論文の概要: Position: Biology is the Challenge Physics-Informed ML Needs to Evolve

• arxiv url: http://arxiv.org/abs/2510.25368v1
• Date: Wed, 29 Oct 2025 10:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.401397
• Title: Position: Biology is the Challenge Physics-Informed ML Needs to Evolve
• Title（参考訳）: 物理学にインフォームドされたMLが進化すべき課題はバイオロジー
• Authors: Julien Martinelli,
• Abstract要約: 物理インフォームド・機械学習(PIML)は、機械的理解を機械学習に統合することに成功している。 多面的かつ不確実な事前の知識、異質でノイズの多いデータ、部分的な観測可能性。 本稿では,生物の現実に適応しつつ,その構造的基盤を保ちつつ,PIMLの原理的拡張である生物情報処理機械学習を提案する。
• 参考スコア（独自算出の注目度）: 1.5736899098702974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-Informed Machine Learning (PIML) has successfully integrated mechanistic understanding into machine learning, particularly in domains governed by well-known physical laws. This success has motivated efforts to apply PIML to biology, a field rich in dynamical systems but shaped by different constraints. Biological modeling, however, presents unique challenges: multi-faceted and uncertain prior knowledge, heterogeneous and noisy data, partial observability, and complex, high-dimensional networks. In this position paper, we argue that these challenges should not be seen as obstacles to PIML, but as catalysts for its evolution. We propose Biology-Informed Machine Learning (BIML): a principled extension of PIML that retains its structural grounding while adapting to the practical realities of biology. Rather than replacing PIML, BIML retools its methods to operate under softer, probabilistic forms of prior knowledge. We outline four foundational pillars as a roadmap for this transition: uncertainty quantification, contextualization, constrained latent structure inference, and scalability. Foundation Models and Large Language Models will be key enablers, bridging human expertise with computational modeling. We conclude with concrete recommendations to build the BIML ecosystem and channel PIML-inspired innovation toward challenges of high scientific and societal relevance.
• Abstract（参考訳）: 物理インフォームド・機械学習(PIML)は、特によく知られた物理法則によって支配される領域において、機械的理解を機械学習に統合することに成功している。 この成功は、PIMLを力学系に富むが異なる制約によって形作る分野である生物学に応用する努力を動機付けている。 しかし、生物モデリングには、多面的かつ不確実な事前知識、異質でノイズの多いデータ、部分的観測可能性、複雑で高次元のネットワークなど、固有の課題が存在する。 本稿では,これらの課題をPIMLの障害とみなすのではなく,その進化の触媒とみなすべきである。 本稿では,生物の現実に適応しつつ,その構造的基盤を保ちつつ,PIMLの原理的拡張であるBIMLを提案する。 BIMLは、PIMLを置き換えるのではなく、よりソフトで確率的な事前知識の下での操作方法を再構築する。 この移行のロードマップとして、不確実性定量化、文脈化、制約付き潜在構造推論、スケーラビリティの4つの基本柱を概説する。 基礎モデルと大規模言語モデルは重要な実現要因であり、人間の専門知識を計算モデルでブリッジする。 我々は、BIMLエコシステムを構築するための具体的な勧告と、PIMLにインスパイアされたイノベーションを、高い科学的・社会的関連性への挑戦へと導く。

関連論文リスト

• Physics-Informed Machine Learning in Biomedical Science and Engineering [3.87707864695882]
  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。
  論文  参考訳（メタデータ） (2025-10-06T22:52:39Z)
• Unraveling the cognitive patterns of Large Language Models through module communities [45.399985422756224]
  大規模言語モデル(LLM)は、科学、工学、社会において大きな進歩を遂げ、我々の世界を変えました。 実用性と実用性にもかかわらず、LLMの基盤となるメカニズムは何十億ものパラメータや複雑な構造の中に隠されている。 生物学における新たな認知を理解するためのアプローチを採用することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-08-25T16:49:38Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• 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)
• Understanding Biology in the Age of Artificial Intelligence [4.299566787216408]
  現代生命科学の研究は、生物システムをモデル化するための人工知能のアプローチにますます依存している。 機械学習(ML)モデルは、大規模で複雑なデータセットのパターンを特定するのに有用であるが、生物学におけるその広範な応用は、従来の科学的調査方法から大きく逸脱している。 ここでは,生物現象をモデル化し,科学的知識を進化させるために,MLシステムの設計と応用を導く一般的な原理を同定する。
  論文  参考訳（メタデータ） (2024-03-06T23:20:34Z)
• 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。