論文の概要: Programming and Training Rate-Independent Chemical Reaction Networks

• arxiv url: http://arxiv.org/abs/2109.11422v1
• Date: Mon, 20 Sep 2021 15:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 14:45:21.181275
• Title: Programming and Training Rate-Independent Chemical Reaction Networks
• Title（参考訳）: プログラムと訓練率非依存化学反応ネットワーク
• Authors: Marko Vasic, Cameron Chalk, Austin Luchsinger, Sarfraz Khurshid, and David Soloveichik
• Abstract要約: 天然の生化学系は一般的に化学反応ネットワーク(CRN)によってモデル化される CRNは合成化学計算の仕様言語として使用できる。 本稿では, NC-CRNのプログラム手法について述べる。
• 参考スコア（独自算出の注目度）: 9.001036626196258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding computation in biochemical environments incompatible with traditional electronics is expected to have wide-ranging impact in synthetic biology, medicine, nanofabrication and other fields. Natural biochemical systems are typically modeled by chemical reaction networks (CRNs), and CRNs can be used as a specification language for synthetic chemical computation. In this paper, we identify a class of CRNs called non-competitive (NC) whose equilibria are absolutely robust to reaction rates and kinetic rate law, because their behavior is captured solely by their stoichiometric structure. Unlike prior work on rate-independent CRNs, checking non-competition and using it as a design criterion is easy and promises robust output. We also present a technique to program NC-CRNs using well-founded deep learning methods, showing a translation procedure from rectified linear unit (ReLU) neural networks to NC-CRNs. In the case of binary weight ReLU networks, our translation procedure is surprisingly tight in the sense that a single bimolecular reaction corresponds to a single ReLU node and vice versa. This compactness argues that neural networks may be a fitting paradigm for programming rate-independent chemical computation. As proof of principle, we demonstrate our scheme with numerical simulations of CRNs translated from neural networks trained on traditional machine learning datasets (IRIS and MNIST), as well as tasks better aligned with potential biological applications including virus detection and spatial pattern formation.
• Abstract（参考訳）: 従来の電子工学と相容れない生体化学環境における埋め込み計算は, 合成生物学, 医薬, ナノファブリケーション, その他の分野に幅広い影響を与えることが期待されている。 天然生化学システムは典型的には化学反応ネットワーク(crns)によってモデル化され、crnは合成化学計算の仕様言語として使用できる。 本稿では,反応速度と運動速度法則に対して平衡が絶対的に堅牢である非競合性(NC)と呼ばれるCRNのクラスを同定する。 レート非依存のCRNに関する以前の作業とは異なり、非競合をチェックして設計基準として使用するのは簡単で、堅牢な出力を約束する。 また,直列線形ユニット(ReLU)ニューラルネットワークからNC-CRNへの変換手順を示す,よく構築されたディープラーニング手法を用いてNC-CRNをプログラムする手法を提案する。 2重ReLUネットワークの場合、単一の分子反応が1つのReLUノードに対応するという意味で、我々の翻訳手順は驚くほど厳密である。 このコンパクト性は、ニューラルネットワークがプログラム速度に依存しない化学計算に適したパラダイムであると主張する。 原理の証明として,従来の機械学習データセット(IRISとMNIST)でトレーニングされたニューラルネットワークから翻訳されたCRNの数値シミュレーションと,ウイルス検出や空間パターン形成などの潜在的な生物学的応用に適合したタスクを,本手法で実証する。

関連論文リスト

• NeuralCRNs: A Natural Implementation of Learning in Chemical Reaction Networks [0.0]
  決定論的化学反応ネットワーク(CRN)の集合体として構築された新しい教師あり学習フレームワークを提案する。 従来の作業とは異なり、NeuralCRNsフレームワークは動的システムベースの学習実装に基づいており、結果として化学的に互換性のある計算が行われる。
  論文  参考訳（メタデータ） (2024-08-18T01:43:26Z)
• CHANI: Correlation-based Hawkes Aggregation of Neurons with bio-Inspiration [7.26259898628108]
  本研究の目的は,生物学にインスパイアされたニューラルネットワークが,局所的な変換のみによって分類タスクを学習できることを数学的に証明することである。 我々は、ホークス過程によってニューロンの活動がモデル化されるCHANIというスパイクニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:17:58Z)
• Automatic Implementation of Neural Networks through Reaction Networks -- Part I: Circuit Design and Convergence Analysis [9.107489906506798]
  本論文は, 物質動態を考慮したプログラム型生化学反応ネットワーク (BCRN) の導入を目的とする。 第1部では、フィードフォワード伝播計算、バックプロパゲーション成分、およびFCNNのすべてのブリッジ処理を、特定のBCRNモジュールとして創発的に設計する。
  論文  参考訳（メタデータ） (2023-11-30T07:31:36Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
  化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。 膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。 我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
  論文  参考訳（メタデータ） (2023-02-06T11:41:14Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)
• Deep Molecular Programming: A Natural Implementation of Binary-Weight ReLU Neural Networks [7.700240949386079]
  本稿では,シリコで訓練されたBinaryConnectニューラルネットワークを等価な化学反応ネットワークにコンパイルする方法を示す。 私たちの研究は、ニューラルネットワークと分子プログラミングコミュニティ間の豊富な知識伝達のステージを設定します。
  論文  参考訳（メタデータ） (2020-03-30T18:12:11Z)
• Autonomous Discovery of Unknown Reaction Pathways from Data by Chemical Reaction Neural Network [0.0]
  化学反応は、エネルギー、環境、生物、その他多くの自然システムで起こる。 本稿では、時間分解種濃度データから反応経路を自律的に発見するニューラルネットワークアプローチを提案する。 提案された化学反応ニューラルネットワーク(CRNN)は設計上、質量反応法やアレニウス法を含む基本的な物理法則を満たす。
  論文  参考訳（メタデータ） (2020-02-20T23:36:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。