这里有很多空间:生物系统作为进化过载的多尺度机器
现代生命科学研究越来越依赖于人工智能方法来模拟生物系统,主要集中在使用机器学习模型上。然而,机器学习在生物科学中的广泛应用表明其与传统科学探究方法存在显著差异,这种相互作用对未来的科学研究具有重要意义,但却受到较少关注。在本研究中,我们借鉴认识论工具集,将机器学习在生物科学中的最新应用放入现代哲学理论的框架下,以识别可指导机器学习系统为生物现象建模和推动科学知识进展的一般原则。我们提出,科学理解作为信息压缩、定性可理解性和依赖关系建模的概念,为解释机器学习介导的生物系统理解提供了有用的框架。通过对现代生物研究中机器学习的两个关键应用领域 —— 蛋白质结构预测和单细胞 RNA 测序的详细分析,我们探讨了这些特征迄今如何使机器学习系统推进对目标现象的科学理解,以及它们如何指导未来机器学习模型的发展,以及阻碍机器学习实现其作为生物发现工具潜力的关键障碍。考虑机器学习在生物学应用中的认识论特征将改善这些方法解决重要问题和推进对生命系统科学理解的前景。
Mar, 2024
探讨生物机器人的概念在材料科学、信息科学和生命科学等之间的变化和交叉,以及生物学、计算机科学和机器人学的交叉研究可能带来的多尺度控制、自组装和形态与功能之间关系的问题。
Jul, 2022
在自然主义传统中,本研究考察了逻辑、认识论和科学之间的相互关系,提出了一个连接逻辑、数学、物理、化学、生物和认知的框架,强调自然组织层次上的尺度不变、自组织动力学。同时,本研究认为认知逻辑源自于物理、化学和生物逻辑的进化,并通过较低组织层次上的自然逻辑过程的步骤,利用基于形态 / 物理 / 自然计算的创新计算框架来解释以自然化逻辑进化产生以人为中心的逻辑。在生命主体的扩展进化综合中,理解人类级别逻辑的产生以及逻辑与信息处理 / 计算认识论的关系至关重要。因此,我们得出结论,需要进一步研究自然现象与自然中的行动逻辑之间的机制细节。
Sep, 2023
生物智能相较于机器智能在不同层面展现出调适性、目标导向的行为;本文通过对多层次情绪学习的形式化来理解生物智能如何学习因果关系,并指出在硅中工程化人类抽象会在高层目标导向行为和低层目标导向行为之间断开连接,这抑制了因果关系的学习。
Apr, 2024
该研究探讨并展现了一种新的技术 ——“形态创新保护”,可协同优化机器人的结构和控制策略并避免局部最优解来提高机器人的行为性能,促进了自动化机器人设计和行为训练,同时为研究实体认知理论提供了实验检验的平台。
Jun, 2017
合成生物学中,ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架,通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构,以有效探索宿主细胞系统的假设空间并引导实验设计,从而降低学习基因功能的实验成本。
Aug, 2023
今天的分布式和普适计算涉及到大规模的网络生态系统,这些系统由密集和大型设备网络组成,这些设备可以进行计算、通信和与环境及人进行交互。本文探讨了在软件工程中这种 “集体计算范式” 的动机、现状和影响,讨论了其特殊的挑战,并概述了未来研究的路径,涉及到宏观编程、集体智能、自适应中间件、学习、合成和集体行为的实验。
Jun, 2024
本文旨在通过研究基于颗粒堆积的力学计算机,探讨在不依赖于量子效应的情况下实现多逻辑计算的 “聚合计算” 模式,并演示了一种由颗粒进化而成的物质,用于同时实现两个不同频率下的两个 NAND 门。这种聚合计算方法可以在不同的物理基质上实现,为未来材料科学领域提供了有趣的前景。
May, 2023