Física-informed redes neuronales y interpolación funcional para descubrimiento de parámetros basado en datos de modelos compartimentales epidemiológicos
Autores: Schiassi, Enrico; De Florio, Mario; D"Ambrosio, Andrea; Mortari, Daniele; Furfaro, Roberto
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Física-informed redes neuronales y interpolación funcional para descubrimiento de parámetros basado en datos de modelos compartimentales epidemiológicos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Nueva teoría de la red neuronal informada por la física de las conexiones funcionales
PINN-TFC
Teoría extrema de las conexiones funcionales
X-TFC
Parámetros impulsados por datos y física.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
En este trabajo, aplicamos un marco novedoso y preciso basado en la Teoría de Conexiones Funcionales Informadas por la Física (PINN-TFC), llamado Teoría Extrema de Conexiones Funcionales (X-TFC), para el descubrimiento de parámetros impulsados por datos-física de problemas modelados a través de Ecuaciones Diferenciales Ordinarias (ODEs). El método propuesto combina los PINNs estándar con una técnica de interpolación funcional llamada Teoría de Conexiones Funcionales (TFC). En particular, este trabajo se centra en la capacidad de X-TFC para resolver problemas inversos y estimar los parámetros que gobiernan los modelos compartimentales epidemiológicos a través de un enfoque determinista. Los modelos compartimentales epidemiológicos tratados en este trabajo son Susceptible-Infectado-Recuperado (SIR), Susceptible-Expuesto-Infectado-Recuperado (SEIR) y Susceptible-Expuesto-Infectado-Recuperado-Susceptible (SEIRS). Los resultados muestran los bajos tiempos computacionales, la alta precisión y efectividad del método X-TFC en llevar a cabo descubrimientos de parámetros impulsados por datos en sistemas modelados a través de ODEs paramétricas utilizando datos no perturbados y perturbados.
Descripción
En este trabajo, aplicamos un marco novedoso y preciso basado en la Teoría de Conexiones Funcionales Informadas por la Física (PINN-TFC), llamado Teoría Extrema de Conexiones Funcionales (X-TFC), para el descubrimiento de parámetros impulsados por datos-física de problemas modelados a través de Ecuaciones Diferenciales Ordinarias (ODEs). El método propuesto combina los PINNs estándar con una técnica de interpolación funcional llamada Teoría de Conexiones Funcionales (TFC). En particular, este trabajo se centra en la capacidad de X-TFC para resolver problemas inversos y estimar los parámetros que gobiernan los modelos compartimentales epidemiológicos a través de un enfoque determinista. Los modelos compartimentales epidemiológicos tratados en este trabajo son Susceptible-Infectado-Recuperado (SIR), Susceptible-Expuesto-Infectado-Recuperado (SEIR) y Susceptible-Expuesto-Infectado-Recuperado-Susceptible (SEIRS). Los resultados muestran los bajos tiempos computacionales, la alta precisión y efectividad del método X-TFC en llevar a cabo descubrimientos de parámetros impulsados por datos en sistemas modelados a través de ODEs paramétricas utilizando datos no perturbados y perturbados.