論文の概要: Exploring hyperelastic material model discovery for human brain cortex:
multivariate analysis vs. artificial neural network approaches
- arxiv url: http://arxiv.org/abs/2310.10762v1
- Date: Mon, 16 Oct 2023 18:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 19:17:29.734498
- Title: Exploring hyperelastic material model discovery for human brain cortex:
multivariate analysis vs. artificial neural network approaches
- Title（参考訳）: ヒト大脳皮質における超弾性物質モデル探索--人工ニューラルネットワークによる多変量解析
- Authors: Jixin Hou, Nicholas Filla, Xianyan Chen, Mir Jalil Razavi, Tianming
Liu, and Xianqiao Wang
- Abstract要約: 本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。
我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
- 参考スコア（独自算出の注目度）: 10.003764827561238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional computational methods, such as the finite element analysis, have
provided valuable insights into uncovering the underlying mechanisms of brain
physical behaviors. However, precise predictions of brain physics require
effective constitutive models to represent the intricate mechanical properties
of brain tissue. In this study, we aimed to identify the most favorable
constitutive material model for human brain tissue. To achieve this, we applied
artificial neural network and multiple regression methods to a generalization
of widely accepted classic models, and compared the results obtained from these
two approaches. To evaluate the applicability and efficacy of the model, all
setups were kept consistent across both methods, except for the approach to
prevent potential overfitting. Our results demonstrate that artificial neural
networks are capable of automatically identifying accurate constitutive models
from given admissible estimators. Nonetheless, the five-term and two-term
neural network models trained under single-mode and multi-mode loading
scenarios, were found to be suboptimal and could be further simplified into
two-term and single-term, respectively, with higher accuracy using multiple
regression. Our findings highlight the importance of hyperparameters for the
artificial neural network and emphasize the necessity for detailed
cross-validations of regularization parameters to ensure optimal selection at a
global level in the development of material constitutive models. This study
validates the applicability and accuracy of artificial neural network to
automatically discover constitutive material models with proper regularization
as well as the benefits in model simplification without compromising accuracy
for traditional multivariable regression.
- Abstract（参考訳）: 有限要素分析のような従来の計算手法は、脳の物理的行動の基本的なメカニズムを明らかにするための貴重な洞察を与えてきた。
しかし、脳物理学の正確な予測は、脳組織の複雑な機械的特性を表現する効果的な構成モデルを必要とする。
本研究では,ヒト脳組織において最も好ましい構成物質モデルを同定することを目的とした。
これを実現するために,広く受け入れられている古典モデルの一般化にニューラルネットワークと複数の回帰法を適用し,これら2つのアプローチから得られた結果を比較した。
モデルの適用性と有効性を評価するため、潜在的なオーバーフィッティングを防ぐためのアプローチを除いて、両方の手法で全ての設定が整合性を維持した。
その結果、ニューラルネットワークは、与えられた許容推定値から正確な構成モデルを自動的に識別できることがわかった。
それにもかかわらず、シングルモードとマルチモードのロードシナリオでトレーニングされた5項と2項のニューラルネットワークモデルは、サブ最適であり、さらに2項と1項に単純化され、複数の回帰を用いた精度が向上した。
本研究は, ニューラルネットワークにおけるハイパーパラメータの重要性を強調し, 物質構成モデルの開発において, 地球レベルでの最適選択を確保するために, 正規化パラメータの詳細な相互検証の必要性を強調した。
本研究では,従来の多変量回帰の精度を損なうことなく,適切な正規化を伴う構成材料モデルを自動的に発見するニューラルネットワークの適用可能性と精度を検証する。
関連論文リスト
- Latent Variable Sequence Identification for Cognitive Models with Neural Bayes Estimation [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳（メタデータ） (2024-06-20T21:13:39Z) - 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) - 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) - Neural Frailty Machine: Beyond proportional hazard assumption in neural
survival regressions [30.018173329118184]
生存回帰のための強力なフレキシブルなニューラル・モデリング・フレームワークであるニューラル・フラリティ・マシン(NFM)を提案する。
2つの具体的なモデルは、ニューラル比例ハザードモデルと非ハザード回帰モデルを拡張する枠組みに基づいて導出される。
我々は,異なるスケールのベンチマークデータセットを6ドル以上で評価し,提案したNAMモデルは予測性能において最先端サバイバルモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-03-18T08:15:15Z) - Toward Physically Plausible Data-Driven Models: A Novel Neural Network
Approach to Symbolic Regression [2.7071541526963805]
本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。
非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。
本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2023-02-01T22:05:04Z) - 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) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Learning Queuing Networks by Recurrent Neural Networks [0.0]
データから性能モデルを導出する機械学習手法を提案する。
我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。
これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
論文 参考訳（メタデータ） (2020-02-25T10:56:47Z)
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。