論文の概要: Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish

• arxiv url: http://arxiv.org/abs/2602.04492v1
• Date: Wed, 04 Feb 2026 12:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.52285
• Title: Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish
• Title（参考訳）: 神経活動の力学モデルを発見する:シリコゼブラフィッシュのシステム同定
• Authors: Jan-Matthis Lueckmann, Viren Jain, Michał Januszewski,
• Abstract要約: 幼魚ゼブラフィッシュのシミュレーションを基礎として, ニューラルネットワークの力学モデルをテストする。 LLMをベースとした木探索では,予測基準値を大幅に上回る予測モデルが自律的に発見された。 我々の洞察は、現実世界のニューラル記録をモデル化するためのガイダンスを提供し、AI駆動の科学的発見のためのより広範なテンプレートを提供する。
• 参考スコア（独自算出の注目度）: 0.8219355086755371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing mechanistic models of neural circuits is a fundamental goal of neuroscience, yet verifying such models is limited by the lack of ground truth. To rigorously test model discovery, we establish an in silico testbed using neuromechanical simulations of a larval zebrafish as a transparent ground truth. We find that LLM-based tree search autonomously discovers predictive models that significantly outperform established forecasting baselines. Conditioning on sensory drive is necessary but not sufficient for faithful system identification, as models exploit statistical shortcuts. Structural priors prove essential for enabling robust out-of-distribution generalization and recovery of interpretable mechanistic models. Our insights provide guidance for modeling real-world neural recordings and offer a broader template for AI-driven scientific discovery.
• Abstract（参考訳）: 神経回路の力学モデルを構築することは神経科学の基本的な目標であるが、そのようなモデルの検証は基礎的な真理の欠如によって制限される。 モデル発見を厳密に検証するため,幼魚ゼブラフィッシュの神経力学シミュレーションを地中真理として用いたインサイリコ試験場を構築した。 LLMをベースとした木探索では,予測基準値を大幅に上回る予測モデルが自律的に発見された。 センサドライブの条件付けは、統計的ショートカットを利用するため、忠実なシステム識別には不十分である。 構造的先行性は、解釈可能な力学モデルのロバストなアウト・オブ・ディストリビューションの一般化と回復を可能にするために不可欠である。 我々の洞察は、現実世界のニューラル記録をモデル化するためのガイダンスを提供し、AI駆動の科学的発見のためのより広範なテンプレートを提供する。

関連論文リスト

• Simulation as Supervision: Mechanistic Pretraining for Scientific Discovery [0.0]
  本稿では,ニューラルネットワークのトレーニングデータとしてメカニスティックシミュレーションを利用するフレームワークであるSGNNを紹介する。 SGNNは科学の分野やモデリングのタスクにまたがって最先端の結果を達成する。 それらは新しい機械的解釈可能性の形式であるバック・トゥ・シミュレーションの属性を可能にする。
  論文  参考訳（メタデータ） (2025-07-11T19:18:42Z)
• Exploring hyperelastic material model discovery for human brain cortex: multivariate analysis vs. artificial neural network approaches [10.003764827561238]
  本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。 我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
  論文  参考訳（メタデータ） (2023-10-16T18:49:59Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• Monotonic Neural Additive Models: Pursuing Regulated Machine Learning Models for Credit Scoring [1.90365714903665]
  本稿では,ニューラルネットワークアーキテクチャを簡素化し,モノトニック性を強制することによって,規制要件を満たす新しいモノトニックニューラルネットワークモデルを提案する。 我々の新しいモデルは、ブラックボックスの完全接続ニューラルネットワークと同じくらい正確であり、高度に正確で規制された機械学習方法を提供する。
  論文  参考訳（メタデータ） (2022-09-21T02:14:09Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• 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)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Theory-guided hard constraint projection (HCP): a knowledge-based data-driven scientific machine learning method [7.778724782015986]
  本研究は理論誘導型ハード制約射影(hcp)を提案する。 このモデルは、支配方程式のような物理的な制約を、離散化によって容易に扱える形式に変換する。 理論誘導型HCPの性能は不均一な地下流れ問題に基づく実験により検証した。
  論文  参考訳（メタデータ） (2020-12-11T06:17:43Z)

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。