Opis projektu
Lepsze strategie monitorowania epidemii i reagowania na nie za pomocą sieci neuronowych opartych na fizyce
Sieci neuronowe oparte na fizyce (ang. physics-informed neural network, PINN) potrafią płynnie integrować dane i matematyczne modele fizyki, umożliwiając przewidywanie rozwiązania dalekiego od punktów danych eksperymentalnych nawet w złożonych, niepewnych i tylko częściowo zrozumiałych scenariuszach. Dzięki temu wyjątkowo dobrze nadają się one do przewidywania rozwoju epidemii w różnych skalach czasowych i przestrzennych, ułatwiając opracowywanie odpowiedniej polityki. Wspierany w ramach programu działań „Maria Skłodowska-Curie” projekt REACT wykorzysta sieci PINN do integracji historycznych danych epidemiologicznych z fizycznym modelem rozprzestrzeniania się epidemii. W połączeniu z metodami systemowo-teoretycznymi podejście to umożliwi monitorowanie epidemii w pętli zamkniętej, które pozwala na skuteczne rozwiązanie problemu niepewności, poddając algorytm estymacji walidacji w czasie rzeczywistym poprzez przewidywanie przyszłych danych i odpowiednie dostosowanie modelu epidemii.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsKoordynator
100 44 Stockholm
Szwecja