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
• 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

• FreeBridge: Variational Schrödinger Bridges for Cellular Transition Dynamics [48.14051378654045]
  FreeBridgeはエンドポイントのみを監督する単一セル遷移モデリングのためのSchrdinger Bridgeである。 FreeBridgeは、統合評価プロトコルの下で、競合的または改善されたエンドポイントの忠実性とメカニズムの保持を維持している。
  論文  参考訳（メタデータ） (2026-06-09T16:46:59Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Learning biophysical models of gene regulation with probability flow matching [0.6341761912669116]
  時間分解単細胞測定から生物物理学的に一貫したプロセスを直接学習するためのスケーラブルなフレームワークを提案する。 PFMを3つの造血学的データセットに適用することにより、類似の機械的精度を持つモデルが根本的に異なるダイナミクスを符号化できることを示す。 さらに, PFMは細胞増殖と死のダイナミクスの同時推定を可能にするため, 不均衡な個体群に対応することが実証された。
  論文  参考訳（メタデータ） (2026-04-27T23:30:18Z)
• 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)
• Multimodal Protein Language Models for Enzyme Kinetic Parameters: From Substrate Recognition to Conformational Adaptation [12.729882993671106]
  酵素の速度論的パラメータの予測は、酵素が特定の基質をいかに効率的に触媒するかを定量化する。 多くの学習パイプラインは、このプロセスを酵素と基質間の静的な互換性問題に単純化する。 本稿では,タンパク質言語モデルへの微調整により,分子間情報を注入するERBA(Enzyme-Reaction Bridging Adapter)を提案する。
  論文  参考訳（メタデータ） (2026-03-13T09:45:41Z)
• 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)
• Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge [19.279397111680115]
  本稿では,初期構造を雑音のある潜在空間にマッピングし,ステージ固有の目標に向けて輸送する,事前訓練変分橋(PVB)を提案する。 これにより、単一構造とペアの軌道データの両方のトレーニングを統一し、ドメイン間の構造的知識を一貫した使用を可能にする。 タンパク質とタンパク質-リガンド複合体の実験により、PVBはMDから熱力学的および運動論的観測物を忠実に再現し、安定かつ効率的な生成力学を提供することを示した。
  論文  参考訳（メタデータ） (2026-02-07T15:32:37Z)
• 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)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• 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)
• Uncovering smooth structures in single-cell data with PCS-guided neighbor embeddings [14.708144124501635]
  単細胞シークエンシングは、細胞-状態遷移の詳細な研究を可能にすることによって生物学に革命をもたらす。 ノイズの多い高次元単細胞データから滑らかで低次元の表現を抽出することは依然として困難である。 NESSは、NE表現を改善するための、原則的で解釈可能な機械学習手法である。
  論文  参考訳（メタデータ） (2025-06-27T13:45:55Z)
• 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)
• Dimerization induced mobility edges and multiple reentrant localization transitions in non-Hermitian quasicrystals [0.0]
  非エルミート効果はリッチな動的および位相的位相構造を創出することができる。 格子二量体と非ハーミティティーの協調は、一般に1次元準結晶における移動エッジと複数の局在遷移をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2021-11-16T13:01:48Z)
• 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。