基于数据驱动的结构不稳定下形态发生的方法
利用局部线性模型和层次聚类的方法,对复杂系统进行分析,将数据划分为多个窗口进行简单的指数衰减和振荡分析,通过收集每个窗口的参数,提取出时间序列的特征,从而可以应用于分析 $C. elegans$ 神经元运动和全脑成像等研究。
Jul, 2018
该研究报道了一种之前未知的现象,即进化发现了对控制变化具有鲁棒性的身体计划,这些身体计划成为遗传上同化的,但这些代理人的控制器并未被同化。这发现对于人工和实体代理人的进化设计有影响,如机器人对其控制器内部变化具有鲁棒性,也可能对其环境的外部变化具有鲁棒性。
Nov, 2017
我们提出了一个基于数据驱动的、物理上可行的深度学习框架,用于分类动力学区域和表征分支边界,基于提取拓扑不变特征。我们还演示了该方法在分析真实数据中的使用,通过基于单细胞数据,在基因表达空间中恢复胰岛内分泌发育轨迹上的不同增殖和分化动态。我们的方法为各种动力学系统的定性长期行为提供了有价值的洞察,并能检测大规模物理和生物系统中的分叉或灾变转变。
Dec, 2023
研究和利用机器人系统中的形态对称性,证明其对机器学习模型的样本效率和泛化能力有显著影响,并将机器人动力学分解为低维度、独立动力学,为机器人学中的建模、控制、估计和设计提供了新的物理信息几何先验。
Feb, 2024
用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化,利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构,允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念,数据增强引入对称性,有效性经三个不同的用例验证,可可视化时空演化,研究不同形态限制下的缺陷密度及其演化。在应用方面,展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。
Aug, 2023
通过数据驱动算法和高性能计算,我们构建了一个基于时空光锥的框架,用于实现新现象的自组织,并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面,我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为,而在应用方面,我们演示了局部因果状态可用于识别已知(飓风和大气河流)和新的极端天气事件,并且可以通过高分辨率气候数据进行时间跟踪。
Apr, 2023
该综述论文重点介绍了最先进的数据驱动技术,用于发现、编码、替代或仿真描述固体无路径依赖响应的本构法则。我们旨在提供一个有组织的分类体系,介绍过去几十年中开发的各种方法的优点和缺点,并讨论在不同尺度上解释和预测力学行为的不同技术。我们将方法分为基于机器学习和无模型方法,并根据解释能力和所需数据学习过程 / 类型进一步分类,同时讨论了一般化和可信性的关键问题。我们试图提供一个数据可用性感知背景下如何解决这些问题的路线图,并涉及数据采样技术、实验设计、验证和验证等相关方面。
May, 2024
本文讨论了生物系统的模块化和等级结构,重点从蛋白质结构、基因、生物网络模块化分区的例子,并着重解释了生物学如何从化学多种可能性中自发地组织成结构化形式的理论。更重要的是,本文将模块化出现的过程描述为一种破缺对称的相变,以模块作为有序参数,并回顾了实验证据。讨论了病原体结构、代谢网络、基因网络和蛋白质 - 蛋白质相互作用网络以及生态食物网络、发育途径、生理学和社交网络。
Apr, 2012
本文介绍了一种基于路径增强和数据驱动控制的方法,可以高效地确定低采样率下系统的确定性力量,以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。
Apr, 2023