Fugu-MT 論文翻訳(概要): Human Biophysics as Network Weights: Conditional Generative Models for Ultra-fast Simulation

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: 翻訳完了
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

Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture [0.0]
U-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。このモデルを用いて,機械的セル・ポッツモデルの評価を高速化する。
論文参考訳（メタデータ） (2025-05-01T05:30:38Z)
Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。既存のmemristorの汎用モデルをイベント駆動設定に拡張する。本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
論文参考訳（メタデータ） (2024-06-14T13:17:19Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文参考訳（メタデータ） (2023-07-28T13:22:32Z)
A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
論文参考訳（メタデータ） (2023-07-08T23:01:12Z)
Machine learning for phase ordering dynamics of charge density waves [5.813015022439543]
電荷密度波(CDW)状態の大規模動的シミュレーションのための機械学習フレームワークを提案する。ニューラルネットワークモデルを構築し,周辺環境からの入力により局所的な電子力を高精度かつ効率的に予測する。本研究は,機能電子材料の動的シミュレーションにおけるMLベースの力場モデルの可能性を強調した。
論文参考訳（メタデータ） (2023-03-06T21:00:56Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)
Neural ODE and DAE Modules for Power System Dynamic Modeling [2.342020413587919]
実用的なパワーシステムでは、動的コンポーネントモデリングはモデル決定とモデルキャリブレーションの課題に長年直面してきた。本稿では, ニューラル常微分方程式 (ODE) の一般的な枠組みに基づいて, 電力系統動的成分モデリングのためのニューラル常微分方程式 (ODE) モジュールとニューラル微分代数方程式 (DAE) モジュールを提案する。モジュールはオートエンコーダを採用し、状態変数の次元を高め、人工知能ニューラルネットワーク(ANN)でコンポーネントのダイナミクスをモデル化し、数値積分構造を維持する。
論文参考訳（メタデータ） (2021-10-25T14:15:45Z)
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)
Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。結果は、近似モデルのパワーを示す数値的な例で示される。
論文参考訳（メタデータ） (2020-06-25T16:51:17Z)

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。