基于蛋白质结构的储备池计算用于脉冲模式识别

如今，在纳米级表征与制备方面突破性发现与设计的支撑下，半导体行业呈现出微型化趋势。为顺应这一趋势并制造更小、更快、更廉价的计算设备，纳米电子器件的尺寸现已达到原子或分子尺度——这一技术目标无疑需要新型器件。顺应该趋势，我们探索了在单个蛋白质分子上实现储备池计算（Reservoir Computing, RC）的非传统路径，并引入了具有小世界网络特性的神经形态连接。我们选用 Izhikevich 脉冲神经元作为基本处理单元，对应于 verotoxin 蛋白质的原子，并将其分子作为连接这些处理单元的通信网络的“硬件”架构。我们在单一读出层上以监督方式应用多种训练方法，以考察这种分子结构化的储备池计算系统能否处理机器学习基准任务。我们首先采用基于脉冲时序依赖可塑性（Spike-Timing-Dependent-Plasticity）的远程监督方法（Remote Supervised Method），随后使用线性回归和缩放共轭梯度反向传播训练方法。该 RC 网络在来自 MNIST 数据集的手写数字图像上作为概念验证进行了评估，并与其他类似方法相比展现出可接受的分类准确率。