Objective comparison of methods to decode anomalous diffusion

Deviations from Brownian motion leading to anomalous diffusion are found in transport dynamics from quantum physics to life sciences. The characterization of anomalous diffusion from the measurement of an individual trajectory is a challenging task, which traditionally relies on calculating the trajectory mean squared displacement. However, this approach breaks down for cases of practical interest, e.g., short or noisy trajectories, heterogeneous behaviour, or non-ergodic processes. Recently, several new approaches have been proposed, mostly building on the ongoing machine-learning revolution. To perform an objective comparison of methods, we gathered the community and organized an open competition, the Anomalous Diffusion challenge (AnDi). Participating teams applied their algorithms to a commonly-defined dataset including diverse conditions. Although no single method performed best across all scenarios, machine-learning-based approaches achieved superior performance for all tasks. The discussion of the challenge results provides practical advice for users and a benchmark for developers. Deviations from Brownian motion leading to anomalous diffusion are ubiquitously found in transport dynamics but often difficult to characterize. Here the authors compare approaches for single trajectory analysis through an open competition, showing that machine learning methods outperform classical approaches.

Volpe, Giovanni,1979Gothenburg University,Göteborgs universitet,Institutionen för fysik (GU),Department of Physics (GU)(Swepub:gu)xvolgi (författare)
Garcia-March, M. A. (författare)
Aghion, E. (författare)
Argun, AykutGothenburg University,Göteborgs universitet,Institutionen för fysik (GU),Department of Physics (GU)(Swepub:gu)xargua (författare)
Hong, C. B. (författare)
Bland, T. (författare)
Bo, S. O. (författare)
Conejero, J. A. (författare)
Firbas, N. (författare)
Orts, O. (författare)
Gentili, A. (författare)
Huang, Z. H. (författare)
Jeon, J. H. (författare)
Kabbech, H. (författare)
Kim, Y. (författare)
Kowalek, P. (författare)
Krapf, D. (författare)
Loch-Olszewska, H. (författare)
Lomholt, M. A. (författare)
Masson, J. B. (författare)
Meyer, P. G. (författare)
Park, S. (författare)
Requena, B. (författare)
Smal, I. (författare)
Song, T. (författare)
Szwabinski, J. (författare)
Thapa, S. (författare)
Verdier, H. (författare)
Volpe, G. (författare)
Widera, A. (författare)
Lewenstein, M. (författare)
Metzler, R. (författare)
Manzo, C. (författare)
Göteborgs universitetInstitutionen för fysik (GU) (creator_code:org_t)

Ingår i:Nature Communications: Springer Science and Business Media LLC12:12041-1723

Om ämnet

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.