患者个性化血流动力学混合代理模型
0D 降阶模型能在不到一秒内给出心血管整体血流动力学，但因其推导中的大幅简化而精度受限。 该工作用在高保真 3D 仿真上训练的网络，从血管几何预测 0D 模型的阻力与电感参数， 保留了 0D 模型的低成本与可解释性。
报告结果：在主动脉、主-股动脉与肺动脉三类患者特异性解剖上，学习得到的参数使误差 至少降低 50%；更复杂的肺动脉模型误差从 30% 降至 7%。运行时间在个人笔记本上保持在 2 秒以内。
工程启示：一条通用配方——保留廉价且可解释的物理模型，只让网络去学习”简化假设弄错的”封闭系数。
标签: 血流动力学降阶模型数字孪生生物医学混合建模
相关条目
- 如何使用 AI Agent 为仿真准备 3D 场景 · NVIDIA 介绍利用 Agentic AI 工作流为物理 AI 系统准备和验证数字孪生的方法，Agent 可检查 3D 场景并生成仿真相关数据。
- 大跨度桥梁结构健康监测与数字孪生 · 基于物理信息神经网络（PINN）构建大跨度悬索桥的实时结构健康监测数字孪生系统，融合实测应变数据与物理约束，实现损伤识别与剩余寿命预测。
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原