論文の概要: AI-Aristotle: A Physics-Informed framework for Systems Biology Gray-Box
Identification
- arxiv url: http://arxiv.org/abs/2310.01433v1
- Date: Fri, 29 Sep 2023 14:45:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 19:56:46.939152
- Title: AI-Aristotle: A Physics-Informed framework for Systems Biology Gray-Box
Identification
- Title(参考訳): AI-Aristotle: システム生物学のグレーボックス識別のための物理インフォームドフレームワーク
- Authors: Nazanin Ahmadi Daryakenari, Mario De Florio, Khemraj Shukla, George Em
Karniadakis
- Abstract要約: 本稿では,システム生物学におけるパラメータ推定と物理識別の欠如 (グレーボックス) のための新しい枠組みを提案する。
提案するフレームワーク - AI-Aristotle は,EXtreme Theory of Functional Connection (X-TFC) ドメイン分割と物理インフォームドニューラルネットワーク (PINN) を組み合わせたものだ。
システム生物学における2つのベンチマーク問題に基づいて,AI-Aristotleの精度,速度,柔軟性,堅牢性を検証した。
- 参考スコア(独自算出の注目度): 1.8434042562191815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering mathematical equations that govern physical and biological
systems from observed data is a fundamental challenge in scientific research.
We present a new physics-informed framework for parameter estimation and
missing physics identification (gray-box) in the field of Systems Biology. The
proposed framework -- named AI-Aristotle -- combines eXtreme Theory of
Functional Connections (X-TFC) domain-decomposition and Physics-Informed Neural
Networks (PINNs) with symbolic regression (SR) techniques for parameter
discovery and gray-box identification. We test the accuracy, speed, flexibility
and robustness of AI-Aristotle based on two benchmark problems in Systems
Biology: a pharmacokinetics drug absorption model, and an ultradian endocrine
model for glucose-insulin interactions. We compare the two machine learning
methods (X-TFC and PINNs), and moreover, we employ two different symbolic
regression techniques to cross-verify our results. While the current work
focuses on the performance of AI-Aristotle based on synthetic data, it can
equally handle noisy experimental data and can even be used for black-box
identification in just a few minutes on a laptop. More broadly, our work
provides insights into the accuracy, cost, scalability, and robustness of
integrating neural networks with symbolic regressors, offering a comprehensive
guide for researchers tackling gray-box identification challenges in complex
dynamical systems in biomedicine and beyond.
- Abstract(参考訳): 観測データから物理系と生物系を管理する数学的方程式を発見することは、科学研究における根本的な課題である。
システム生物学の分野におけるパラメータ推定と物理識別の欠如(グレーボックス)のための新しい物理インフォームドフレームワークを提案する。
提案するフレームワーク - AI-Aristotle - は、EXtreme Theory of Functional Connections (X-TFC)ドメイン分割と、パラメータ発見とグレーボックス識別のためのシンボル回帰(SR)技術を組み合わせたものだ。
システム生物学における2つのベンチマーク問題である薬物吸収モデルとグルコース-インスリン相互作用のウルトラディアン内分泌モデルに基づいて,ai-アリストテレスの正確性,速度,柔軟性,ロバスト性をテストする。
我々は,2つの機械学習手法(X-TFCとPINN)を比較し,その結果を相互に検証するために2つの異なる記号回帰手法を用いる。
現在の研究は、合成データに基づくAI-Aristotleのパフォーマンスに焦点を当てているが、ノイズの多い実験データも同じように扱えるし、ラップトップ上でわずか数分でブラックボックスの識別に使える。
より広い範囲で、我々の研究はニューラルネットワークを象徴的な回帰器と統合することの正確さ、コスト、スケーラビリティ、堅牢性に関する洞察を提供し、バイオメディシンなどにおける複雑な力学系におけるグレーボックスの識別課題に取り組む研究者のための包括的なガイドを提供する。
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) - Physics-informed Neural Network Estimation of Material Properties in
Soft Tissue Nonlinear Biomechanical Models [3.000260570199229]
物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。
提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。
提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
論文 参考訳(メタデータ) (2023-12-15T13:41:20Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳(メタデータ) (2023-11-28T18:58:48Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳(メタデータ) (2023-01-31T19:04:28Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳(メタデータ) (2022-11-22T20:44:28Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳(メタデータ) (2022-09-24T12:51:15Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - 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) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Learning identifiable and interpretable latent models of
high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。
我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。
人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文 参考訳(メタデータ) (2020-11-09T22:00:38Z)
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。