深度分子编程：二值权重ReLU神经网络的自然实现
神经与进化计算
2020-07-01 v3 新兴技术
机器学习
摘要
将计算嵌入与传统电子学不兼容的分子环境中，有望在合成生物学、医学、纳米制造及其他领域产生广泛影响。一个关键遗留挑战在于开发契合底层化学硬件、而非试图生搬硬套不合宜电子学范式的分子计算编程范式。我们发现了一类流行神经网络（二值权重ReLU，又称BinaryConnect）与一类对反应速率具有绝对鲁棒性的耦合化学反应之间的惊人紧密联系。这种速率无关化学计算的鲁棒性使其成为生物工程实现的有前景目标。我们展示了如何在硅中训练、运用根基扎实的深度学习优化技术训练的BinaryConnect神经网络，可被编译为等价的化学反应网络，从而提供一种新颖的分子编程范式。我们在典型的IRIS与MNIST数据集上阐释了此类转译。面向化学计算的预期应用，我们进一步利用我们的方法生成了一个可基于基因表达水平区分不同病毒类型的化学反应网络。我们的工作为神经网络与分子编程社区之间的丰富知识迁移奠定了基础。
引用
@article{arxiv.2003.13720,
title = {Deep Molecular Programming: A Natural Implementation of Binary-Weight ReLU Neural Networks},
author = {Marko Vasic and Cameron Chalk and Sarfraz Khurshid and David Soloveichik},
journal= {arXiv preprint arXiv:2003.13720},
year = {2020}
}