物理信息极限函数连接理论应用于流行病学仓室模型的数据驱动参数发现
计算物理
2020-08-14 v1
摘要
本工作中，我们应用一种新颖、准确、快速且鲁棒的物理信息神经网络框架——称为极限函数连接理论（X-TFC），用于通过参数常微分方程（ODEs）建模的问题的数据驱动参数发现。所提方法融合了两种近期发展的、用于求解含参数微分方程问题的框架：1）函数连接理论（TFC）与 2）物理信息神经网络（PINN）。特别地，本工作聚焦于 X-TFC 以确定性方法求解逆问题以估计流行病学仓室模型参数的能力。本工作处理的流行病学仓室模型包括易感-感染-恢复（SIR）、易感-暴露-感染-恢复（SEIR）以及易感-暴露-感染-恢复-易感（SEIR）。结果表明，X-TFC 方法在使用无扰动与扰动数据对参数 ODEs 建模的系统进行数据驱动参数发现时，具有低计算时间、高精度与高效性。
引用
@article{arxiv.2008.05554,
title = {Physics-Informed Extreme Theory of Functional Connections Applied to Data-Driven Parameters Discovery of Epidemiological Compartmental Models},
author = {Enrico Schiassi and Andrea D'Ambrosio and Mario De Florio and Roberto Furfaro and Fabio Curti},
journal= {arXiv preprint arXiv:2008.05554},
year = {2020}
}