用于心脏电生理的物理信息神经算子
机器学习
2026-04-22 v2
摘要
准确模拟由 PDE 控制的系统（例如心脏电生理（EP）建模中的电压场）仍然是一个重大的建模挑战。传统的数值求解器计算成本高且对离散化敏感，而典型的深度学习方法需要大量数据，且在处理混沌动力学和长期预测时存在困难。物理信息神经网络（PINNs）通过在学习过程中引入物理约束缓解了其中一些问题，但它们仍然受到网格分辨率和长期预测稳定性的限制。在这项工作中，我们提出了一种物理信息神经算子（PINO）方法来解决心脏 EP 中的 PDE 问题。与 PINNs 不同，PINO 模型学习函数空间之间的映射，使其能够泛化到多种网格分辨率和初始条件。我们的结果表明，PINO 模型能够在延长时间范围和多种传播场景下准确再现心脏 EP 动力学，包括在训练期间未见过的场景上的零样本评估。此外，我们的 PINO 模型在长期推演（预测被递归地反馈为输入）中保持高预测质量，并可以将其预测分辨率扩展至训练分辨率的 10 倍。与数值 PDE 求解器相比，这些优势显著减少了模拟时间，凸显了基于 PINO 的方法在高效和可扩展的心脏 EP 模拟中的潜力。
引用
@article{arxiv.2511.08418,
title = {Physics-Informed Neural Operators for Cardiac Electrophysiology},
author = {Hannah Lydon and Milad Kazemi and Martin Bishop and Nicola Paoletti},
journal= {arXiv preprint arXiv:2511.08418},
year = {2026}
}
备注
All code used in this work, including experimental results, can be found at https://github.com/janet-9/CardiacEP-PINOS This work was accepted for a poster presentation at the 2026 L4DC conference