在系统生物学的研究中,由于所研究问题的复杂性和多尺度性,经常会遇到刚性方程的求解.而近年来,神经网络和深度学习的发展为上述问题提供了新的解决思路和方法 .本研究以经典的Belousov-Zhabotinsky(B-Z)反应和Van der Pol(VdP)方程为例...在系统生物学的研究中,由于所研究问题的复杂性和多尺度性,经常会遇到刚性方程的求解.而近年来,神经网络和深度学习的发展为上述问题提供了新的解决思路和方法 .本研究以经典的Belousov-Zhabotinsky(B-Z)反应和Van der Pol(VdP)方程为例,对四类非时序神经网络,包括全连接网络、残差网络、改进的残差网络和深度混合卷积网络,以及三类时序神经网络,包括循环神经网络(RNN)、长短时记忆网络(LSTM)、注意力机制进行了系统比较.实验结果表明:时序神经网络应用于刚性问题的求解精度和计算时间都大幅优于非时序神经网络,而四类非时序神经网络之间的表现并无显著差异.此外还将常微分神经网络(ODE-Net)应用于上述刚性问题,并观察到在极短的计算时间内,该方法能够达到极高的精度.本研究为应用神经网络解决系统生物学中各类刚性问题提供了参考和指导.展开更多
文摘在系统生物学的研究中,由于所研究问题的复杂性和多尺度性,经常会遇到刚性方程的求解.而近年来,神经网络和深度学习的发展为上述问题提供了新的解决思路和方法 .本研究以经典的Belousov-Zhabotinsky(B-Z)反应和Van der Pol(VdP)方程为例,对四类非时序神经网络,包括全连接网络、残差网络、改进的残差网络和深度混合卷积网络,以及三类时序神经网络,包括循环神经网络(RNN)、长短时记忆网络(LSTM)、注意力机制进行了系统比较.实验结果表明:时序神经网络应用于刚性问题的求解精度和计算时间都大幅优于非时序神经网络,而四类非时序神经网络之间的表现并无显著差异.此外还将常微分神经网络(ODE-Net)应用于上述刚性问题,并观察到在极短的计算时间内,该方法能够达到极高的精度.本研究为应用神经网络解决系统生物学中各类刚性问题提供了参考和指导.