Walrus-Heart
прогнозирование электрических волн в сердечной ткани
2 мин чтения
Модель Walrus-Heart создана на базе физической фундаментной модели Walrus (1.3B параметров от Polymathic AI) и дообучена предсказывать электрические волны в сердечной ткани. Она имитирует нормальные сокращения, преждевременные сокращения и спиральные волны повторного входа, характерные для желудочковой тахикардии, на здоровой, фиброзной и рубцовой ткани. Модель отличается от базовой версии тем, что адаптирована под специфические биофизические задачи кардиологии и использует новые полевые эмбеддинги. Она пригодится исследователям в области цифровых двойников сердца и физического машинного обучения.
Ключевые особенности
- Дообучение Walrus: адаптация 1.3-миллиардной физической модели под динамику электрической активности сердца.
- Эффективность претрейна: превосходит аналоги, обученные с нуля, даже при использовании в 8 раз меньшего объема данных.
- Работа со структурой ткани: учитывает проводимость, напряжение и уровень восстановления ткани в формате 2D-сетки.
- Готовые чекпоинты: доступны веса для разных конфигураций обучения и длительности тренировок.
Что можно сделать
- Запустить интерактивную песочницу: протестировать физическую симуляцию в демонстрационном пространстве модели.
- Анализировать распространение волн: исследовать симуляции нормального ритма и аритмий на виртуальной ткани.
- Интегрировать в пайплайн: использовать код загрузки и конфигурации для собственных экспериментов с моделью Walrus.
- Изучить в учебных целях: использовать симуляции и датасет для исследовательских проектов по моделированию сердечной деятельности.
Пример
# pip install "walrus @ git+[https://github.com/PolymathicAI/walrus@73f2cf6b4c5871c8f5434802725b55666c66b5ab](https://github.com/PolymathicAI/walrus@73f2cf6b4c5871c8f5434802725b55666c66b5ab)" huggingface_hub safetensors
import json
from huggingface_hub import hf_hub_download
from hydra.utils import instantiate
from omegaconf import OmegaConf
from safetensors.torch import load_file
run = "pretrained_n200"
cfg = OmegaConf.load(hf_hub_download("Ethgar/walrus-heart", f"{run}/model_config.yaml"))
fmap = json.load(open(hf_hub_download("Ethgar/walrus-heart", f"{run}/field_to_index_map.json")))
model = instantiate(cfg.model, n_states=max(fmap.values()) + 1)
model.add_ft_options({"learnable_rope": True, "rope_per_axis": True})
model.load_state_dict(load_file(hf_hub_download("Ethgar/walrus-heart", f"{run}/model.safetensors")))
Подробнее
• Бенчмарки: лучший одношаговый VRMSE на тесте составляет 0.145 / 0.154 в зависимости от претрейна.• Требования к железу: обучение проводилось на одном GPU A100 80 GB.
• Ограничения: при длинных роллаутах (более 10–20 шагов) модель начинает дрейфовать; симуляция основана на модели Алиева–Панфилова.
• Назначение: строго для исследовательских и учебных целей, не для клинического использования.










Комментарии