复杂神经突网络中物质传输的深度学习
计算工程、金融与科学
2021-03-17 v1
摘要
神经元在其分支的神经突网络中表现出复杂几何形态，这对单个神经元的功能至关重要，但也给在其神经突网络中传输多种必需物质以维持生存与功能带来了挑战。虽然等几何分析（IGA）等数值方法已通过求解偏微分方程（PDEs）用于建模物质传输过程，但它们需要很长的计算时间和巨大的计算资源以确保精确的几何表示与解，从而限制了其生物医学应用。在此我们提出一种基于图神经网络（GNN）的深度学习模型，以学习基于 IGA 的物质传输仿真，并对任意拓扑神经突网络内的物质浓度进行快速预测。给定输入边界条件和几何配置，训练良好的模型可预测传输过程中的动态浓度变化，平均误差小于 10%，且比 IGA 仿真快 120~330 倍。所提模型的有效性在若干复杂神经突网络中得到了验证。
引用
@article{arxiv.2103.08654,
title = {Deep learning of material transport in complex neurite networks},
author = {Angran Li and Amir Barati Farimani and Yongjie Jessica Zhang},
journal= {arXiv preprint arXiv:2103.08654},
year = {2021}
}