Human Biophysics as Network Weights: Conditional Generative Models for Dynamic Simulation

要約

生物物理学的システムのシミュレーションは、人間の生理学の基本的な理解に大きく貢献しており、医療機器やヒューマン マシン インターフェイスの開発の中心的な柱であり続けています。
ただし、その成功にもかかわらず、そのようなシミュレーションは通常、非常に計算コストの高い数値モデリングに依存しており、新しいシミュレーション パラメーターに適応するには非効率的であることがよくあります。
これにより、一連の小さな時間ステップに沿って通常進行する動的な人間の行動をシミュレートする際の使用が制限されます。
離散化された段階でいくつかの静的シミュレーションを苦労して作成することはできますが、人体の動的な性質を捉えるために不可欠な数百のシミュレーションは作成しません。
代わりのアプローチとして、条件付き生成モデルを使用することを提案します。このモデルは、基になる生成条件と出力データの間の複雑な関係を学習しながら、安価なサンプリングを維持できます。
この概念のデモンストレーションとして、深層潜在変数モデルと条件付き敵対トレーニングの要素を組み合わせたハイブリッド構造の生成モデルである BioMime を紹介します。
BioMime が人間の筋肉の生物物理学の複雑な数値モデルを正確に模倣することを学習し、この知識を使用して動的に変化するシステムから短時間で継続的にサンプリングできることを示します。
これにより、最終的に静的モデルが動的モデルに簡単に変換されます。
条件付き生成モデルを使用した転移学習アプローチは、数値モデルを使用した動的シミュレーションの実行可能なソリューションであると主張します。

要約(オリジナル)

Simulations of biophysical systems have provided a huge contribution to our fundamental understanding of human physiology and remain a central pillar for developments in medical devices and human machine interfaces. However, despite their successes, such simulations usually rely on highly computationally expensive numerical modelling, which is often inefficient to adapt to new simulation parameters. This limits their use in simulating dynamic human behaviours, which typically proceed along a sequence of small time steps. One may painstakingly produce a few static simulations at discretised stages, but not the hundreds of simulations that are essential to capture the dynamic nature of human body. We propose that an alternative approach is to use conditional generative models, which can learn complex relationships between the underlying generative conditions and the output data whilst remaining inexpensive to sample from. As a demonstration of this concept, we present BioMime, a hybrid-structured generative model that combines elements of deep latent variable models and conditional adversarial training. We demonstrate that BioMime can learn to accurately mimic a complex numerical model of human muscle biophysics and then use this knowledge to continuously sample from a dynamically changing system in a short time. This ultimately converts a static model into a dynamic one with no effort. We argue that transfer learning approaches with conditional generative models are a viable solution for dynamic simulation with any numerical model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google