化学反应网络优于脉冲神经网络
机器学习
2026-03-13 v1 人工智能
统计理论
机器学习
统计理论
摘要
我们数学证明，无隐藏层的化学反应网络可以解决那些需要隐藏层的脉冲神经网络所需解决的任务。我们的证明使用化学反应网络的确定性质量作用动力学表述。具体而言，我们证明，某种无隐藏层的反应网络可以学习之前已证明由带有隐藏层的脉冲神经网络实现的分类任务。我们提供该网络全局行为的解析后悔界限，分析其渐近行为和 Vapnik-Chervonenkis 维数。在数值实验中，我们确认该提议化学反应网络在像素图像手写数字分类中的学习容量，并展示它比带有隐藏层的脉冲神经网络更准确、更高效地解决该任务。这为机器学习在化学计算机中提供了动力，并为生物细胞在生化反应网络中表现出比神经网络更高效的学习行为提供了数学解释。
引用
@article{arxiv.2603.12060,
title = {Chemical Reaction Networks Learn Better than Spiking Neural Networks},
author = {Sophie Jaffard and Ivo F. Sbalzarini},
journal= {arXiv preprint arXiv:2603.12060},
year = {2026}
}
备注
Keywords: Chemical Reaction Networks, Spiking Neural Networks, Supervised Learning, Classification, Mass-Action Kinetics, Statistical Learning Theory, Regret Bounds, Model Complexity