論文の概要: A Data-Driven Approach to Morphogenesis under Structural Instability

• arxiv url: http://arxiv.org/abs/2308.11846v1
• Date: Wed, 23 Aug 2023 00:51:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 16:58:08.922496
• Title: A Data-Driven Approach to Morphogenesis under Structural Instability
• Title（参考訳）: 構造不安定下における形態形成へのデータ駆動アプローチ
• Authors: Yingjie Zhao and Zhiping Xu
• Abstract要約: 形態的複雑さを理解し予測するためのデータ駆動型手法を提案する。 内部または外部の強制によって引き起こされる形態形成の物理的モデリングに基づいて機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.223779595809275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Morphological development into evolutionary patterns under structural instability is ubiquitous in living systems and often of vital importance for engineering structures. Here we propose a data-driven approach to understand and predict their spatiotemporal complexities. A machine-learning framework is proposed based on the physical modeling of morphogenesis triggered by internal or external forcing. Digital libraries of structural patterns are constructed from the simulation data, which are then used to recognize the abnormalities, predict their development, and assist in risk assessment and prognosis. The capabilities to identify the key bifurcation characteristics and predict the history-dependent development from the global and local features are demonstrated by examples of brain growth and aerospace structural design, which offer guidelines for disease diagnosis/prognosis and instability-tolerant design.
• Abstract（参考訳）: 構造不安定下での進化パターンへの形態的発達は、生体系において至るところで見られ、しばしば工学構造にとって重要なものである。 本稿では,その時空間的複雑さを理解し,予測するためのデータ駆動アプローチを提案する。 内部または外部の強制によって引き起こされる形態形成の物理的モデリングに基づいて機械学習フレームワークを提案する。 構造パターンのデジタルライブラリはシミュレーションデータから構築され、異常を認識し、発生を予測し、リスク評価と予後を補助するために使用される。 重要な分岐特性を特定し、世界的および地域的特徴から歴史依存的な発展を予測する能力は、脳の成長と航空宇宙構造設計の例によって示され、疾患の診断/予後および不安定耐性設計のガイドラインを提供する。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• No Foundations without Foundations -- Why semi-mechanistic models are essential for regulatory biology [5.925258390690544]
  規制生物学の真の「基礎モデル」は、機械的洞察を原理化された実験設計と統合するフレームワークによってガイドされない限り、手の届かないままである、と我々は主張する。 本稿では、摂動に基づく実験設計を統一する基礎的な半機械的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-31T14:43:16Z)
• NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models [6.75152379258166]
  本稿では, 生体分子間相互作用における最先端の予測精度を実現するフローベース生成モデルであるNeuralPLexer3を提案する。 新たに開発されたベンチマーク戦略により、NeuralPLexer3は、構造ベースの医薬品設計に不可欠な重要な領域に優れています。
  論文  参考訳（メタデータ） (2024-12-14T08:28:45Z)
• Predictive Pattern Recognition Techniques Towards Spatiotemporal Representation of Plant Growth in Simulated and Controlled Environments: A Comprehensive Review [0.0]
  本稿では,最先端の予測パターン認識技術について概説する。 植物形質の確率論的モデリングと動的環境相互作用の統合に着目した。 主なトピックは、予測タスクのための回帰とニューラルネットワークベースの表現モデルだ。
  論文  参考訳（メタデータ） (2024-12-13T20:22:35Z)
• On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
  逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。 対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。 情報構造を明示する新しい強化学習モデルを定式化する。
  論文  参考訳（メタデータ） (2024-03-01T21:28:19Z)
• Efficient Surrogate Models for Materials Science Simulations: Machine Learning-based Prediction of Microstructure Properties [0.0]
  いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。 材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
  論文  参考訳（メタデータ） (2023-09-01T07:29:44Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• CycleGAN for Undamaged-to-Damaged Domain Translation for Structural Health Monitoring and Damage Detection [0.618778092044887]
  現在使用されているAIベースの損傷診断と予後診断のためのデータ駆動手法は、その構造の歴史的データを中心にしている。 本研究では,GAN(Generative Adversarial Networks, GAN, Cycle-Consistent Wasserstein Deep Convolutional GAN with Gradient Penalty (CycleWDCGAN-GP)モデルを用いた。 本研究の結果から, 本モデルでは, 将来的な損傷条件に対する構造の将来的な応答を正確に生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-16T02:31:38Z)
• 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)

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。