論文の概要: VertAX: a differentiable vertex model for learning epithelial tissue mechanics

• arxiv url: http://arxiv.org/abs/2604.06896v1
• Date: Wed, 08 Apr 2026 09:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.465853
• Title: VertAX: a differentiable vertex model for learning epithelial tissue mechanics
• Title（参考訳）: VertAX:上皮組織力学の学習のための微分可能頂点モデル
• Authors: Alessandro Pasqui, Jim Martin Catacora Ocana, Anshuman Sinha, Matthieu Perez, Fabrice Delbary, Giorgio Gosti, Mattia Miotto, Domenico Caudo, Maxence Ernoult, Hervé Turlier,
• Abstract要約: 私たちは、収束した上皮の頂点モデリングのための差別化可能なJAXベースのフレームワークであるVertAXを紹介します。 任意のエネルギとコスト関数を純粋なPythonで定義することで、マシンラーニングパイプラインとのシームレスな統合が可能になる。 我々は, 自己微分, 暗黙的微分, 平衡伝播の3つの微分戦略をベンチマークし, 逐次的, 随伴のないシミュレーションのみを用いて勾配を近似できることを示す。
• 参考スコア（独自算出の注目度）: 32.75549521267761
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Epithelial tissues dynamically reshape through local mechanical interactions among cells, a process well captured by vertex models. Yet their many tunable parameters make inference and optimization challenging, motivating computational frameworks that flexibly model and learn tissue mechanics. We introduce VertAX, a differentiable JAX-based framework for vertex-modeling of confluent epithelia. VertAX provides automatic differentiation, GPU acceleration, and end-to-end bilevel optimization for forward simulation, parameter inference, and inverse mechanical design. Users can define arbitrary energy and cost functions in pure Python, enabling seamless integration with machine-learning pipelines. We demonstrate VertAX on three representative tasks: (i) forward modeling of tissue morphogenesis, (ii) mechanical parameter inference, and (iii) inverse design of tissue-scale behaviors. We benchmark three differentiation strategies-automatic differentiation, implicit differentiation, and equilibrium propagation-showing that the latter can approximate gradients using repeated forward, adjoint-free simulations alone, offering a simple route for extending inverse biophysical problems to non-differentiable simulators with limited additional engineering effort.
• Abstract（参考訳）: 上皮組織は細胞間の局所的な機械的相互作用を通じて動的に再形成する。 しかし、それらの多くの調整可能なパラメータは推論と最適化を困難にし、柔軟に組織力学をモデル化し学習する計算フレームワークを動機付けている。 私たちは、収束した上皮の頂点モデリングのための差別化可能なJAXベースのフレームワークであるVertAXを紹介します。 VertAXは、フォワードシミュレーション、パラメータ推論、逆機械設計のための自動微分、GPUアクセラレーション、エンドツーエンドのバイレベル最適化を提供する。 任意のエネルギとコスト関数を純粋なPythonで定義することで、マシンラーニングパイプラインとのシームレスな統合が可能になる。 代表的な3つのタスクについてVertAXを実証する。 一 組織形態形成の前方モデリング 二 機械的パラメータ推論、及び 三 組織規模の挙動の逆設計。 我々は, 自己微分, 暗黙的微分, 平衡伝播の3つの微分戦略をベンチマークし, 後続の非共役シミュレーションのみを用いて勾配を近似できることを示す。

関連論文リスト

• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• JAX-MPM: A Learning-Augmented Differentiable Meshfree Framework for GPU-Accelerated Lagrangian Simulation and Geophysical Inverse Modeling [1.4287758028119788]
  本稿では,物質点法(MPM)に基づくメッシュフリー解法 JAX-MPM を提案する。 この解法はユーレリア・ラグランジアン・ハイブリッドの枠組みを採用し、大きな変形、摩擦接触、材料挙動を捉える。 JAX-MPMは、そのタイムステッピングソルバを介して、効率的な勾配ベースの最適化を可能にする。
  論文  参考訳（メタデータ） (2025-07-06T00:00:11Z)
• Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains [19.755626638375904]
  進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。 重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。 提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
  論文  参考訳（メタデータ） (2024-10-12T07:49:23Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• Differentiable Implicit Soft-Body Physics [12.19631263169426]
  本稿では,ニューラルネットワークを微分可能な層として構成した,微分可能なソフトボディ物理シミュレータを提案する。 状態遷移を定義するために明示的なフォワードモデルを使用する他の微分可能な物理アプローチとは対照的に、関数の最小化によって定義される暗黙的な状態遷移に焦点を当てる。
  論文  参考訳（メタデータ） (2021-02-11T01:06:54Z)

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。