代表性与优化相结合:培训PINN和PIKAN用于系统药理学中的灰盒发现
Nazanin Ahmadi Daryakenari1, Khemraj Shukla2, George Em Karniadakis2
1Center for Biomedical Engineering, Brown University, Providence, 02912, RI, USA.
物理信息化科尔摩戈罗夫-阿诺德网络 (PIKANs) 为系统识别提供了物理信息化神经网络 (PINNs) 的替代方案. 这项研究对PIKAN和PINN进行了基准测试,为优化它们在系统药理学中的性能提供了指导.
科学领域:
- 计算科学 计算科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 物理信息神经网络 (PINNs) 和物理信息科尔摩戈罗夫-阿诺德网络 (PIKANs) 是逆向问题和系统识别的先进模型.
- 对PIKAN和PINN在准确性和速度方面的表现缺乏全面的了解.
- 现有的研究尚未充分探索优化器和建筑选择对这些模型的影响.
研究的目的:
- 系统地调查优化器,表示和训练配置对PINNs和PIKANs性能的影响.
- 引入和评估一个修改后的PIKAN架构,tanh-cPIKAN,以提高性能.
- 为选择系统药理学最佳模型和培训策略提供实际指导.
主要方法:
- 使用Optax库对各种优化器 (一级,二级,混合) 和学习率调度器进行基准测试.
- 评估模型架构 (MLP vs. KAN),数值精度 (单个 vs. 双重) 和预热阶段的影响.
- 评估更大的模型的优化器可扩展性,并分析JAX相关的计算效率和数值准确性的权衡.
- 使用两个系统药理学案例研究:药理动力学模型和化疗药物反应模型.
主要成果:
- 确定了有效的优化器和表示组合,用于在具有挑战性的条件下学习灰色框模型 (错位,非唯一,数据稀疏).
- 演示了受模型架构,数值精度和初始学习率影响的性能变化.
- 量化了与JAX实现有关计算速度和准确性的权衡.
- h-cPIKAN架构显示了增强性能的承诺.
结论:
- 这项研究为选择适当的优化器和架构提供了实用的见解,以在系统药理学中实现强大和高效的灰盒发现.
- 结果为改善生物医学应用中的物理信息网络培训提供了可操作的指导.
- 优化训练配置对于最大限度地提高PIKAN和PINN的准确性和速度至关重要.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
11:06Network Pharmacology Prediction and Metabolomics Validation of the Mechanism of Fructus Phyllanthi against Hyperlipidemia
Published on: April 7, 2023
相关概念视频
Protein-protein Interfaces
Drug Discovery: Overview
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Mechanistic Models: Overview of Compartment Models
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Analysis of Population Pharmacokinetic Data
