利用储备计算对细胞中的非遗传信息动态进行建模
本文提出了一种水平垂直一体化的神经处理模型,该模型包含了神经适应传输连接的水平面和由外部膜层表达参数、亚膜区和细胞质内部参数、核心参数等组成的垂直系统,旨在表明单个神经元在信号的计算中有着重要角色,并且该神经元是自我编程的装置,不是被输入决定。
Sep, 2022
储备计算(RC)是一种递归神经网络,通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力,可在各种应用中生成适当的响应。RC的研究领域涉及机器学习、物理学、生物学和神经科学,可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对RC的发展进行了综合回顾,包括模型、应用和脑机制的建模,并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。
Jul, 2023
利用噪声驱动的转换现象的机器学习模型,储层计算(一种递归神经网络)能够学习噪声引起的系统状态转换,通过调整关键的超参数,包括储层动力学的时间尺度,生成准确的转换时间和数量的统计数据,适用于多种系统和蛋白质折叠实验数据,表明机器学习方法可以捕捉噪声引发的现象。
Sep, 2023
本研究通过深度强化学习方法,研究了在化学趋向作用中由空间梯度估计和时间梯度估计驱动的边界,并发现混合化学趋向策略在小细胞和大细胞之间的过渡是连续的,并且在过渡区域,混合化学趋向策略优于具有约束性的变体以及明确整合空间和时间信息的模型。
Oct, 2023
近期,关于储层计算的研究取得了重大突破,需要具有能够实现储层物理实现的动力学的模拟装置,以实现更快的信息处理速度、更低的能量消耗和较小的面积占用。通过电压相关动态的离子通道基础箱体,我们展示了只需一次数据编码并通过一个包含具有不同动力学特性的多个箱体的储层层的数据输入方法的可行性,并通过实验证明了这种方法的预测和分类准确率高于传统方法。
Oct, 2023
用电生理测量数据构建了计算模型,基于储水池计算网络(Reservoir Computing Network,RCN)架构,通过预测网络连接性地图和局部刺激的网络响应来重构神经元网络结构。
Nov, 2023
通过基于深度学习的注意力增强神经微分方程模型,我们研究离子在纳米孔膜中的运输,并探讨了注意力机制在揭示不同混合物组成下的离子配对关系中的作用。结果表明,与传统的基于偏微分方程的模型相比,基于物理学原理的深度学习解决方案在建模复杂运输现象方面表现更好,并为各种应用提供了有前途的途径。
Dec, 2023
通过利用内部电压偏移实现各种输入状态相关性,我们引入了一种新颖的基于异质 memcapacitor 的物理蓄水池计算机,该计算机实现了高效的高维变换,显著提高了预测性能。
Apr, 2024
本研究解决了单细胞生物在不同化学梯度下,采用何种策略最佳的空白问题。通过模型化趋化变形虫细胞的方向性决策过程,本研究提出了一种新的伪足竞争模式,该模式在静态和动态梯度中展现出高效的化学趋向性。研究表明,这种机制显著提升了细胞在浅梯度环境中的趋化精确度,展现了细胞在缺乏明确梯度感知和记忆的情况下的机械智能。
Sep, 2024