Программирование и обучение независимых от скорости сетей химических реакций
Для программирования сложного поведения в средах, несовместимых с электронными контроллерами, например, в биореакторах или сконструированных клетках, ученые обычно обращаются к процессорам химической информации. В то время как химические реакции могут выполнять вычисления при стехиометрическом обмене реагентов на продукты (сколько молекул каких реагентов приводит к скольким молекулам каких продуктов), обычно считается, что управление скоростями реакции позволяет выполнять более сложные вычисления. Исходя из того факта, что правильную стехиометрию легче обеспечить, чем скорости реакции, ученые предложили метод программирования и обучения химическим вычислениям с помощью стехиометрии.
Ожидается, что внедрение вычислений в биохимические среды, несовместимые с традиционной электроникой, окажет широкомасштабное влияние на синтетическую биологию, медицину, нанотехнологии и другие области. Естественные биохимические системы обычно моделируются сетями химических реакций (СХР), которые также могут использоваться в качестве языка спецификации для синтетических химических вычислений. В своей новой работе ученые идентифицировали синтаксически проверяемый класс СХР, называемый неконкурентным (НС), равновесия которого абсолютно устойчивы к скоростям реакции и закону кинетической скорости, поскольку их поведение определяется исключительно их стехиометрической структурой.
Несмотря на изначально параллельную природу химии, свойство надежности позволяет программировать так, как если бы каждая реакция применялась последовательно. Ученые также представили методику программирования НС-СХР с использованием хорошо обоснованных методов глубокого обучения, демонстрируя процедуру перевода из нейронных сетей с выпрямленными линейными единицами в НС-СХР. В случае таких сетей с бинарным весом процедура перевода на удивление сложна в том смысле, что одна бимолекулярная реакция соответствует одному узлу сети с выпрямленными линейными единицами и наоборот.
Эта компактность утверждает, что нейронные сети могут быть подходящей парадигмой для программирования химических вычислений, не зависящих от скорости. В качестве доказательства принципа ученые продемонстрировали схему с численным моделированием СХР, переведенных из нейронных сетей, обученных на традиционных наборах данных машинного обучения, а также задач, которые лучше согласуются с потенциальными биологическими приложениями, включая обнаружение вирусов и формирование пространственных шаблонов.
Таким образом, ученые показали, что подобные вычисления могут быть запрограммированы простым способом, аналогичным последовательному программированию, и продемонстрировали выполнение нейронных сетей, способных решать сложные задачи машинного обучения.
