非線性問題的閉包是一個眾所周知的挑戰。雖然已經提出了許多理論方法來處理這種閉包,但非線性仍然是許多問題的重要障礙。
近日,來自俄勒岡州立大學的研究人員在Journal of Computational Physics上線上發表了題為“Explicit physics-informed neural networks for nonlinear closure: The case of transport in tissues”的研究論文,表明機器學習科技可以提供强大的新工具來推進個性化醫療,根據患者生物學和疾病特徵的獨特方面優化其結果的護理。
機器學習是人工智慧的一個分支,其中電腦系統使用算灋和統計模型來尋找數據趨勢,在細胞水准上解决了生物系統中長期無法解决的問題。在模擬器官內的細胞活動時,不可能單獨類比該器官中的每個細胞——一立方釐米的組織可能包含十億個細胞——囙此研究人員依賴於所謂的放大。
陞級旨在减少分析或類比特定生物過程所需的數據,同時保持細胞水准上發生的覈心生物學、化學和物理學的保真度——模型準確再現某些東西的程度。生物系統抵制傳統的陞級科技,這就是機器學習方法的用武之地。
通過在細胞水准上减少一個非常複雜系統的資訊負載,研究人員可以更好地分析和建模這些細胞的影響或反應,而無需對每個細胞進行高保真建模。這種新方法可以為基於數值模型結果的潜在患者治療鋪平道路。在該研究中研究人員採用機器學習並開發一種新方法來解决生物和化學系統中的經典非線性問題,利用所謂的深度神經網路來提升組織內運輸和反應中發現的非線性過程。
研究人員認為多種學科的結合——例如分子生物學、應用數學和連續介質力學——正在以新的管道結合起來,使這成為可能。其中一個關鍵組成部分肯定是機器學習方法的持續進步。
參考文獻:
http://dx.doi.org/10.1016/j.jcp.2021.110781