論文の概要: Realizing Molecular Machine Learning through Communications for Biological AI: Future Directions and Challenges

• arxiv url: http://arxiv.org/abs/2212.11910v1
• Date: Thu, 22 Dec 2022 17:53:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 15:30:18.030897
• Title: Realizing Molecular Machine Learning through Communications for Biological AI: Future Directions and Challenges
• Title（参考訳）: 生物AIのためのコミュニケーションによる分子機械学習の実現 : 今後の方向性と課題
• Authors: Sasitharan Balasubramaniam, Samitha Somathilaka, Sehee Sun, Adrian Ratwatte, Massimiliano Pierobon
• Abstract要約: 分子機械学習(MML)に向けて、従来の装置よりもはるかに小さいスケールと媒体について検討する。 MMLの操作の基礎は、化学反応を通じて分子によって伝播される情報の輸送、処理、解釈である。 私たちは将来的な方向性と、この分野が解決できる課題に注目します。
• 参考スコア（独自算出の注目度）: 4.059849656394191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI) and Machine Learning (ML) are weaving their way into the fabric of society, where they are playing a crucial role in numerous facets of our lives. As we witness the increased deployment of AI and ML in various types of devices, we benefit from their use into energy-efficient algorithms for low powered devices. In this paper, we investigate a scale and medium that is far smaller than conventional devices as we move towards molecular systems that can be utilized to perform machine learning functions, i.e., Molecular Machine Learning (MML). Fundamental to the operation of MML is the transport, processing, and interpretation of information propagated by molecules through chemical reactions. We begin by reviewing the current approaches that have been developed for MML, before we move towards potential new directions that rely on gene regulatory networks inside biological organisms as well as their population interactions to create neural networks. We then investigate mechanisms for training machine learning structures in biological cells based on calcium signaling and demonstrate their application to build an Analog to Digital Converter (ADC). Lastly, we look at potential future directions as well as challenges that this area could solve.
• Abstract（参考訳）: 人工知能(ai)と機械学習(ml)は、私たちの生活の多くの面において重要な役割を担っている社会のファブリックに流れ込んでいます。 さまざまな種類のデバイスにAIとMLがデプロイされるのを目の当たりにしているように、低消費電力デバイスのためのエネルギー効率のアルゴリズムにAIを使用することで恩恵を受けます。 本稿では,機械学習機能,すなわち分子機械学習(MML)を実現するために利用可能な分子システムに向けて,従来の装置よりもはるかに小さいスケールと媒体について検討する。 MMLの操作の基礎は、化学反応を通じて分子によって伝播される情報の輸送、処理、解釈である。 我々は、MMLのために開発された現在のアプローチの見直しから始め、生物内の遺伝子制御ネットワークとそれらの集団間相互作用を頼りにニューラルネットワークを作成する新しい方向に向かう。 次に,カルシウムシグナリングに基づいて生体細胞内の機械学習構造を訓練する機構を解明し,デジタル変換器(adc)のアナログ構築への応用を実証する。 最後に、将来的な方向性と、この分野で解決可能な課題について検討する。

関連論文リスト

• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Human-in-the-loop: The future of Machine Learning in Automated Electron Microscopy [0.6760163180787716]
  MLに基づくアクティブな実験を設計する際の考慮事項について論じる。 今後数年間の計画としては、人力による自動実験が考えられる。
  論文  参考訳（メタデータ） (2023-10-08T05:26:32Z)
• A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Rapid prediction of lab-grown tissue properties using deep learning [0.0]
  テザリング型で培養したセルラーデンハイドロゲルの自己組織化におけるメカノビロジーの役割を機械学習ツールを用いて予測する。 機械学習アルゴリズムはバイオ物理法よりもはるかに高速である。 足場と3Dバイオプリンティングのための将来の拡張は、追加のアプリケーションを開く。
  論文  参考訳（メタデータ） (2023-03-31T12:49:37Z)
• Machine Learning for Uncovering Biological Insights in Spatial Transcriptomics Data [0.0]
  マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。 空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。 MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
  論文  参考訳（メタデータ） (2023-03-29T14:22:08Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。 我々は、高低自由エネルギー状態の分類に焦点をあてる。 以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• An Automated Scanning Transmission Electron Microscope Guided by Sparse Data Analytics [0.0]
  本稿では,新たに出現するスパースデータ分析によって導かれる閉ループ管楽器制御プラットフォームの設計について論じる。 機械学習によって通知される集中型コントローラが、限られた$a$$priori$知識とタスクベースの識別を組み合わせることで、オンザフライでの実験的な意思決定を駆動する様子を実証する。
  論文  参考訳（メタデータ） (2021-09-30T00:25:35Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。