kinetic Descriptions of Neural Differential Equations [0.0]
  この研究では、ニューラルネットワークの特定のクラス、すなわち残留ニューラルネットワークに焦点を当てる。 我々は、ネットワークのパラメータ、すなわち重みとバイアスに関する定常状態と感度を分析する。 残留ニューラルネットワークにインスパイアされた微視的ダイナミクスの修正は、ネットワークのフォッカー・プランクの定式化につながる。
  論文  参考訳（メタデータ） (2020-01-07T13:41:27Z)

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。