通过学习分岔点实现RNCRN在动力学行为切换中的学习
分子网络
2026-02-03 v1 动力系统
摘要
自然与人造化学系统不仅表现出多样的非平凡动力学行为，而且在环境参数变化时会在不同动力学行为之间发生转换。此类转换称为分岔。本文表明，循环神经网络化学反应网络（RNCRN）——这类基于循环人工神经网络的化学反应网络——可以训练以实现分岔。首先，我们展示RNCRN可以继承由光滑常微分方程（ODE）定义的某些分岔。其次，我们演示RNCRN可以训练以推断分岔，使其在参数空间不同区域内逼近不同的目标行为，而无需在训练中显式提供分岔本身。这些行为可以指定为相对于参数不连续的目标ODE，或仅通过在参数空间的特定区域指定某些期望动力学特征来实现。为实现后者，我们引入一种无ODE的算法，用于训练RNCRN以显示设计型振荡，包括心形极限循环或两个共存的极限循环。
引用
@article{arxiv.2602.02374,
title = {Recurrent neural chemical reaction networks trained to switch dynamical behaviours through learned bifurcations},
author = {Alexander Dack and Tomislav Plesa and Thomas E. Ouldridge},
journal= {arXiv preprint arXiv:2602.02374},
year = {2026}
}