論文の概要: Integrating GNN and Neural ODEs for Estimating Two-Body Interactions in Mixed-Species Collective Motion
- arxiv url: http://arxiv.org/abs/2405.16503v1
- Date: Sun, 26 May 2024 09:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 20:49:07.232676
- Title: Integrating GNN and Neural ODEs for Estimating Two-Body Interactions in Mixed-Species Collective Motion
- Title（参考訳）: 混合異種集団運動における二体相互作用推定のためのGNNとニューラルODEの統合
- Authors: Masahito Uwamichi, Simon K. Schnyder, Tetsuya J. Kobayashi, Satoshi Sawai,
- Abstract要約: 本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Analyzing the motion of multiple biological agents, be it cells or individual animals, is pivotal for the understanding of complex collective behaviors. With the advent of advanced microscopy, detailed images of complex tissue formations involving multiple cell types have become more accessible in recent years. However, deciphering the underlying rules that govern cell movements is far from trivial. Here, we present a novel deep learning framework to estimate the underlying equations of motion from observed trajectories, a pivotal step in decoding such complex dynamics. Our framework integrates graph neural networks with neural differential equations, enabling effective prediction of two-body interactions based on the states of the interacting entities. We demonstrate the efficacy of our approach through two numerical experiments. First, we used a simulated data from a toy model to tune the hyperparameters. Based on the obtained hyperparameters, we then applied this approach to a more complex model that describes interacting cells of cellular slime molds. Our results show that the proposed method can accurately estimate the function of two-body interactions, thereby precisely replicating both individual and collective behaviors within these systems.
- Abstract（参考訳）: 細胞や個々の動物など、複数の生物学的エージェントの運動を分析することは、複雑な集団行動を理解する上で重要である。
先進顕微鏡の出現により、複数の細胞型を含む複雑な組織形成の詳細な画像が近年よりアクセスしやすくなっている。
しかし、細胞の動きを管理する基本的なルールを解読することは、決して簡単ではない。
本稿では,このような複雑な力学を復号化するための重要なステップである観測軌道から基底となる運動方程式を推定する,新しいディープラーニングフレームワークを提案する。
本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,相互作用する実体の状態に基づく2体相互作用の効果的な予測を可能にする。
2つの数値実験により,本手法の有効性を実証した。
まず、おもちゃの模型のシミュレーションデータを使ってハイパーパラメータを調整した。
得られたハイパーパラメータに基づいて,細胞性スライムカビの相互作用細胞を記述した,より複雑なモデルに本手法を適用した。
提案手法は,2体相互作用の関数を正確に推定し,個々の動作と集団動作の両方を正確に再現できることを示す。
関連論文リスト
- Connectivity structure and dynamics of nonlinear recurrent neural networks [46.62658917638706]
我々は,ニューラルネットワークの高次元,内部的に発生する活動が接続構造をどのように形成するかを解析する理論を開発する。
我々の理論は、ニューラルネットワークアーキテクチャと人工および生物学的システムにおける集合力学を関連付けるためのツールを提供する。
論文 参考訳（メタデータ） (2024-09-03T15:08:37Z) - Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳（メタデータ） (2023-11-01T23:45:15Z) - 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) - Understanding Neural Coding on Latent Manifolds by Sharing Features and
Dividing Ensembles [3.625425081454343]
システム神経科学は、単一ニューロンのチューニング曲線と集団活動の分析を特徴とする2つの相補的な神経データ観に依存している。
これらの2つの視点は、潜伏変数とニューラルアクティビティの関係を制約するニューラル潜伏変数モデルにおいてエレガントに結合する。
ニューラルチューニング曲線にまたがる機能共有を提案し、性能を大幅に改善し、より良い最適化を実現する。
論文 参考訳（メタデータ） (2022-10-06T18:37:49Z) - Learning Anisotropic Interaction Rules from Individual Trajectories in a
Heterogeneous Cellular Population [0.0]
細胞群集の運動をモデル化するための第2次IPSのためのWSINDyを開発する。
本手法は,異種細胞集団の動態を規定する相互作用規則を学習する。
本研究では, 一般的な細胞移動実験を動機とした, いくつかのテストシナリオにおいて, 提案手法の有効性と性能を実証する。
論文 参考訳（メタデータ） (2022-04-29T15:00:21Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。