采用混合深度神经网络架构的吸烟动力学模型数值近似

《Mathematical and Computational Applications》：Numerical Approximation of a Smoking Dynamics Model Using a Hybrid Deep Neural Network Architecture

　　

尽管吸烟仍是全球重大公共卫生问题，当前吸烟动力学数学模型主要依赖传统数值求解器，某一特定五房室吸烟动力学模型尚未使用深度神经网络（DNN）技术求解。为填补该研究空白，本研究构建了独特的DNN框架，以计算高效的方式模拟非线性吸烟动力学。研究人员采用Levenberg–Marquardt反向传播技术优化双隐藏层网络，该网络由20个径向基激活函数（RBAF）神经元与40个对数Sigmoid激活函数（LSAF）神经元组成。训练后DNN的最小均方误差（MSE）达1.865×10?6，且所有模型变量的决定系数R2等于或接近1，在传统数值方法需针对每次参数变化显式重解微分方程时，该DNN可提供瞬时预测并保持优越精度。关键在于，所提DNN框架适用于自动化公共卫生决策支持系统，因其预测阶段独立运行且无需人工干预。框架成功复现吸烟起始、戒烟努力、复吸动力学及长期恢复模式等关键行为，其中复吸动力学通过恢复者至潜在吸烟者通路捕获，与原始模型公式一致。结果表明，所提DNN方法不仅弥补了深度学习应用于吸烟动力学的方法论缺口，还为快速评估干预场景提供了可靠且计算高效的工具，在不牺牲精度前提下支撑循证公共卫生决策。

研究背景与问题提出

吸烟每年致约800万人死亡，仍是全球重大公共卫生负担。房室式吸烟动力学模型虽被广泛用于刻画潜在吸烟者、活跃吸烟者、戒断者、恢复者与死亡者间的转移，但既有研究主要依赖Runge–Kutta（RK4）等传统数值求解器；每当参数或初值变化即需重新显式求解常微分方程组，难以支撑实时“假设情景”评估。尽管物理信息神经网络（PINNs）、循环神经网络（RNNs）与遗传算法等人工智能方法可处理非线性系统，将DNN专门用于五房室吸烟模型的研究尚属空白。研究人员因此开展本研究，旨在以计算高效、收敛迅速的DNN框架替代重复数值积分，为公共卫生决策支持提供离线训练后瞬时预测的代理模型。

研究目标与总体结论

研究人员提出一种双隐藏层DNN（20个RBAF神经元+40个LSAF神经元）并由Levenberg–Marquardt反向传播（LMB）优化的DNN-LMB方法，求解Ali等人修订的五房室吸烟模型（P潜在、S活跃、R恢复、Q戒断、D死亡）。结果表明：在121个时间点（0–120天，步长1天）由RK4生成的参照轨迹上，各房室预测MSE低至1.865×10^?6量级，R²≈1；训练后网络在参数微扰的五个测试问题上均保持近完美回归与零均值误差分布。该方法不以单次前向求解超越RK4，而在单次离线训练后对多组参数与初值提供瞬时代理预测，适合烟草税、媒体宣传等干预情景的快速评估。论文发表于《Mathematical and Computational Applications》。

主要关键技术方法

研究人员采用前馈双隐藏层DNN：输入为标量时间t，第一隐藏层20神经元使用径向基激活函数（RBAF，φ(x)=exp(?(x?c)²/σ²)类形式），第二隐藏层40神经元使用对数Sigmoid激活函数（LSAF，ψ(z)=1/(1+e^?z)），输出层线性组合得五房室值。权重偏置由Levenberg–Marquardt（LMB，结合梯度下降与Gauss–Newton）迭代1200 epoch优化，MSE为目标。参照数据由RK4以步长1天生成121样本，无归一化预处理；训练/验证/测试集按固定划分，未引入外部真实队列，仅用文献基准参数与初值做方法论验证。

研究结果（按原文小标题浓缩）

1. 2.
   Construction of Model：研究人员沿用Ali等五房室ODE框架（P,S,R,Q,D），保留复发自R→P通路与死亡项，仅微调数学一致性；参数取自文献，初值给定，构成后续DNN近似的基准系统。
2. 3.
   Technique: A Deep Neural Network：给出双隐藏层数学传递式，明确第一层RBAF、第二层LSAF及输出层线性变换维度（20→40→5），说明DNN将时间t映射为五房室连续函数。
3. 4.
   Sigmoid Functions (SFs) and Radial Basis (RB)：论证RBAF局部敏感性与LSAF全局平滑性互补，二者耦合可逼近任意连续函数；固定仿真区间120天、步长1天、121样本、无缩放，构建图1–2架构示意。
4. 5.
   Discussion and Results：5.1超参选取——20+40神经元与1200 epoch为经验最优，更少神经元MSE>10^?4，更多则耗时不降本；5.2–5.6五个测试问题分别改动机率参数（起始率、戒烟率、复发率、死亡率等）与初值，对各房室（P,S,R,Q,D）绘MSE训练/验证/测试曲线，均于数百epoch内收敛至10^?6级；5.7流行病学解释——DNN曲线复现P下降、S先升后降、R缓升、Q偏小、D单调增，符合吸烟起始-戒断-复发-死亡逻辑；5.8公共健康含义——离线训练后免重解ODE即可答“复发率降30%对10年S/D影响”类问题；图9给出各房室MSE、梯度、μ、验证检查，图10误差直方图集中于零，图11回归线斜率1截距近0，R²=1。

讨论与结论翻译

讨论指出，高R²源于对RK4确定性数据的记忆式拟合，并非对噪声外推的泛化证明；DNN优势在单次训练后多参数集瞬时预测，而非替代RK4做单次积分。结论部分译文如下：

研究人员成功以含20个RBAF与40个LSAF神经元、经Levenberg–Marquardt优化的双隐藏层DNN实现五房室吸烟模型（潜在P、活跃S、戒断Q、恢复R、死亡D）求解。主要发现：(1) DNN在各数据集上获MSE：P为1.865×10^?6级、S、R、Q、D同量级极低值；(2) 各房室R²=1或近1；(3) 模型有效捕获具公共卫生意义的吸烟动力学。本研究主要贡献为高效应用并验证双隐藏层DNN框架以高精度预测吸烟模型动力学。相较RK4需每次参数变更显式重解方程，训练后DNN提供瞬时预测，利于禁烟令、治疗项目或媒体宣传等干预评估。当前研究用文献基准参数验证框架，未来可扩展至真实临床与普查数据校准、未知参数反演及实时替代建模。