論文の概要: Biomimetic causal learning for microstructure-forming phase transitions

• arxiv url: http://arxiv.org/abs/2603.29184v2
• Date: Thu, 09 Apr 2026 14:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 14:10:47.836327
• Title: Biomimetic causal learning for microstructure-forming phase transitions
• Title（参考訳）: ミクロ組織形成相転移のための生体模倣因果学習
• Authors: Anci Lin, Xiaohong Liu, Zhiwen Zhang, Wenju Zhao,
• Abstract要約: そこで我々は,細胞による相転移を学習するためのバイオミメティックな物理インフォームドネットワーク (BioPIN) を提案する。 この方法は、ニューラルリモデリングの外向きの進行を距離ベーストレーニングカリキュラムに変換し、不確実性駆動型コロケーションに結合する。 適応型サンプリング装置の構造保証を確立し, ゲート拡張時の持続的カバレッジと, 遠隔地への定量的蓄積について検討した。
• 参考スコア（独自算出の注目度）: 7.513319512752875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonconvex multi-well energies in cell-induced phase transitions give rise to fine-scale microstructures, low-regularity transition layers and sharp interfaces, all of which pose numerical challenges for physics-informed learning. To address this, we propose biomimetic physics-informed neural networks (Bio-PINNs) for cell-induced phase transitions in fibrous extracellular matrices. The method converts the outward progression of cell-mediated remodelling into a distance-based training curriculum and couples it to uncertainty-driven collocation that concentrates samples near evolving interfaces and tether-forming regions. The same uncertainty proxy provides a lower-cost alternative to explicit second-derivative regularization. We also establish structural guarantees for the adaptive sampler, including persistent coverage under gate expansion and quantitative near-to-far accumulation. Across single- and multi-cell benchmarks, diverse separations, and various regularization regimes, Bio-PINNs consistently recover sharp transition layers and tether morphologies, significantly outperforming state-of-the-art adaptive and ungated baselines.
• Abstract（参考訳）: 細胞誘起相転移における非凸多井戸エネルギーは、微細なミクロ構造、低規則性遷移層、鋭い界面をもたらす。 そこで本研究では,線維性細胞外マトリックスの細胞性相転移に対するバイオミメティックな物理インフォームドニューラルネットワーク(Bio-PINN)を提案する。 細胞を介するリモデリングの外側への進行を遠隔トレーニングカリキュラムに変換し、それを不確実性駆動型コロケーションに結合して、進化するインターフェースやテザリング領域の近くにサンプルを集中させる方法である。 同じ不確実性プロキシは、明示的な第2派生正規化に対する低コストな代替手段を提供する。 また, ゲート拡張条件下での持続的被覆や, 遠隔地での定量蓄積など, 適応型サンプリング装置の構造保証も確立した。 シングルセルとマルチセルのベンチマーク、多彩な分離、および様々な正規化の体制の中で、Bio-PINNはシャープな遷移層とテザモルフォロジーを一貫して回復し、最先端の適応性と非ゲートのベースラインを著しく上回った。

関連論文リスト

• MorphSNN: Adaptive Graph Diffusion and Structural Plasticity for Spiking Neural Networks [20.207135245363386]
  スパイキングニューラルネットワーク(SNN)は現在、重大なボトルネックに直面している。 個々のニューロンは動的生物学的性質を示すが、マクロな構造は従来の接続パターンに限られている。 生体内非シナプス拡散と構造塑性にインスパイアされたバックボーンフレームワークであるMorphSNNを提案する。
  論文  参考訳（メタデータ） (2026-03-15T08:52:57Z)
• Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI [1.6863755729554886]
  我々は,dMRI計測を反転させる透過性を考慮した再構成手法であるSpinverseを提案する。 スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱う。 多様な測地を再構成し、配列スケジューリングと正規化がアウトラインのみの解を避けるために重要であることを示す。
  論文  参考訳（メタデータ） (2026-03-04T21:57:40Z)
• Multiparameter Uncertainty Mapping in Quantitative Molecular MRI using a Physics-Structured Variational Autoencoder (PS-VAE) [0.0]
  本稿では,物理構造を持つ変分オートエンコーダ(PS-VAE)について述べる。 本法は, マルチプロトンプール化学交換飽和輸送 (CEST) および半固体磁化移動 (MT) 分子MRF法で検証した。
  論文  参考訳（メタデータ） (2026-02-03T09:46:55Z)
• Multi-Scale Temporal Homeostasis Enables Efficient and Robust Neural Networks [0.0]
  Multi-Scale Temporal Homeostasis (MSTH)は、超高速(5-ms)、高速(2-s)、中速(5-min)、低速(1-hrs)の制御を人工ネットワークに統合するフレームワークである。 MSTHは、常に精度を向上し、破滅的な失敗を排除し、摂動からの回復を促進する。
  論文  参考訳（メタデータ） (2026-01-30T13:33:29Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• IMSAHLO: Integrating Multi-Scale Attention and Hybrid Loss Optimization Framework for Robust Neuronal Brain Cell Segmentation [0.6999740786886535]
  我々は,頑健で適応的な神経細胞分割のための新しいディープラーニングフレームワーク,IMSAHLOを提案する。 本フレームワークは81.4%の精度,マクロF1スコア82.7%の精度,マイクロF1スコア83.3%の精度,難密でスパースなケースでは99.5%の精度を実現している。
  論文  参考訳（メタデータ） (2026-01-14T23:43:33Z)
• Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
  ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。 RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
  論文  参考訳（メタデータ） (2025-12-31T06:31:43Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。