PulseAugur
中
实时 08:55:26
English(EN) Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design

具有生物学启发的神经网络为机械推理提供新途径

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了具有生物学启发的神经网络（BINNs），通过将机械微分方程嵌入神经网络训练中，以帮助理解复杂的生物过程。这种方法可以直接从稀疏和嘈杂的观测数据中恢复可解释的算子。一项系统性研究表明，可靠的算子恢复取决于多种因素的平衡，包括网络架构、优化策略和数据信息量。研究结果表明，中等表达能力的架构、中等的学习率、平衡的数据和 PDE 损失以及中等的批量大小对于成功的机械推理至关重要，并为常见的故障模式提供了实用的诊断方法。 AI

影响 提供了一个从数据中发现生物学机制的框架，有可能加速定量生物学研究。

排序理由 详细介绍一种新的科学发现方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

具有生物学启发的神经网络为机械推理提供新途径

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Rebecca M. Crossley, Yuan Yin, Sarah L. Waters, Ruth E. Baker ·

    Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design

    arXiv:2607.07425v1 Announce Type: cross Abstract: Many biological processes are governed by complex dynamical mechanisms that remain incompletely understood despite increasing volumes of experimental data. Biologically-informed neural networks (BINNs) seek to address this challen…

  2. arXiv cs.LG TIER_1 English(EN) · Ruth E. Baker ·

    Reliable mechanistic operator recovery with biologically-informed neural networks: principles for architecture and optimisation design

    Many biological processes are governed by complex dynamical mechanisms that remain incompletely understood despite increasing volumes of experimental data. Biologically-informed neural networks (BINNs) seek to address this challenge by embedding mechanistic differential equations…

相关话题