論文の概要: A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements
- arxiv url: http://arxiv.org/abs/2204.00205v1
- Date: Fri, 1 Apr 2022 04:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 15:16:02.959085
- Title: A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements
- Title（参考訳）: デジタル画像相関測定から生体組織をモデル化する物理誘導ニューラルオペレーター学習手法
- Authors: Huaiqian You, Quinn Zhang, Colton J. Ross, Chung-Hao Lee, Ming-Chen
Hsu, Yue Yu
- Abstract要約: 本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
- 参考スコア（独自算出の注目度）: 3.65211252467094
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a data-driven workflow to biological tissue modeling, which aims
to predict the displacement field based on digital image correlation (DIC)
measurements under unseen loading scenarios, without postulating a specific
constitutive model form nor possessing knowledges on the material
microstructure. To this end, a material database is constructed from the DIC
displacement tracking measurements of multiple biaxial stretching protocols on
a porcine tricuspid valve anterior leaflet, with which we build a neural
operator learning model. The material response is modeled as a solution
operator from the loading to the resultant displacement field, with the
material microstructure properties learned implicitly from the data and
naturally embedded in the network parameters. Using various combinations of
loading protocols, we compare the predictivity of this framework with finite
element analysis based on the phenomenological Fung-type model. From
in-distribution tests, the predictivity of our approach presents good
generalizability to different loading conditions and outperforms the
conventional constitutive modeling at approximately one order of magnitude.
When tested on out-of-distribution loading ratios, the neural operator learning
approach becomes less effective. To improve the generalizability of our
framework, we propose a physics-guided neural operator learning model via
imposing partial physics knowledge. This method is shown to improve the model's
extrapolative performance in the small-deformation regime. Our results
demonstrate that with sufficient data coverage and/or guidance from partial
physics constraints, the data-driven approach can be a more effective method
for modeling biological materials than the traditional constitutive modeling.
- Abstract（参考訳）: 本稿では, 生体組織モデリングのためのデータ駆動ワークフローについて述べる。このワークフローは, 特定の構成モデル形式を仮定せず, 材料ミクロ構造に関する知識も持たずに, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
この目的のために, ブタ三尖弁前葉部における複数の二軸伸展プロトコルのdic変位追跡測定から材料データベースを構築し, ニューラルオペレータ学習モデルを構築した。
材料応答は負荷から変位場への解演算子としてモデル化され、材料微細構造特性はデータから暗黙的に学習され、ネットワークパラメータに自然に埋め込まれる。
ローディングプロトコルの様々な組み合わせを用いて, フェノメノロジー・ファング型モデルに基づく有限要素解析と, このフレームワークの予測性を比較した。
分布試験から, 本手法の予測性は, 異なる荷重条件に対して良好な一般化性を示し, 従来の構成構成モデルよりも約1桁高い値を示した。
分配外負荷比をテストすると、ニューラル演算子学習アプローチはより効果的になる。
フレームワークの一般化性を改善するために,部分物理学知識を取り入れた物理誘導型ニューラル演算子学習モデルを提案する。
本手法は,小変形機構におけるモデル外挿性能の向上を図っている。
以上の結果から, 従来の構成的モデリングよりも, データ駆動型アプローチは, 物理制約から十分なデータカバレッジやガイダンスを得られることが示唆された。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T23:25:08Z) - Neuro-physical dynamic load modeling using differentiable parametric
optimization [1.4279471205248533]
提案した縮小等価性は、ニューラルネットワークで強化された従来のZIP負荷モデルからなる神経物理モデルである。
この神経物理学的ZIP負荷モデルの性能と精度を,中規模350バス伝送分配ネットワークで示す。
論文 参考訳（メタデータ） (2022-03-20T15:34:48Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳（メタデータ） (2022-03-15T19:08:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-09-25T01:13:51Z) - Learning Queuing Networks by Recurrent Neural Networks [0.0]
データから性能モデルを導出する機械学習手法を提案する。
我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。
これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
論文 参考訳（メタデータ） (2020-02-25T10:56:47Z)
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。
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。