基于STL的生物分子神经网络优化用于回归与控制
机器学习
2025-09-09 v1 分子网络
定量方法
摘要
生物分子神经网络（BNNs）是一种具有生物可合成架构的人工神经网络，能够实现超越简单生物电路的通用函数逼近能力。然而，训练BNNs仍然具有挑战性，因为缺乏目标数据。为解决这一问题，我们提出利用信号时序逻辑（STL）规范来定义BNNs的训练目标。我们基于STL的定量语义，实现对BNNs权重的梯度优化，并引入一种学习算法，使BNNs能够在生物系统中执行回归与控制任务。具体而言，我们研究了两种回归问题，在这些问题中训练BNNs作为失调状态的报告器，以及一个反馈控制问题，在这个问题中BNNs与慢性病模型在闭环中训练，学习在避免对外部感染产生不良反应的同时减轻炎症。我们的数值实验表明，基于STL的学习能够高效地解决所研究的回归与控制任务。
引用
@article{arxiv.2509.05481,
title = {STL-based Optimization of Biomolecular Neural Networks for Regression and Control},
author = {Eric Palanques-Tost and Hanna Krasowski and Murat Arcak and Ron Weiss and Calin Belta},
journal= {arXiv preprint arXiv:2509.05481},
year = {2025}
}