論文の概要: Towards Learned Simulators for Cell Migration
- arxiv url: http://arxiv.org/abs/2210.01123v1
- Date: Sun, 2 Oct 2022 14:01:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 14:06:55.393559
- Title: Towards Learned Simulators for Cell Migration
- Title(参考訳): 細胞移動シミュレーションの学習に向けて
- Authors: Koen Minartz, Yoeri Poels, Vlado Menkovski
- Abstract要約: 細胞力学のための神経シミュレーターは、実験室実験や従来の方法を拡張して、細胞と物理的環境との相互作用の理解を高めることができる。
本稿では,単一細胞移動のダイナミクスを再現できる自己回帰確率モデルを提案する。
標準の単段階学習手法が不整合安定性をもたらすだけでなく,ダイナミクスの側面を正確に把握できないことも観察した。
- 参考スコア(独自算出の注目度): 2.5331228143087565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulators driven by deep learning are gaining popularity as a tool for
efficiently emulating accurate but expensive numerical simulators. Successful
applications of such neural simulators can be found in the domains of physics,
chemistry, and structural biology, amongst others. Likewise, a neural simulator
for cellular dynamics can augment lab experiments and traditional computational
methods to enhance our understanding of a cell's interaction with its physical
environment. In this work, we propose an autoregressive probabilistic model
that can reproduce spatiotemporal dynamics of single cell migration,
traditionally simulated with the Cellular Potts model. We observe that standard
single-step training methods do not only lead to inconsistent rollout
stability, but also fail to accurately capture the stochastic aspects of the
dynamics, and we propose training strategies to mitigate these issues. Our
evaluation on two proof-of-concept experimental scenarios shows that neural
methods have the potential to faithfully simulate stochastic cellular dynamics
at least an order of magnitude faster than a state-of-the-art implementation of
the Cellular Potts model.
- Abstract(参考訳): ディープラーニングによって駆動されるシミュレータは、正確だが高価な数値シミュレータを効率的にエミュレートするためのツールとして人気を集めている。
このような神経シミュレーターの成功例は、物理学、化学、構造生物学などの領域で見ることができる。
同様に、細胞力学のための神経シミュレーターは、実験室実験と従来の計算方法を拡張し、細胞と物理的環境との相互作用の理解を高めることができる。
本研究では,従来セルラポッツモデルでシミュレートされていた単一細胞移動の時空間ダイナミクスを再現できる自己回帰確率モデルを提案する。
標準の単段トレーニング手法はロールアウト安定性の一貫性を損なうだけでなく,ダイナミクスの確率的側面を正確に把握できないため,これらの問題を緩和するためのトレーニング戦略を提案する。
概念実証実験の2つのシナリオの評価から, ニューラルネットワークは, セルポッツモデルの最先端実装よりも少なくとも1桁早く, 確率的細胞力学を忠実にシミュレートできる可能性が示唆された。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学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。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳(メタデータ) (2023-01-11T18:17:10Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Constraint-based graph network simulator [9.462808515258464]
制約に基づく学習シミュレーションのためのフレームワークを提案する。
本稿では,制約関数としてグラフニューラルネットワークを用い,勾配降下を制約解として実装する。
我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2021-12-16T19:15:11Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳(メタデータ) (2021-09-22T16:52:51Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Building high accuracy emulators for scientific simulations with deep
neural architecture search [0.0]
機械学習で高速エミュレータを構築することでシミュレーションを加速するための有望なルートは、大規模なトレーニングデータセットを必要とする。
ここでは,学習データに制限がある場合でも,正確なエミュレータを構築するためのニューラルネットワーク探索に基づく手法を提案する。
この手法は、天体物理学、気候科学、生物地球化学、高エネルギー密度物理学、核融合エネルギー、地震学を含む10の科学ケースにおいて、シミュレーションを最大20億回加速させることに成功した。
論文 参考訳(メタデータ) (2020-01-17T22:14:12Z)
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。