通过LSTM-AI加速求解耦合非线性常微分方程
机器学习
2020-09-18 v1 生物物理
摘要
本项目旨在利用机器学习，特别是神经网络（NN），学习一组耦合常微分方程（ODEs）的轨迹，并通过该代理模型减少求解ODE所需的计算时间。作为具有已证实生物学意义的示例系统，我们使用与光合作用相关的蓝细菌基因调控回路的ODE模型\cite{original_biology_Kehoe, Sundus_math_model}。利用该示例系统数值解生成的数据，我们训练了多个长短期记忆神经网络。当网络在测试数据上达到3%的精度时停止训练，所得网络能够预测超出输入值0.25分钟至6.25分钟的ODE时间序列值。我们比较预测计算时间与数值解计算时间，观察到计算加速比在9.75至197倍之间。鉴于该概念验证的成功，我们计划未来持续推进此项目，并试图在基于智能体的建模平台中实现相同的计算加速。
引用
@article{arxiv.2009.08278,
title = {Accelerated solving of coupled, non-linear ODEs through LSTM-AI},
author = {Camila Faccini de Lima and Juliano Ferrari Gianlupi and John Metzcar and Juliette Zerick},
journal= {arXiv preprint arXiv:2009.08278},
year = {2020}
}
备注
7 pages, 2 figures