Sep, 2023

AI-Aristotle：物理启发式框架用于生物系统灰盒识别

PDF
TL;DR我们提出了一种新的物理知识 - 感知框架，用于系统生物学领域中的参数估计和缺失物理识别 (gray-box identification)，该框架将 eXtreme Theory of Functional Connections (X-TFC) 的域分解和 Physics-Informed Neural Networks (PINNs) 与符号回归 (Symbolic Regression) 技术相结合，以实现参数发现和灰盒识别。通过在两个系统生物学基准问题上进行测试，我们证实了 AI-Aristotle 方法的准确性、速度、灵活性和稳健性，这两个问题分别是药物吸收动力学模型和葡萄糖胰岛素相互作用的超活动内分泌模型。本研究的主要贡献在于通过合成数据验证了 AI-Aristotle 的性能，但其同样可以处理带有噪声的实验数据，并且甚至可以在笔记本上仅用几分钟进行黑盒识别。此外，我们还提供了将神经网络与符号回归器集成的精确性、成本、可扩展性和稳健性方面的见解，为研究人员在生物医学领域及其他复杂动态系统中解决灰盒识别挑战提供了全面指南。
发现论文，激发创造
  • AI-Lorenz：一种用于深度学习物理推理的黑盒和灰盒混沌系统鉴定框架

    通过从嘈杂和稀疏的可观测数据中识别微分方程，我们开发了一个框架，学习建模复杂动力行为的数学表达式，从而填补了基于经验数据而非已知物理机制的系统的数学模型的空白。

    Dec, 2023

  • 基于符号回归与扩展物理 - 启发式神经网络的框架，用于从数据中学习方程的灰盒子动力学

    该研究提出了一种基于 X-PINNs 和符号回归的方法，通过数据识别非线性方程中的未知部分，并在面对实际数据中的噪声和数据不足的情况下表现良好。

    May, 2023

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 基于物理信息的神经网络用于发现具有不可测量状态的系统，应用于锂离子电池

    将机器学习与物理学相结合是一种研究未知动力学的热门方法，其中一种被广泛研究的框架是基于物理方程的神经网络（PINN）。此论文介绍了一种稳健的 PINN 训练方法，通过减少损失项，构建了一个较简化的优化过程，应用于电池模型以同时估计其状态和参数。

    Nov, 2023

  • AI Feynman：一种基于物理启发的符号回归方法

    通过将神经网络和物理启发式技术结合起来，我们开发了一种递归多维符号回归算法，将其应用于来自费曼物理学讲义的 100 个方程，并成功发现了所有未知函数方程。

    May, 2019

  • 具有硬线性相等约束的基于物理知识的神经网络

    提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN，通过从 KKT 条件得出的投影层，进一步提高了预测准确性。

    Feb, 2024

  • 面向实际物理系统编码动力学的基于物理信息的神经网络

    本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

    Jan, 2024

  • 运用物理知识和有限数据的基于物理信息的神经网络在动态过程操作中的应用

    化学工程中，使用物理信息的神经网络模型可以有效地进行过程建模，尤其对于缺乏实验数据和部分未知机理描述的情况下，其推断未测状态的准确性较高且泛化能力强，可作为一种有前景的研究方向进行深入探究。

    Jun, 2024

  • 具有部分信息的识别：针对某些已知物理变量、参数、时间的情况

    通过数值积分和物理先验知识，利用基于神经网络的方法鉴定动态系统，允许任意时间点的数据学习，同时估计实验参数。

    Apr, 2023

  • 波尔德温演化算法实现的通用神经物理求解器

    通过对生物学中的鲍德温效应的生物学透镜的研究，本文首次研究了学习能够同时概括整个物理任务系列的物理知情神经网络（Physics-informed neural networks）的潜力。借鉴能够快速学习、预测和快速适应环境的早成品种的神经发育，我们构想了一种对物理学的高效学习产生强偏差的预连结强度的物理知情神经网络。为此，我们将进化选择压力（通过在一系列任务上的熟练程度进行指导）与终身学习（以在更小的一部分任务子集上专精）相结合，以生成展示出快速和符合物理规律的预测能力的物理知情神经网络，可以适应一系列充满挑战的实例问题。与通过梯度下降元学习的物理知情神经网络相比，鲍德温方法在预测准确性上提供了数量级的提升，并大大降低了计算成本。本文标志着物理知情神经网络作为通用物理求解器的元学习迈向了一个新的台阶。

    Dec, 2023