ترجمه فارسی مقاله پیش بینی دینامیک موج تحریک پذیر با استفاده از یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Prediction of excitable wave dynamics using machine learning
عنوان مقاله به فارسی پیش بینی دینامیک موج تحریک پذیر با استفاده از یادگیری ماشین
نویسندگان Mahesh Kumar Mulimani, Sebastian Echeverria-Alar, Michael Reiss, Wouter-Jan Rappel
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Biological Physics,Computational Physics,Medical Physics,فیزیک بیولوژیکی , فیزیک محاسباتی , فیزیک پزشکی ,
توضیحات Submitted 18 September, 2024; v1 submitted 30 August, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛V1 ارسال شده در 30 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Excitable systems can exhibit a variety of dynamics with different complexity, ranging from a single, stable spiral to spiral defect chaos (SDC), during which spiral waves are continuously formed and destroyed. The corresponding reaction-diffusion models, including ones for cardiac tissue, can involve a large number of variables and can be time-consuming to simulate. Here we trained a deep-learning (DL) model using snapshots from a single variable, obtained by simulating a single quasi-periodic spiral wave and SDC using a generic cardiac model. Using the trained DL model, we predicted the dynamics in both cases, using timesteps that are much larger than required for the simulations of the underlying equations. We show that the DL model is able to predict the trajectory of a quasi-periodic spiral wave and that the SDC activaton patterns can be predicted for approximately one Lyapunov time. Furthermore, we show that the DL model accurately captures the statistics of termination events in SDC, including the mean termination time. Finally, we show that a DL model trained using a specific domain size is able to replicate termination statistics on larger domains, resulting in significant computational savings.

چکیده به فارسی (ترجمه ماشینی)

سیستم های هیجان انگیز می توانند انواع مختلفی از پویایی ها را با پیچیدگی های مختلف نشان دهند ، از یک مارپیچ واحد و پایدار تا هرج و مرج نقص مارپیچ (SDC) ، که در طی آن امواج مارپیچی به طور مداوم شکل گرفته و از بین می روند.مدل های مربوط به واکنش-واکنش ، از جمله مدل های مربوط به بافت قلبی ، می توانند تعداد زیادی از متغیرها را درگیر کنند و برای شبیه سازی می توانند وقت گیر باشند.در اینجا ما یک مدل یادگیری عمیق (DL) را با استفاده از عکسهای فوری از یک متغیر واحد آموزش دادیم ، که با شبیه سازی یک موج مارپیچ شبه دوره ای و SDC با استفاده از یک مدل قلبی عمومی بدست آمده است.با استفاده از مدل DL آموزش دیده ، ما دینامیک را در هر دو مورد پیش بینی کردیم ، با استفاده از زمان هایی که بسیار بزرگتر از آنچه برای شبیه سازی معادلات اساسی مورد نیاز است.ما نشان می دهیم که مدل DL قادر به پیش بینی مسیر یک موج مارپیچ شبه دوره ای است و الگوهای اکتیواتون SDC را می توان برای تقریباً یک زمان لیاپونوف پیش بینی کرد.علاوه بر این ، ما نشان می دهیم که مدل DL به طور دقیق آمار وقایع خاتمه را در SDC ، از جمله میانگین زمان خاتمه ، ضبط می کند.سرانجام ، ما نشان می دهیم که یک مدل DL که با استفاده از یک دامنه خاص آموزش دیده است ، قادر به تکثیر آمار خاتمه در حوزه های بزرگتر است و در نتیجه پس انداز محاسباتی قابل توجهی ایجاد می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.