要約
影響を受けやすい-感染-除去 (SIR) モデルが埋め込まれた物理学に基づくニューラル ネットワーク (PINN) は、感染症の時間的進化のダイナミクスを理解するために考案されました。
まず、このアプローチの有効性は、感受性-無症候性-感染-回復-死亡 (SAIRD) モデルの数値解から生成された合成データで実証されています。
次に、この方法をドイツで報告された COVID-19 データに適用し、ウイルスの拡散傾向を正確に特定して予測できることを示しています。
この結果は、不完全な物理学に基づいたモデルが、より複雑なダイナミクスに効率的にアプローチできることを示しています。
したがって、現在の研究は、PINN などの機械学習手法を使用して、区画モデルと組み合わせて流行のダイナミクスを研究および予測することの高い可能性を示しています。
要約(オリジナル)
A physics-informed neural network (PINN) embedded with the susceptible-infected-removed (SIR) model is devised to understand the temporal evolution dynamics of infectious diseases. Firstly, the effectiveness of this approach is demonstrated on synthetic data as generated from the numerical solution of the susceptible-asymptomatic-infected-recovered-dead (SAIRD) model. Then, the method is applied to COVID-19 data reported for Germany and shows that it can accurately identify and predict virus spread trends. The results indicate that an incomplete physics-informed model can approach more complicated dynamics efficiently. Thus, the present work demonstrates the high potential of using machine learning methods, e.g., PINNs, to study and predict epidemic dynamics in combination with compartmental models.
arxiv情報
| 著者 | Shuai Han,Lukas Stelz,Horst Stoecker,Lingxiao Wang,Kai Zhou |
| 発行日 | 2023-02-20 18:15:29+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google