論文の概要: Human Biophysics as Network Weights: Conditional Generative Models for
Ultra-fast Simulation
- arxiv url: http://arxiv.org/abs/2211.01856v1
- Date: Thu, 3 Nov 2022 14:49:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:43:50.725085
- Title: Human Biophysics as Network Weights: Conditional Generative Models for
Ultra-fast Simulation
- Title(参考訳): ネットワークウェイトとしてのヒト生理学:超高速シミュレーションのための条件付き生成モデル
- Authors: Shihan Ma, Alexander Kenneth Clarke, Kostiantyn Maksymenko, Samuel
Deslauriers-Gauthier, Xinjun Sheng, Xiangyang Zhu, Dario Farina
- Abstract要約: 深層潜伏変数モデルの要素と条件付き対向学習を組み合わせたハイブリッドアーキテクチャであるBioMimeを提案する。
そこで我々は,BioMimeが人間の筋肉生理学の複雑な数値モデルを正確に模倣できることを実証した。
- 参考スコア(独自算出の注目度): 59.694872114852835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulations of biophysical systems have provided a huge contribution to our
fundamental understanding of human physiology and remain a central pillar for
developments in medical devices and human machine interfaces. However, despite
their successes, such simulations usually rely on highly computationally
expensive numerical modelling, which is often inefficient to adapt to new
simulation parameters. This limits their use in dynamic models of human
behavior, for example in modelling the electric fields generated by muscles in
a moving arm. We propose the alternative approach to use conditional generative
models, which can learn complex relationships between the underlying generative
conditions whilst remaining inexpensive to sample from. As a demonstration of
this concept, we present BioMime, a hybrid architecture that combines elements
of deep latent variable models and conditional adversarial training to
construct a generative model that can both transform existing data samples to
reflect new modelling assumptions and sample new data from a conditioned
distribution. We demonstrate that BioMime can learn to accurately mimic a
complex numerical model of human muscle biophysics and then use this knowledge
to continuously sample from a dynamically changing system in real-time. We
argue that transfer learning approaches with conditional generative models are
a viable solution for dynamic simulation with any numerical model.
- Abstract(参考訳): 生体物理システムのシミュレーションは、人間の生理学の基本的な理解に大きく貢献し、医療機器やヒューマンマシンインタフェースの発達の柱であり続けている。
しかし、その成功にもかかわらず、そのようなシミュレーションは通常、計算に高価な数値モデリングに依存しており、新しいシミュレーションパラメータに適応するにはしばしば非効率である。
これは人間の行動の動的モデル、例えば動く腕の筋肉によって生じる電界のモデリングにおける使用を制限する。
提案手法は条件付き生成モデルを用いて,コストを抑えつつ,基礎となる生成条件間の複雑な関係を学習する手法である。
この概念の実証として,深層潜伏変数モデルの要素と条件付き逆数学習を組み合わせたハイブリッドアーキテクチャであるBioMimeを提案し,既存のデータサンプルを変換して新しいモデリング仮定を反映し,条件付き分布から新しいデータをサンプリングできる生成モデルを構築した。
我々は,BioMimeが人間の筋肉生理学の複雑な数値モデルを正確に模倣し,この知識を用いて動的に変化するシステムからリアルタイムにサンプルを採取できることを実証した。
我々は、条件付き生成モデルを用いた伝達学習アプローチは、任意の数値モデルを持つ動的シミュレーションにとって有効な解であると主張する。
関連論文リスト
- Harnessing Simulation for Molecular Embeddings [54.93553949058172]
我々は物理に基づく分子シミュレーションを利用して分子埋め込みを開発する。
グラフニューラルネットワークをシミュレーションデータに適合させることで、シミュレーション中の生物学的ターゲットとの類似した相互作用を示す分子は、埋め込み空間において同様の表現を発達させる。
これらの埋め込みは、実世界のデータに基づいて訓練された下流モデルの特徴空間を初期化し、シミュレーション中に学んだ情報を分子予測タスクにエンコードするために使われる。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Learning continuous models for continuous physics [107.47887213490134]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳(メタデータ) (2022-02-17T07:56:46Z) - Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion
Batteries [5.735035463793008]
本稿では,リチウムイオン電池(LiB)の高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。
これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで、物理と機械学習の深い統合を可能にする。
この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
論文 参考訳(メタデータ) (2021-12-24T07:39:02Z) - Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。
結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。
考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
論文 参考訳(メタデータ) (2021-09-10T13:48:43Z) - Abstraction of Markov Population Dynamics via Generative Adversarial
Nets [2.1485350418225244]
計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。
ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。
このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
論文 参考訳(メタデータ) (2021-06-24T12:57:49Z) - Accelerating Stochastic Simulation with Interactive Neural Processes [74.14000505345803]
対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。
我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Inference of cell dynamics on perturbation data using adjoint
sensitivity [4.606583317143614]
データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。
最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。
本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
論文 参考訳(メタデータ) (2021-04-13T19:15:56Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2020-10-28T12:43:46Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。