論文の概要: Deep Neural Cellular Potts Models

• arxiv url: http://arxiv.org/abs/2502.02129v1
• Date: Tue, 04 Feb 2025 09:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:53:16.807495
• Title: Deep Neural Cellular Potts Models
• Title（参考訳）: ディープニューラルセルポットモデル
• Authors: Koen Minartz, Tim d'Hondt, Leon Hillmann, Jörn Starruß, Lutz Brusch, Vlado Menkovski,
• Abstract要約: 本稿では,観測データに基づいて直接学習可能な,より表現力のあるPottsモデルを提案する。 NeuralCPMのコアにはNeural Hamiltonianがあり、これは集合的な細胞力学における普遍対称性を尊重するニューラルネットワークアーキテクチャである。 人工および実世界の多細胞システムを用いた評価により,ニューラルCPMは従来の解析的ハミルトニアンによって説明できない細胞動態をモデル化できることが示されている。
• 参考スコア（独自算出の注目度）: 3.4393381183289264
• License:
• Abstract: The cellular Potts model (CPM) is a powerful computational method for simulating collective spatiotemporal dynamics of biological cells. To drive the dynamics, CPMs rely on physics-inspired Hamiltonians. However, as first principles remain elusive in biology, these Hamiltonians only approximate the full complexity of real multicellular systems. To address this limitation, we propose NeuralCPM, a more expressive cellular Potts model that can be trained directly on observational data. At the core of NeuralCPM lies the Neural Hamiltonian, a neural network architecture that respects universal symmetries in collective cellular dynamics. Moreover, this approach enables seamless integration of domain knowledge by combining known biological mechanisms and the expressive Neural Hamiltonian into a hybrid model. Our evaluation with synthetic and real-world multicellular systems demonstrates that NeuralCPM is able to model cellular dynamics that cannot be accounted for by traditional analytical Hamiltonians.
• Abstract（参考訳）: 細胞ポッツモデル(セルポッツモデル、CPM)は、生体細胞の集合時空間力学をシミュレーションするための強力な計算手法である。 力学を推し進めるために、CPMは物理学に触発されたハミルトニアンに依存している。 しかし、生物学における第一原理はいまだ解明されていないため、これらのハミルトニアンは実際の多細胞系の完全な複雑さを近似するのみである。 この制限に対処するため,より表現力のあるセルポッツモデルであるNeuralCPMを提案する。 NeuralCPMのコアにはNeural Hamiltonianがあり、これは集合的な細胞力学における普遍対称性を尊重するニューラルネットワークアーキテクチャである。 さらに、既知の生物学的メカニズムと表現型ニューラルハミルトニアンをハイブリッドモデルに組み合わせることで、ドメイン知識のシームレスな統合を可能にする。 人工および実世界の多細胞システムを用いた評価により,ニューラルCPMは従来の解析的ハミルトニアンによって説明できない細胞動態をモデル化できることが示されている。

関連論文リスト

• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。 このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。 これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks [0.0]
  臨界性 (Criticality, SOC) は、普遍的なスケール不変な振る舞いの出現に寄与していると考えられている、ユビキタスな力学現象である。 粒子数と粒子密度の2つの重要な軸に沿って、モンテカルロSOCダイナミクスを正確に再現できることを示す。
  論文  参考訳（メタデータ） (2022-07-05T15:43:16Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• Symmetry-adapted graph neural networks for constructing molecular dynamics force fields [10.820190246285122]
  分子動力学シミュレーションのための力場を自動構築する対称性適応グラフニューラルネットワークフレームワークを開発した。 MDGNNは古典的分子動力学と第一原理分子動力学の両方の結果を正確に再現する。
  論文  参考訳（メタデータ） (2021-01-08T09:32:24Z)
• Is the brain macroscopically linear? A system identification of resting state dynamics [7.312557272609717]
  ニューラルダイナミクスの計算モデリングにおける中心的な課題は、精度と単純さのトレードオフである。 この仮説を、全脳血中酸素レベル依存性(BOLD)と顕微鏡場電位ダイナミクスのレベルで厳密かつデータ駆動的に調査します。 以上の結果から,視神経力学の理解と,神経精神疾患治療のためのモデルに基づく介入の原理的設計の促進が期待できる。
  論文  参考訳（メタデータ） (2020-12-22T20:51:42Z)
• Differentiable Molecular Simulations for Control and Learning [0.9208007322096533]
  そこで我々は,ハミルトニアンをパラメータ化してマクロモデルを推論し,制御プロトコルを開発する新しい手法を開発した。 我々は、バルクターゲットオブザーバブルとシミュレーション結果がハミルトニアンに対して解析的に微分できるような、微分可能なシミュレーションを用いて、これをどのように達成できるかを実証する。
  論文  参考訳（メタデータ） (2020-02-27T04:35:19Z)

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。