論文の概要: Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2603.08742v1
• Date: Fri, 27 Feb 2026 21:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.513698
• Title: Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いたマルチスケール神経系のロバストパラメータと状態推定
• Authors: Changliang Wei, Yangyang Wang, Xueyu Zhu,
• Abstract要約: 部分的および雑音的な観測から生体物理パラメータと隠れ状態変数を推定することは、計算神経科学における根本的な課題である。 本研究では,観測されていない状態変数の同時再構成のための物理情報ニューラルネットワーク(PINN)フレームワークを開発した。 その結果,PINNはパラメータ推論と状態再構成を堅牢かつ高精度に実現し,マルチスケール神経力学における逆問題に対して有望な代替手段となることが示唆された。
• 参考スコア（独自算出の注目度）: 2.020688298620136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring biophysical parameters and hidden state variables from partial and noisy observations is a fundamental challenge in computational neuroscience. This problem is particularly difficult for fast - slow spiking and bursting models, where strong nonlinearities, multiscale dynamics, and limited observational data often lead to severe sensitivity to initial parameter guesses and convergence failure in the methods replying on the traditional numerical forward solvers. In this work, we developed a physics-informed neural network (PINN) framework for the joint reconstruction of unobserved state variables and the estimation of unknown biophysical parameters in neuronal models. We demonstrate the effectiveness of the method on biophysical neuron models, including the Morris-Lecar model across multiple spiking and bursting regimes and a respiratory model neuron. The method requires only partial voltage observations over short observation windows and remains robust even when initialized with non-informative parameter guesses. These results suggest that PINN can deliver robust and accurate parameter inference and state reconstruction, providing a promising alternative for inverse problems in multiscale neuronal dynamics, where traditional techniques often struggle.
• Abstract（参考訳）: 部分的および雑音的な観測から生体物理パラメータと隠れ状態変数を推定することは、計算神経科学における根本的な課題である。 この問題は、強い非線形性、マルチスケールのダイナミックス、限られた観測データによって、従来の数値前方解法に応答する手法において、初期パラメータ推定や収束不良に対して過度に敏感になることが多い、高速なスパイクとバーストモデルにとって特に困難である。 本研究では,未観測状態変数の同時再構成と未知の生体物理パラメータ推定のための物理インフォームドニューラルネットワーク(PINN)フレームワークを開発した。 本研究では,複数のスパイクおよび破裂状態におけるモリス・レカールモデルや呼吸モデルニューロンなど,生物物理学的ニューロンモデルに対する手法の有効性を実証する。 この手法では、短い観測窓上での部分的な電圧観測しか必要とせず、非表現的パラメータ推定で初期化しても頑健である。 これらの結果は、PINNが堅牢で正確なパラメータ推論と状態再構成を実現し、従来の手法がしばしば苦労するマルチスケール神経力学における逆問題に対する有望な代替手段となることを示唆している。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• 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)
• Physically constrained neural networks to solve the inverse problem for neuron models [0.29005223064604074]
  システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。 ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
  論文  参考訳（メタデータ） (2022-09-24T12:51:15Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)

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。