物理网络中基于非干扰反馈化学信号的学习

非神经与神经生物系统均能学习。因此，研究重点正从纯脑式学习转向物理系统中的学习。此类努力包括平衡传播（EP）与耦合学习（CL），它们在学习过程中需要存储两种不同状态——自由态与扰动态——以保留梯度信息。受黏菌启发，我们提出一种根植于化学信号的新学习算法，其无需存储两种不同状态。相反，输出误差信息被编码于化学信号中，该信号以与激活/前馈信号类似的方式扩散进入网络。稳态反馈化学浓度与激活信号一起在局部存储所需的梯度信息。我们使用一个物理的线性流网络应用该算法，并在Iris数据集上以93%的准确率进行测试。我们还证明了该算法执行梯度下降。最后，除直接将本算法与EP和CL比较外，我们探讨了该算法的生物学合理性。