Aug, 2023
分叉潜在神经操作器
Branched Latent Neural Operators
TL;DR引入了分支潜在神经算子（BLNOs）来学习编码复杂物理过程的输入-输出映射。该方法通过简单而紧凑的前馈部分连接神经网络结构化地解开带有不同内在角色的输入（如时间变量和微分方程的模型参数）并将其转化为感兴趣的通用场。BLNOs利用可解释的潜在输出增强了学到的动力学，并通过在单个处理器上使用较小的训练数据集和较短的训练时间展现出极好的泛化性能。本研究在一个涉及儿童心脏发育不全综合征的两心室心脏模型的生物物理电生理模拟挑战性测试中展示了BLNOs的能力。该模型包括用于快速传导的Purkinje网络和心脏-躯干几何结构。通过在150个模拟生成的12导联心电图（ECG）数据上训练BLNOs并涵盖7个模型参数，涵盖了细胞层次、器官层次和电性异步方面。尽管12导联心电图显示出非常快速的动态和急剧的梯度变化，但经过自动超参数调整，在单个CPU上不到3小时的训练时间内，优化的BLNO模型仅保留7个隐藏层和每层19个神经元，其均方误差在一个独立的测试数据集上（包含了额外的50个电生理模拟）上是$10^{-4}$的数量级。本论文提供了一种新的计算工具，用于在工程应用中构建可靠且高效的降阶模型进行数字孪生。