XiaoMi-AI文件搜索系统
World File Search System力学模型
来自健康受试者的生成全脑动力学模型预测单个患者水平的中风的功能改变
计算全脑模型基于局部模型，区域间功能相互作用以及指定区域间连接强度的结构连接组来描述每个大脑区域的静息活动。损害了构成这些模型的骨干的健康构成构成连接组，并在区域间功能相互作用中产生巨大变化。这些相互作用通常是通过将两个大脑区域之间的活动的时间序列相关联，该过程称为静止功能连接。我们表明，添加有关患者病变产生的结构断开信息的信息，以前是先前对来自大量健康受试者的结构和功能数据进行培训的全脑模型，可以预测患者的静止功能连接性，并直接适合该模型的数据，直接适合患者的数据（Pearson Earleration = 0.37 = 0.37 = 0.37;均一差异= 0.005）。此外，模型动力学再现了基于功能连通性的措施，这些措施通常是中风患者中的MAL和特异性分离这些异常的措施。因此，尽管全脑模型通常涉及大量自由参数，但结果表明，即使固定了这些参数，该模型也会从与训练模型的人群截然不同的人群中重现。除了验证模型外，这些结果还表明，该模型可以机械地捕获解剖结构与人脑的功能活性之间的关系。
物理热力学模型中的机器学习方法
对混合物的热力学特性的了解对于化学工程至关重要。然而，混合物的纯粹组合多样性使得无法实验研究每种相关混合物，从而使可靠的词典方法是必不可少的。组分组方法（GCM）被广泛用于此目的。最完善的GCM是预测液体混合物中的效率系数的UNIFAC。自1975年引入[3]以来，它已不断修订和改进[15、4、12、16、5、17]，并在基本上所有过程模拟器中实施，强调了其持久的相关性和成功。我们使用最新发布的UNIFAC [17]，在此标记为Unifac 1.0，作为参考。uniFAC 1.0将组件分解为结构组，将其应用于给定的混合物需要成对相互作用参数（a），对于发生的主组M和N的每个二元组合。ever，由于缺乏直接拟合的实验数据，在某些情况下，所有组对组的相互作用参数缺少56％的组，在某些情况下，由于有挑战性的拟合过程，这会严重阻碍unifac 1.0的适用性（单个丢失的相关参数会阻止使用该模型）。未知的MN可以使用基于COSMO的预测方法或原子相互作用参数的人工训练数据来估算MN。然而，两种方法都产生不可靠的结果，并且无法与实验蒸气液平衡（VLE）数据相匹配[13]。在这项工作中，我们介绍了一种基于机器学习的GCM相互作用参数的新方法。该方法基于以下想法：配对参数可以视为方形矩阵的元素和
基于神经动力学模型的基于增强学习的MPC
摘要 - 本文提出了开发非线性模型预测控制（NMPC）策略的端到端学习，该策略不需要明确的第一原理模型，并假定系统动力学是未知或部分已知的。本文提出了使用可用的测量结果来识别标称复发性神经网络（RNN）模型来捕获非线性动态，其中包括对状态变量和输入的约束。要解决仅将模型拟合到数据而产生的次优控制策略的问题，本文使用加固学习（RL）来调整NMPC方案并为真实系统生成最佳策略。该方法的新颖性在于使用RL来克服名义RNN模型的局限性并产生更准确的控制策略。本文讨论了RNN模型的初始状态估计的实施方面以及MPC中神经模型的整合。在经典的基准控制问题上证明了所提出的方法：级联的两个坦克系统（CTS）。索引术语 - 强化学习，非线性模型预测控制，复发性神经网络
将业务流程模型转换为系统动力学模型——开发转换工具
论文表明，虽然该工具成功证明了自动将BPMN转换为SD模型的可行性，但需要一个更稳定的开发平台来扩展平台的功能。此外，还需要进一步改进以优化自动转换，以方便使用更复杂的模型。该研究不仅为业务流程管理领域BPMN到SD模型的（自动）转换提供了实用的解决方案，而且为未来整合不同建模方法以更深入地理解和优化组织流程的研究奠定了基础。
高通量DNA熔体测量值可改善DNA折叠热力学模型
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2024年4月20日。; https：//doi.org/10.1101/2024.01.01.08.574731 doi：biorxiv Preprint
生成机器学习产生的动力学模型，可以准确地表征细胞内代谢状态
。cc-by 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本于2024年4月25日发布。 https://doi.org/10.1101/2023.02.21.529387 doi：biorxiv preprint
Covid-19 大流行的 SIRSi 疫苗动力学模型
Covid-19 是由严重急性呼吸综合征冠状病毒 2 引起的，于 2020 年初爆发大流行。该疾病的迅速蔓延促使全球采取前所未有的应对措施，包括学术机构、监管机构和行业。事实证明，疫苗接种和非药物干预措施（包括保持社交距离）是抗击疫情的最有效策略。在这种情况下，了解 Covid-19 传播的动态行为以及可能的疫苗接种策略至关重要。在本研究中，提出了一个易感-感染-移除-患病模型（SIRSi 疫苗），该模型考虑了未报告但具有传染性的病例。该模型考虑了感染或接种疫苗后获得暂时免疫的可能性。这两种情况都会导致疾病的传播。在疫苗接种率和隔离指数的参数空间中，确定了无病平衡和地方病平衡的交替和互斥稳定性的跨临界分叉图。根据模型的流行病学参数确定了这两个点的现有平衡条件。分叉图使我们能够估计每组参数预期的最大确诊病例数。该模型采用了来自巴西圣保罗州首府圣保罗的数据，该数据描述了所考虑数据窗口的确诊感染病例数和隔离指数。此外，模拟结果表明，隔离指数的周期性小幅度波动可能导致易感人群和确诊病例数出现周期性无阻尼振荡行为。所提出的模型的主要贡献如下：当疫苗接种与社会隔离相结合时，只需付出最少的努力，同时还要确保平衡点的存在。该模型可以为政策制定者提供有价值的信息，帮助制定结合疫苗接种和非药物干预措施（例如保持社交距离和佩戴口罩）的疾病预防缓解策略。此外，SIRSi 疫苗模型促进了对未报告的感染但具有传染性的病例信息的定性评估，同时考虑了暂时免疫、疫苗接种和社会隔离指数。© 2023 ISA。由 Elsevier Ltd. 出版。保留所有权利。
在体外外推的发育神经毒性：基于生理的药代动力学模型（Niceatm SOT 2024海报）
Perfluorooctanoic acid Benomyl Cloprop Malathion Tembotrione Reserpine Methotrexate Warfarin 6-P ropyl-2-thiouracil Fenamiphos Caffeine Methyl parathion Triamcinolone Tebupirimfos Spiroxamine Tetracycline Carbofuran Azoxystrobin Fipronil Emamectin benzoate Lindane Imidacloprid MGK Perfluorooctanesulfonamide Simvast atin Indoxacarb Endosulfan Diazinon Boscalid P hosmet Tris(1,3-dichloro-2-propyl) phosphate Bisphenol AF Pyraclostrobin Lovastatin 5,5-Diphenylhydantoin Fost hiazate Coumaphos P horate Cytarabine hydrochloride Pirimiphos-methyl Tamoxifen Bisphenol B Chlorpyrifos-methyl Triphenyl phosphate Auramine hydrochloride Bensulide 2,2-Bis(4-hydroxyphenyl)-1,1,1-trichloroethane Flusilazole 17beta-Estradiol M olinate Mifepristone Tri-allate Rotenone三氯糖丁醇丁酰丁氧化物氟替纳乙烯四甲酸乙酸酯氟氧赛tebuconazole甲氧氯甲苯甲苯甲甲基甲基甲基甲基terbufos氯普里氏菌dieldrifos dieldieldrifos dieldieldrifos dieldrifos dieldieldrin七氯离聚蛋白P，p'-ddd bif ensfenrin Esfenrase二乙基苯甲酸苯甲酸烯二酚苄氯糖蛋白tefluthrin Tefluthrin diphenhydramine盐酸盐酸盐盐酸非洲苯二苯甲酸苯二烯mirex mirex mirex bisphenol-a p，p'-ddt o，p'-ddt o，p'-ddt o，p'- ddt o，p'-p'- ddt benz an an an an an an an an an an an an an an an an an an an an an an an an an and and and苯并（b）氟苯二乙基苯甲酸苯甲酸酯
使用物理信息神经网络从静息状态 fMRI 数据进行脑动力学模型参数估计
摘要 — 由于脑动力学的复杂性，静息态功能性磁共振成像 (rsfMRI) 中血氧水平依赖性 (BOLD) 信号的传统建模难以进行参数估计。本研究介绍了一种新型脑动力学模型 (BDM)，该模型通过微分方程直接捕捉 BOLD 信号变化。与动态因果模型或神经质量模型不同，我们将血流动力学响应整合到信号动力学中，同时考虑直接和网络介导的神经元活动效应。我们利用物理信息神经网络 (PINN) 来估计此 BDM 的参数，利用它们将物理定律嵌入学习过程的能力。这种方法简化了计算需求并提高了对数据噪声的鲁棒性，为分析 rsfMRI 数据提供了全面的工具。利用按估计参数缩放的功能连接矩阵，我们应用最先进的社区检测方法来阐明网络结构。我们的分析表明，在比较神经正常个体与自闭症谱系障碍 (ASD) 患者时，特定大脑区域的参与系数存在显著差异，男性和女性群体之间存在明显差异。这些差异与之前研究中涉及的区域一致，进一步证实了这些区域在 ASD 中的作用。通过将 PINN 与高级网络分析相结合，我们展示了一种分析 ASD 复杂神经特征的稳健方法，为神经成像和更广泛的计算神经科学领域的未来研究提供了一个有希望的方向。
使用学习动力学模型的有效基于偏好的增强学习
摘要 - 基于偏好的增强学习（PBRL）可以使机器人能够根据个人的喜好学习执行任务，而无需手工制作的重新功能。但是，现有方法要么假设访问高保真模拟器或分析模型，要么采用需要广泛的，可能是不安全在线环境互动的模型方法。在本文中，我们研究执行PBRL时使用学习动力学模型的好处和挑战。，我们提供的证据表明，在执行PBRL时，学到的动态模型提供了以下好处：（1）比无模型的PBRL相比，偏好启发和政策优化需要明显少于环境的互动，（2）可以在没有基于标准模型的RL和（3）奖励的范围内，无需逐步征服（2）各种偏好查询即可综合使用。 相互作用。我们的论文提供了经验证明，学到的动态模型使机器人能够以用户偏好的方式来学习自定义的策略，这些方式比先前的偏好学习方法更安全，更有效。补充材料和代码可在https://sites.google.com/berkeley.edu/mop-rl上找到。