Apr, 2024

利用物理信息神经网络发现固有的多区间药物动力学模型

PDF
TL;DR本研究引入了 PKINNs，这是一种全新的纯数据驱动药代动力学信息网络模型，通过符号回归方法，它能高效地发现和建模基于多室的药代动力学结构，并可靠地预测其衍生物。我们的计算框架展示了在药物代谢动力学应用中发现闭合形式模型的潜力，从而解决了传统模型推导的劳动密集性问题，随着大型数据集的日益丰富，该框架有望显著增强基于模型的药物发现。
pharmacometric modelspkinnsdata-drivenpharmacokinetic-informed neural networkclosed-form model discovery
发现论文，激发创造
  • 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

  • 通过通用的物理信息神经网络学习化疗药物作用机制

    本研究利用 Universal Physics-Informed Neural Networks（UPINNs）从合成数据中学习化疗药物动力学的三种常用作用方式（log-kill、Norton-Simon 和 E_max），并使用 UPINN 方法同时拟合多个合成数据集的参数。最后，学习了一种多柔比星（一种化疗药物）动力学模型中的净增殖速率，突出了 UPINNs 在学习药效动力学和药物代谢动力学模型中未知项的有用性。

    Apr, 2024

  • 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

  • 通过物理知识指导的神经网络科学机器学习：现状和未来展望

    文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

    Jan, 2022

  • 一种深度神经网络 -- 机械混合模型预测大鼠药物动力学

    通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。

    Oct, 2023

  • 物理公式增强的多任务学习用于药代动力学预测

    我们开发了一种物理公式增强的多任务学习（PEMAL）方法，通过将物理公式纳入多任务框架中，增强了药物代谢动力学参数的预测准确性。我们的研究表明，PEMAL 相对于 Typical Graph Neural Networks 显著降低了数据需求，并提高了对噪声的鲁棒性，此外，PEMAL 的高灵活性也有潜在的应用价值。

    Apr, 2024

  • 基于物理信息的神经网络及其在物理信息机器学习中的相关模型的数值分析

    对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述，并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为，以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用，最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。

    Jan, 2024

  • 光谱偏差和内核任务对齐在物理信息神经网络中的应用

    物理信息神经网络是一种有效求解偏微分方程的新方法，通过理论框架将其与高斯过程回归等价，并推导出由其架构选择所引起的核项来增强其预测能力，并通过源项的谱分解量化其隐含偏差

    Jul, 2023

  • 物理引导神经网络优化的建筑策略

    物理启发的神经网络（PINNs）通过将深度学习与基本物理原理相结合，为解决偏微分方程中的正向和反向问题提供了一种有前途的方法。本研究从神经网络架构的角度深入探讨了 PINN 优化的复杂性，利用神经切向核（NTK），揭示了高斯激活提供了比其他激活函数更有效训练 PINNs 的优势。在数值线性代数的启示下，我们引入了一种经过预处理的神经网络架构，展示了这种定制架构如何增强优化过程。我们通过对科学文献中已有的偏微分方程进行严格验证，证实了我们的理论发现。

    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