训练人工神经网络的抗噪化学反应网络

人工神经网络（NN）可以使用化学反应网络（CRN）来实现，其中物种的浓度作为输入和输出。在这种生化计算中，由于化学反应中存在内在和外在噪声，抗噪计算至关重要。先前提出的用于前馈网络的 CRN 通常利用修正线性单元（ReLU）或离散激活函数。然而，这种情况下一个问题是这些非光滑函数的导数不连续，这可能在反向传播过程中导致显著的噪声干扰。在本研究中，我们提出了一种 CRN，它使用平滑激活函数执行前馈和训练过程，以避免反向传播中的不连续性。所有反应都在单锅中进行，训练反应是双分子的。我们在 XOR、Iris、MNIST 数据集以及非线性回归模型上的案例研究表明，通过 CRN 的计算（i）尽管反应速率和物种浓度存在噪声，但仍能保持准确性，（ii）与非平滑激活函数的 NN 相比，对运行时间和噪声大小的选择不敏感。这项工作为完整的 NN 计算（包括反向传播）提供了一种抗噪 CRN，为更稳定和高效的生化计算系统铺平了道路。