論文の概要: Deep Learning for Fast Inference of Mechanistic Models' Parameters
- arxiv url: http://arxiv.org/abs/2312.03166v1
- Date: Tue, 5 Dec 2023 22:16:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 16:40:34.574858
- Title: Deep Learning for Fast Inference of Mechanistic Models' Parameters
- Title（参考訳）: 力学モデルのパラメータの高速推論のための深層学習
- Authors: Maxim Borisyak, Stefan Born, Peter Neubauer and Mariano Nicolas
Cruz-Bournazou
- Abstract要約: 本稿では,観測対象の力学モデルのパラメータを直接予測するために,ディープニューラルネットワーク(NN)を提案する。
本稿では,ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。
ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているのに対して、これらの推定は、適合手順単独よりも測定精度が良いことがわかった。
- 参考スコア（独自算出の注目度）: 0.28675177318965045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inferring parameters of macro-kinetic growth models, typically represented by
Ordinary Differential Equations (ODE), from the experimental data is a crucial
step in bioprocess engineering. Conventionally, estimates of the parameters are
obtained by fitting the mechanistic model to observations. Fitting, however,
requires a significant computational power. Specifically, during the
development of new bioprocesses that use previously unknown organisms or
strains, efficient, robust, and computationally cheap methods for parameter
estimation are of great value. In this work, we propose using Deep Neural
Networks (NN) for directly predicting parameters of mechanistic models given
observations. The approach requires spending computational resources for
training a NN, nonetheless, once trained, such a network can provide parameter
estimates orders of magnitude faster than conventional methods. We consider a
training procedure that combines Neural Networks and mechanistic models. We
demonstrate the performance of the proposed algorithms on data sampled from
several mechanistic models used in bioengineering describing a typical
industrial batch process and compare the proposed method, a typical
gradient-based fitting procedure, and the combination of the two. We find that,
while Neural Network estimates are slightly improved by further fitting, these
estimates are measurably better than the fitting procedure alone.
- Abstract（参考訳）: 実験データから通常微分方程式(ODE)で表されるマクロ運動成長モデルのパラメータを推定することは、バイオプロセス工学における重要なステップである。
従来は, メカニックモデルを観測に適合させてパラメータの推定を行う。
しかし、フィッティングには計算能力がかなり必要である。
具体的には、これまで知られていなかった生物や株を用いた新しいバイオプロセスの開発において、効率的でロバストで、計算的に安価なパラメータ推定手法は非常に有用である。
本研究では,観測された力学モデルのパラメータを直接予測するためにディープニューラルネットワーク(NN)を提案する。
このアプローチでは、NNのトレーニングに計算リソースを使う必要があるが、一度訓練されると、そのようなネットワークは従来の手法よりもはるかに高速にパラメータ推定の順序を提供することができる。
ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。
本研究では, 生物工学において典型的なバッチ処理を記述した数種類の機械モデルから抽出したデータに対する提案アルゴリズムの性能を実証し, 提案手法, 典型的な勾配に基づく適合法, および2つの組み合わせを比較した。
ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているが、これらの推定は、適合手順単独よりも測定精度が良い。
関連論文リスト
- Predicting Wall Thickness Changes in Cold Forging Processes: An Integrated FEM and Neural Network approach [2.7763199324745966]
まず、ノイズ処理と影響パラメータの徹底的な分析を行う。
次に、異なるプロセスパラメータの効果をよりよく分析するために、有限要素法シミュレーションをセットアップします。
本稿では,グラフニューラルネットワークを代理モデルとして設計した新しいモデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-20T14:42:53Z) - Efficient Frequency Selective Surface Analysis via End-to-End Model-Based Learning [2.66269503676104]
本稿では、高次元周波数選択面(FSS)の効率的な電磁解析のための革新的なエンドツーエンドモデルに基づくディープラーニング手法を提案する。
大規模なデータセットを必要とする従来のデータ駆動手法とは異なり、このアプローチは等価回路モデルからの物理的な洞察とディープラーニング技術を組み合わせて、モデルの複雑さを著しく低減し、予測精度を高める。
論文 参考訳（メタデータ） (2024-10-22T07:27:20Z) - Parameter Estimation of Long Memory Stochastic Processes with Deep Neural Networks [0.0]
時系列モデルの長いメモリパラメータを推定するために,純粋にディープなニューラルネットワークに基づくアプローチを提案する。
ハースト指数のようなパラメータは、プロセスの長距離依存、粗さ、自己相似性を特徴づけるのに重要である。
論文 参考訳（メタデータ） (2024-10-03T03:14:58Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
論文 参考訳（メタデータ） (2022-09-27T17:36:26Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Neural Networks for Parameter Estimation in Intractable Models [0.0]
本稿では,最大安定過程からパラメータを推定する方法を示す。
モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2021-07-29T21:59:48Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳（メタデータ） (2020-10-06T11:47:20Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。