神经化学反应网络：化学反应网络中学习的自然实现
机器学习
2025-09-23 v4 新兴技术
摘要
能够自主学习的分子电路有望在生物工程和合成生物学等领域解锁新的应用。为此，现有的神经计算化学实现主要依赖于利用质量作用动力学的稳态计算来模拟离散分层神经架构。相比之下，我们提出了一种基于动态系统的替代方法，将神经计算建模为分子浓度的时间演化。我们框架的模拟特性自然契合基于化学动力学的计算，从而产生更紧凑的电路。我们通过三个关键演示展示了框架的优势。首先，我们仅使用两个连续阶段（监督学习所需的最少阶段数）构建了端到端的监督学习流水线。然后，我们展示了（通过适当的简化）线性和非线性建模电路都可以仅使用单分子和双分子反应来实现，从而避免了高阶化学的复杂性。最后，我们证明了一阶梯度近似可以原生地并入该框架，使得非线性模型能够随输入维度线性扩展，而非组合式扩展。所有的电路构造均通过各种回归和分类任务的训练和推理仿真进行了验证。我们的工作为在合成生化系统中嵌入学习行为提供了一条可行的路径。
引用
@article{arxiv.2409.00034,
title = {Neural CRNs: A Natural Implementation of Learning in Chemical Reaction Networks},
author = {Rajiv Teja Nagipogu and John H. Reif},
journal= {arXiv preprint arXiv:2409.00034},
year = {2025}
}