Валидация вычислительной модели дыхательной системы для механической вентиляции

Гипероднородные системы, определяемые аномальным подавлением крупномасштабных флуктуаций плотности, являются парадигмой неравновесной самоорганизации. Хотя механизмы, лежащие в основе самоорганизации гипероднородных состояний, были широко изучены, энергетика этого процесса остается неизученной. Это поднимает фундаментальный вопрос: какова энергетическая стоимость самоорганизации гипероднородной системы? В нашей работе мы рассматриваем этот вопрос на нескольких системах с шариками, подверженных шуму, взятых из области мягких материалов и машинного обучения, в которых гипероднородность может быть вызвана настройкой корреляций шума. Несмотря на их различные микроскопические динамики, мы выявляем универсальное поведение во всех системах: гипероднородные состояния являются максимально необратимыми, что количественно определяется скоростью производства энтропии. Кроме того, мы разрабатываем формулировку интеграла по траектории для скорости производства энтропии, основанную непосредственно на микроскопической динамике, что объясняет наши наблюдения. Наша работа устанавливает прямую связь между возникающей длинноRange структурой и временной необратимостью и открывает новый путь к исследованию энергетических затрат гипероднородной самоорганизации, которая повсеместно встречается в физике, биологии и материаловедении.

В данной статье предлагается игровая модель, позволяющая рассматривать любопытство как экосистему. Прежде всего, предполагается, что политике запроса одного агента (как, когда и почему агент задает вопрос) сопутствуют факторы, такие как ценность немедленного уменьшения неопределенности, затраты, отсроченные результаты и ценность сохранения вопроса открытым. Ключевым понятием в данной модели является то, что значения этих связанных с принятием решения параметров могут изменяться в зависимости от опыта. Например, период дешевых, быстро отвечаемых вопросов может изменить стоимость запроса на коротком временном интервале и повлиять на то, к каким вопросам агент будет стремиться ответить в более долгосрочной перспективе. Во-вторых, эти идеи распространяются на множество агентов, исследующих общую область знаний, и в этой модели отслеживаются объем запросов, разнообразие тем, направленность на передний край, избыточность и возможность повторного использования знаний. В результате получается концептуальная игровая модель для изучения экологии любопытства и для будущих усилий по проектированию многократных агентных систем ИИ для открытия. Она служит сопутствующей статьей к работе, которая в настоящее время находится на рецензии в журнале Trends in Neurosciences.

Ученые часто стремятся делать причинные выводы на основе структурированных данных, которые не являются независимыми и одинаково распределенными, таких как пространственные данные, данные сетей или молекулярные данные. Мы разрабатываем геометрические причинные модели (ГПМ), представляющие собой рамки для причинного вывода на основе зависимых данных, которые учитывают основные симметрии процесса генерации данных. Например, в пространственных данных мы рассматриваем процессы, которые симметричны относительно трансляций, или в графовых данных, симметричны относительно пермутаций узлов. Мы показываем, как симметрии, формализованные с помощью теории групп, могут способствовать идентификации и оценке причинных отношений. Мы используем эргодическую теорию для удобных групп, чтобы установить идентификацию, и комбинируем геометрическое глубокое обучение с масштабируемым байесовским выводом для оценки. Мы восстанавливаем причинные модели i.i.d. и do-калькул, когда данные представляют собой последовательность, и симметрия является пермутационной эквивариантностью, и находим новые типы причинных моделей, когда используем альтернативные структуры и симметрии. В качестве примера мы строим причинную модель, которая удовлетворяет симметриям ДНК. Эта ГПМ позволяет получить новые оценки эффектов генетической вариации, комбинируя глубокие функциональные модели геномики для описания исходов и языковые модели ДНК для описания склонностей. Мы иллюстрируем это на семисинтетических данных.

Современные вычислительные подходы к дизайну лекарств обычно сосредоточены на генерации молекул, основанных на определенных мишенях или общих молекулярных свойствах, часто забывая о влиянии контекста болезни на поведение мишеней и терапевтические результаты. Чтобы устранить этот недостаток, мы представляем DrugGen-2, новую генеративную модель, которая разрабатывает маломолекулярные соединения с учетом как онтологии болезни, так и последовательностей целевых белков. DrugGen-2 была разработана путем дообучения предобученной модели GPT-2 на курированном наборе данных одобренных лекарств, связанных с их заболеваниями и мишенями, с использованием двухступенчатой стратегии, которая включает контролируемое дообучение, за которым следует обучение с подкреплением через оптимизацию групповой относительной политики (GRPO). Этот процесс был направлен функциями вознаграждения, которые оптимизировали химическую валидность, новизну, разнообразие и высокую предсказанную связующую аффинность. При оценке на пяти белковых мишенях, связанных с диабетической нефропатией, DrugGen-2 значительно превзошла базовые модели (DrugGPT и DrugGen). Она продемонстрировала превосходные способности генерировать уникальные молекулы, показала большую структурную схожесть с одобренными лекарствами и достигла улучшенной предсказанной связующей аффинности для всех целевых объектов. Анализы молекулярного докинга дополнительно подтвердили эти выводы, выявив кандидатов-лигандов с сильным связывающим потенциалом, включая соединения с предсказанными аффинностями (-9.917, -9.485 и -9.367), которые превышают таковые дляReference drugs, таких как эналаприл, для ангиотензин-превращающего фермента (-8.283). Интегрируя специфический для болезни контекст в генерацию молекул, DrugGen-2 продвигает вспомогательное основанное на ИИ открытие лекарств, предлагая мощный инструмент для нового дизайна и перепрофилирования лекарств с учетом сложного взаимодействия между заболеваниями и молекулярными мишенями.

В данной работе мы рассмотрели различные подходы к математическому моделированию биологически правдоподобных нейронных систем. Модели характеризуются и классифицируются на основе их общих черт и специализированных случаев использования. В дополнение к моделям с всплесками также рассматриваются различные типы дискретных и непрерывных аналогов, чтобы точно смоделировать биологические процессы, включая динамику мембранного потенциала. Под исследование попадают нейроны и различные компоненты, встречающиеся в нейронных системах и влияющие на динамику. Выбор конкретных подходов был продиктован их распространенностью и инновационными перспективами с целью повышения актуальности представленной информации.

В данной статье представлен подход и применение оптимизации пространственной упаковки взаимосвязанных систем с физическими взаимодействиями (SPI2) в задачах размещения компонентов в трехмерном пространстве. Для обеспечения возможности применения в автомобильных условиях, SPI2 должен поддерживать как начальную генерацию проектирования, включая выравнивание компонентов, так и надежную координацию на уровне системы, требующую повышенной надежности решений и управляемых вычислительных затрат. Для решения этих задач предлагаемый метод улучшает скорость сходимости и качество решений путем повышения численной надежности в градиентной оптимизации при снижении вычислительной нагрузки. Существующие подходы SPI2 расширены за счет добавления возможностей выравнивания, что позволяет представлять выравнивания «порт-к-порту» между компонентами. Кроме того, применимость SPI2 расширяется за счет трактовки мест размещения компонентов как переменных проектирования, что позволяет применять координацию с использованием штрафов для обеспечения осуществимости проектирования и интеграции в оптимизацию на уровне системы. Подход валидируется с использованием многоцелевой оптимизационной структуры на основе алгоритма генетической сортировки без доминирования II (NSGA-II), применяемого к задаче оптимизации трансмиссии и интеграции шасси батареи. Это демонстрирует эффективность SPI2 в контексте проектирования на уровне системы. Результаты показывают двойное применение SPI2 в автомобильном случае: во-первых, как инструмент для начальной генерации проектирования, и во-вторых, как часть координатора проектирования на уровне системы, который превосходит дискритизированный исчерпывающий поиск при меньших вычислительных затратах.