物理约束的神经网络解决神经元模型的逆问题
摘要：系统生物学和特别是系统神经生理学最近已经成为生物医学科学中许多关键应用的强有力工具。然而，这些模型通常基于复杂的多尺度（可能是多物理学）策略的组合，需要特定的计算策略，并且计算需求非常高。深度神经网络领域的最新发展表明，可以制定非线性、通用的逼近器来估计高度非线性和复杂问题的解决方案，与传统模型相比，速度和准确性都具有显著的优势。在合成数据验证之后，我们使用所谓的物理约束神经网络 (PINN) 来同时解决生物可行的霍奇金-赫克斯利模型，并从真实数据中推断其参数和隐藏的时间课程，在可变和恒定电流刺激下，演示了跨脉冲的极低变异性和忠实的信号重建。我们得到的参数范围也与先前的知识相符。我们证明详细的生物学知识可以提供给神经网络，使其能够适应模拟和真实数据上的复杂动态。
作者：Matteo Ferrante, Andera Duggento, Nicola Toschi
论文ID：2209.11998
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-09-27