.png){kind=icon}
返回
ADPO: automatic-differentiation-assisted parametric optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10928-025-09997-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动微分（AD）是现代机器学习中准确高效计算导数的关键方法，现已在Phoenix (R) NLME (TM) 8.6中首次实现，并应用于一阶条件估计扩展最小二乘（FOCE ELS）、拉普拉斯（Laplacian）以及自适应高斯求积（AGQ）算法。我们将该AD实现命名为“自动微分辅助参数优化”（ADPO），可通过勾选“快速优化”选项启用。我们详细介绍了ADPO在常用FOCE ELS算法中的实现方式，并基于四个PK/PD模型进行基准测试，分析其性能。结果表明，ADPO与传统使用有限差分（FD）获得梯度的FOCE ELS方法均具有合理的准确性和鲁棒性，而ADPO的主要优势在于无论使用何种常微分方程（ODE）求解器，均能显著减少计算时间：通常ADPO相比传统FOCE ELS可将总运行时间减少约20%至50%。在采用“自动检测”ODE求解器的实际伏立康唑模型案例中，观察到总运行时间减少了95%。
Keyword:
PK/PD
FOCE
Automatic differentiation
Dual number
Finite difference
Parameter estimation
期刊
J
IF:
2.8
论文数:
37
被引数:
1.9K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容