稀疏数据也能精准控制生物过程！新框架校准精度和样本效率双双碾压基线
Adjoint-Based Calibration and Optimal Control of Stochastic Multiscale Bioprocess Digital Twins
📖 AI 总结
该研究针对生物系统之系统框架下的多尺度生物过程，提出了一种偏差感知的数字孪生校准与控制方法。数字孪生以随机微分方程建模，利用拟似然估计与伴随灵敏度分析，从稀疏离散观测中完成校准。研究通过基于SDE生成元的矩展开刻画截断引起的参数偏差，并用前向-后向伴随方法量化校准不确定性对价值函数与策略性能的影响。所得参数误差分布同时支持策略导向的自适应实验设计与不确定性感知的策略优化。作者进一步分析了探索准则的渐近行为，并推导了优化策略下的物理系统性能。为实现上述思路，研究开发了Actor-Simulator算法，可联合更新模型参数、选择信息量大的实验并优化控制策略。数值实验表明，该方法在校准精度、样本效率和控制性能上均优于现有基线。
🔑 关键词速览
| 数字孪生 | 物理系统的虚拟副本，通过实时数据同步和模型更新来模拟和预测系统行为。 |
| 随机微分方程（SDE） | 包含随机项的微分方程，用于描述受噪声影响的动态系统。 |
| 伴随灵敏度分析 | 一种高效计算目标函数对参数梯度的方法，通过求解伴随方程反向传播误差。 |
| 拟似然估计 | 一种参数估计方法，通过构造近似似然函数来处理非高斯或复杂噪声模型。 |
| Actor-Simulator算法 | 一种联合进行参数学习、实验设计和策略优化的强化学习算法，其中Actor更新策略，Simulator模拟系统动态。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅