实现分子机器学习通过生物AI的通信:未来的方向和挑战
Sasitharan Balasubramaniam1, Samitha Somathilaka1,2, Sehee Sun1
1School of Computing, University of Nebraska-Lincoln, NE, USA.
概括
分子机器学习 (MML) 探索使用分子进行计算,超越传统设备. 这项研究回顾了MML方法,并提出了使用生物系统进行人工智能任务的新方向.
科学领域:
- 生物技术是生物技术.
- 人工智能的人工智能
- 分子计算分子计算
背景情况:
- 人工智能 (AI) 和机器学习 (ML) 越来越多地融入日常生活和设备中.
- 节能算法对于低功耗设备至关重要,推动计算方法的创新.
研究的目的:
- 研究分子机器学习 (MML) 作为一种在分子级别上执行机器学习函数的新方法.
- 探索MML的新方向,包括使用基因调节网络和生物系统.
主要方法:
- 审查目前的MML方法.
- 研究基因调节网络和人群相互作用,以创建神经网络.
- 探索信号机制,以训练生物机器学习结构.
主要成果:
- 通过分子运输,处理和解释通过化学反应来证明MML原则.
- 基于生物系统的新型MML架构的建议.
- 在生物细胞中成功应用MML来构建模拟数字转换器 (ADC).
结论:
- MML为开发高效和小型化的机器学习系统提供了一个有前途的途径.
- 生物系统,如基因调节网络和细胞信号传输,为实施MML提供了一个可行的平台.
- 未来的MML研究有可能解决复杂的计算挑战,并推进AI能力.


