Projektbeschreibung
Bessere Epidemieüberwachung und -bekämpfung mit durch Vorwissen geprägten neuronalen Netzen
Durch Vorwissen geprägte neuronale Netze integrieren nahtlos Daten und mathematische Physikmodelle hin zur Vorhersage einer Lösung, die weit von den experimentellen Datenpunkten entfernt ist, was sogar in komplexen, unsicheren und nur teilweise verstandenen Szenarien gelingt. Dadurch eignen sie sich hervorragend für die Vorhersage der Entwicklung einer Epidemie in verschiedenen zeitlichen und räumlichen Maßstäben, wodurch eine wirkungsvolle Politikgestaltung erleichtert wird. Mit Unterstützung der Marie-Skłodowska-Curie-Maßnahmen wird das Projekt REACT durch Vorwissen geprägte neuronale Netze nutzen, um epidemiologische Daten aus der Vergangenheit in das physikalische Modell der Epidemieausbreitung zu integrieren. In Kombination mit systemtheoretischen Instrumenten wird der Ansatz eine geschlossene Überwachung der Epidemie ermöglichen, mit der Unsicherheiten effektiv zu meistern sind, wobei durch Vorhersage zukünftiger Daten der Schätzalgorithmus in Echtzeit validiert und das Epidemiemodell dementsprechend anpasst werden.
Ziel
The current COVID-19 crisis has highlighted the failure of existing epidemic monitoring techniques in timely predicting the epidemic situation and facilitating efficient policy recommendations. Because of being open-loop or linearization-based, these techniques cannot handle model and data uncertainties effectively. Designing a feedback mechanism to enable reliable, closed-loop epidemic monitoring is crucial but challenging because of the nonlinearity and heterogeneities of the epidemic spread process. The control mechanisms for epidemic mitigation are well-known, such as testing, lockdown, social distancing, etc. However, when, where, and to what extent should the health authority implement these policies depends on the accurate estimation and forecasting of the epidemic situation, which is very difficult with the classic observer design techniques. To alleviate the difficulties posed by these observers, an interdisciplinary approach of physics-informed neural network (PINN) in combination with system-theoretic tools is proposed in this project for closed-loop epidemic monitoring that can effectively cope with uncertainties. The task of PINN is to estimate the unknown nonlinearity (i.e. disease transmission rate) and epidemic parameters by using both the physics of epidemic spread (i.e. model) and the past epidemiological data. The closed-loop structure copes with the uncertainties and validates the estimation algorithm in real-time by predicting the future data and adjusting the epidemic model accordingly. The information received by the PINN-based observer will be utilized by the optimal controller to devise optimal policy recommendations under socio-economic constraints for epidemic mitigation. The closed-loop epidemic monitoring and control technique will be integrated to understand the geographic and demographic heterogeneities during epidemic outbreaks, which will significantly enhance the effectiveness of optimal policies.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsKoordinator
100 44 Stockholm
Schweden