論文の概要: Physics-Informed Machine Learning in Biomedical Science and Engineering

• arxiv url: http://arxiv.org/abs/2510.05433v1
• Date: Mon, 06 Oct 2025 22:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.015744
• Title: Physics-Informed Machine Learning in Biomedical Science and Engineering
• Title（参考訳）: バイオメディカルサイエンスと工学における物理インフォームド・機械学習
• Authors: Nazanin Ahmadi, Qianying Cao, Jay D. Humphrey, George Em Karniadakis,
• Abstract要約: 物理インフォームド機械学習(PIML)は、複雑なバイオメディカルシステムをモデル化するための潜在的変換パラダイムとして登場しつつある。 PIMLフレームワークの主な3つのクラスについて概説する。物理情報ニューラルネットワーク(PINN)、ニューラル常微分方程式(NODE)、ニューラル演算子(NO)である。
• 参考スコア（独自算出の注目度）: 3.87707864695882
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-informed machine learning (PIML) is emerging as a potentially transformative paradigm for modeling complex biomedical systems by integrating parameterized physical laws with data-driven methods. Here, we review three main classes of PIML frameworks: physics-informed neural networks (PINNs), neural ordinary differential equations (NODEs), and neural operators (NOs), highlighting their growing role in biomedical science and engineering. We begin with PINNs, which embed governing equations into deep learning models and have been successfully applied to biosolid and biofluid mechanics, mechanobiology, and medical imaging among other areas. We then review NODEs, which offer continuous-time modeling, especially suited to dynamic physiological systems, pharmacokinetics, and cell signaling. Finally, we discuss deep NOs as powerful tools for learning mappings between function spaces, enabling efficient simulations across multiscale and spatially heterogeneous biological domains. Throughout, we emphasize applications where physical interpretability, data scarcity, or system complexity make conventional black-box learning insufficient. We conclude by identifying open challenges and future directions for advancing PIML in biomedical science and engineering, including issues of uncertainty quantification, generalization, and integration of PIML and large language models.
• Abstract（参考訳）: 物理インフォームド機械学習(PIML)は、パラメータ化された物理法則とデータ駆動の手法を統合することで、複雑な生体医学システムをモデル化するための潜在的変換パラダイムとして浮上している。 本稿では,物理インフォームドニューラルネットワーク(PINN),ニューラル常微分方程式(NODE),ニューラル演算子(NO)の3種類のPIMLフレームワークについて概説する。 まず, 深層学習モデルに支配方程式を組み込んで, バイオソリッド・バイオ流体力学, メカノバイオロジー, 医用画像などの分野に応用したPINNから始める。 次に、特に動的生理システム、薬物動態学、細胞シグナリングに適した連続時間モデリングを提供するNODEについてレビューする。 最後に,関数空間間のマッピングを学習するための強力なツールとして,深部NOを論じる。 全体として、物理的解釈可能性、データの不足、システムの複雑さが従来のブラックボックス学習を不十分にするアプリケーションを強調している。 バイオメディカルサイエンスと工学におけるPIMLの進歩に向けたオープンな課題と今後の方向性を、不確実性の定量化、一般化、PIMLと大規模言語モデルの統合といった問題を含む、特定して結論付ける。

関連論文リスト

• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• AI-Powered Prediction of Nanoparticle Pharmacokinetics: A Multi-View Learning Approach [5.912585771981805]
  既存のAI駆動アプローチは、AI駆動の予測に依存しているが、NPプロパティについて学ばない。 この研究は、データ効率のよいAI駆動の薬物発見と精密ナノメディシンの基礎を築いた。
  論文  参考訳（メタデータ） (2025-03-18T01:09:32Z)
• Scientific Machine Learning Seismology [0.0]
  科学機械学習(SciML)は、機械学習、特にディープラーニングと物理理論を統合し、複雑な自然現象を理解し予測する学際的な研究分野である。 PINNとニューラル演算子(NO)はSciMLの2つの一般的な方法である。 PINNの使用は、微分方程式の同時解、未決定系の推論、物理学に基づく正規化などの分野に拡大している。
  論文  参考訳（メタデータ） (2024-09-27T02:27:42Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Representation Learning for Networks in Biology and Medicine: Advancements, Challenges, and Opportunities [18.434430658837258]
  我々は,ネットワークを用いたモデリング,分析,学習への表現学習技術の急速な拡大を目の当たりにした。 本論では,ネットワーク生物学と医学の長年の原則が,表現学習の概念的基盤を提供できるという見解を述べる。 位相的特徴を利用してネットワークをコンパクトなベクトル空間に埋め込むアルゴリズムアプローチのスペクトルを合成する。
  論文  参考訳（メタデータ） (2021-04-11T00:20:00Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。