编程与训练速率无关的化学反网络
机器学习
2022-06-15 v1 新兴技术
神经与进化计算
摘要
将计算嵌入与传统电子学不兼容的生物化学环境中,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。天然生化系统通常由化学反应网络(CRNs)建模,而CRNs可用作合成化学计算的规范语言。本文中,我们确定了一类称为非竞争(NC)的CRNs,其平衡态对反应速率和动力学速率定律具有绝对鲁棒性,因为其行为仅由化学计量结构决定。与先前关于速率无关CRNs的工作不同,检查非竞争性并将其作为设计准则容易且有望获得鲁棒输出。我们还提出了一种使用有充分依据的深度学习方法来编程NC-CRNs的技术,展示了从修正线性单元(ReLU)神经网络到NC-CRNs的翻译过程。在二值权重ReLU网络的情况下,我们的翻译过程异常紧凑:一个双分子反应对应一个ReLU节点,反之亦然。这种紧凑性表明神经网络可能是编程速率无关化学计算的合适范式。作为原理验证,我们使用从在传统机器学习数据集(IRIS和MNIST)上训练的神经网络翻译而来的CRNs数值模拟展示了我们的方案,以及更贴合潜在生物应用(包括病毒检测和空间模式形成)的任务。
引用
@article{arxiv.2109.11422,
title = {Programming and Training Rate-Independent Chemical Reaction Networks},
author = {Marko Vasic and Cameron Chalk and Austin Luchsinger and Sarfraz Khurshid and David Soloveichik},
journal= {arXiv preprint arXiv:2109.11422},
year = {2022}
}