論文の概要: Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture

• arxiv url: http://arxiv.org/abs/2505.00316v1
• Date: Thu, 01 May 2025 05:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.236269
• Title: Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture
• Title（参考訳）: U-Netニューラルネットワークアーキテクチャを用いたセルポットエージェントベースモデルのセグメンテーションタスクとしてのサロゲートモデリング
• Authors: Tien Comlekoglu, J. Quetzalcóatl Toledo-Marín, Tina Comlekoglu, Douglas W. DeSimone, Shayn M. Peirce, Geoffrey Fox, James A. Glazier,
• Abstract要約: U-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。 このモデルを用いて,機械的セル・ポッツモデルの評価を高速化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Cellular-Potts model is a powerful and ubiquitous framework for developing computational models for simulating complex multicellular biological systems. Cellular-Potts models (CPMs) are often computationally expensive due to the explicit modeling of interactions among large numbers of individual model agents and diffusive fields described by partial differential equations (PDEs). In this work, we develop a convolutional neural network (CNN) surrogate model using a U-Net architecture that accounts for periodic boundary conditions. We use this model to accelerate the evaluation of a mechanistic CPM previously used to investigate \textit{in vitro} vasculogenesis. The surrogate model was trained to predict 100 computational steps ahead (Monte-Carlo steps, MCS), accelerating simulation evaluations by a factor of 590 times compared to CPM code execution. Over multiple recursive evaluations, our model effectively captures the emergent behaviors demonstrated by the original Cellular-Potts model of such as vessel sprouting, extension and anastomosis, and contraction of vascular lacunae. This approach demonstrates the potential for deep learning to serve as efficient surrogate models for CPM simulations, enabling faster evaluation of computationally expensive CPM of biological processes at greater spatial and temporal scales.
• Abstract（参考訳）: セルラーポッツモデル(Cellular-Potts model)は、複雑な多細胞生物システムをシミュレートする計算モデルを開発するための強力でユビキタスなフレームワークである。 セルラーポッツモデル(CPM)は、多くの個別モデルエージェントと偏微分方程式(PDE)によって記述される拡散場の間の相互作用の明示的なモデリングのため、しばしば計算コストがかかる。 本研究では,周期的境界条件を考慮したU-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを提案する。 我々は,このモデルを用いて,前述した「textit{in vitro} 血管新生」に使用される機械的CPMの評価を高速化する。 シュロゲートモデルは、CPMコード実行の590倍のシミュレーション評価を加速し、100ステップ先(モンテカルロステップ、MCS)を予測するために訓練された。 複数の再帰的評価において,本モデルでは血管の発芽,拡張,血管内皮の収縮,血管内皮の収縮などのセルラー・ポッツモデルにより示される創発的挙動を効果的に把握する。 このアプローチは、深層学習がCPMシミュレーションの効率的なサロゲートモデルとして機能する可能性を示し、より空間的および時間的スケールでの計算コストの高い生物プロセスのCPMの高速な評価を可能にする。

関連論文リスト

• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.0613075946076904]
  従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。 生成メタモデリングという新しい概念を提案する。 生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• Navigating protein landscapes with a machine-learned transferable coarse-grained model [29.252004942896875]
  同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。 ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。 本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
  論文  参考訳（メタデータ） (2023-10-27T17:10:23Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• 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)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Abstraction of Markov Population Dynamics via Generative Adversarial Nets [2.1485350418225244]
  計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。 ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。 このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
  論文  参考訳（メタデータ） (2021-06-24T12:57:49Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Using Machine Learning to Emulate Agent-Based Simulations [0.0]
  エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。 エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
  論文  参考訳（メタデータ） (2020-05-05T11:48:36Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。