Description du projet
Améliorer la surveillance et la réponse aux épidémies grâce aux réseaux neuronaux à information physique
Les réseaux neuronaux à information physique (PINN pour «physics-informed neural network») intègrent de manière transparente les données et les modèles de physique mathématique, permettant de prédire une solution loin des points de données expérimentales, même dans des scénarios complexes, incertains et partiellement compris. Ils sont donc particulièrement adaptés à la prévision de l’évolution d’une épidémie sur diverses échelles de temps et d’espace, ce qui facilite l’élaboration de politiques efficaces. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet REACT exploitera les PINN pour intégrer les données épidémiologiques passées au modèle physique de propagation des épidémies. Combinée à des outils de théorie des systèmes, cette approche permettra de surveiller les épidémies en boucle fermée en tenant compte des incertitudes, en validant l’algorithme d’estimation en temps réel par la prévision des données futures et en ajustant le modèle épidémique en conséquence.
Objectif
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.
Champ scientifique
Mots‑clés
Programme(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régime de financement
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsCoordinateur
100 44 Stockholm
Suède