加州理工研制出DNA人工神经网络

美国加州理工学院的科研人员利用合成的DNA分子研制出了一个人工神经网络,能够处理经典的机器学习问题。

加州理工学院的研究人员开发了一种由DNA制成的人工神经网络,可以解决经典的机器学习问题:正确识别手写数字。这项工作在展示将人工智能引入合成生物分子电路的潜力方面迈出了重要一步。这项工作是在生物工程助理教授Lulu Qian的实验室完成的。描述该研究的论文于7月4日发表在网络上,并发表在7月19日出版的《自然》杂志上。

Qian表示:“虽然科学家们刚刚开始在分子机器中创建人工智能的探索,但其潜力已经不可否认。电子计算机和智能手机使得人类的能力比一百年前更强。与此类似的是,在未来的一百年内,人工分子机器可以构造出所有由分子组成的物体,其中甚至可能包括油漆和绷带。它们更加强大,且对环境的适应性更好。”

人工神经网络是受到人类大脑启发的数学模型。尽管与其生物学对应物相比被大大简化,人工神经网络的功能与神经元网络是类似的,并且也能够处理复杂信息。在Qian的实验室开展的这项工作的最终目标是利用DNA制作的人工神经网络对智能行为(计算、做出选择等行为的能力)进行编程。

“每个人的大脑中都有超过800亿个神经元,因此人类可以做出非常复杂的决策。较小的动物,如蛔虫,可以使用几百个神经元做出较简单的决策。在这项工作中,我们设计并创造了很多生物化学电路,使其可以像一个小型神经元网络一样对分子信息进行分类,且能够处理的分子信息比以前复杂得多”,Qian说。

为了说明基于DNA的神经网络的能力,Qian实验室的研究生Kevin Cherry选择了电子人工神经网络的一个经典挑战作为自己的任务:识别字迹。人类笔迹的差别可能是很大的,所以当一个人仔细检查一个潦草的数字序列时,大脑会执行复杂的计算任务来识别它们。由于即使是人类也很难识别他人的潦草笔迹,所以识别手写数字是对将智能引入人工神经网络工作的一种常见测试。这些网络必须“学会”如何识别数字,解释笔迹的变化,然后把一个未知的数字与它们所谓的记忆进行比较,并确定是什么数字。

在发表在《Nature》的论文中,Cherry演示了由精心设计的DNA序列制成的神经网络可以进行规定的化学反应,以准确识别“分子字迹”。不同几何形状的视觉笔迹是不一样的。与此不同的是,分子字迹的每个例子并不具有某个数字的形状。相反,每个分子数字由20个独特的DNA链组成,这些DNA链选自100个分子,每个分子用于表征任意10×10模式下的单个像素。这些DNA链在一个试管中被混合在一起。“自然分子签名缺少几何特征的情况并不少见,但仍然需要复杂的生物神经网络来识别它们:例如,独特气味分子的混合物会包含某种气味,”Qian说。

在处理特定分子字迹的时候,DNA神经网络可以将其分类为多达九个类别,每个类别代表从1到9的九个可能的手写数字中的一个。

首先,Cherry构建了一个DNA神经网络来区分手写的6和7。他测试了36个手写数字,而试管神经网络正确识别了所有这些数字。理论上,他的系统能够将超过1.2万个手写的6和7分为两个类别——90%的数字来源于机器学习广泛使用的手写数字数据库。

这个过程的关键是使用由Qian和Cherry开发的DNA分子对“赢家通吃”竞争策略进行编码。在该策略中,为确定未知数字的身份,需要使用被称为歼灭者的特定类型的DNA分子来选择获胜者。

Cherry说:“歼灭者与来自一个竞争者的一个分子和来自另一个竞争者的一个分子形成一个化合物,并通过反应形成不活泼的惰性物种。歼灭者迅速吞噬所有竞争对手的分子,直到只剩下一个竞争对手的物种。然后,获胜的竞争者被恢复到高浓度并产生荧光信号,以此来表明网络的决定。”

接下来,在他的第一个DNA神经网络原理的基础上,Cherry开发了一个更复杂的模型,可以对从1到9的单个数字进行分类。当给出一个未知数字时,这款“智能汤(smart soup)”会进行一系列的反应并输出两个荧光信号,例如,绿色和黄色代表一个5,或绿色和红色代表一个9。

Qian和Cherry计划开发能够学习的人工神经网络,并从用于试管模型的实例进行学习。Qian表示,通过这种方式,可以训练同样的智能汤来执行不同的任务。Cherry说:“普通的医学诊断会检测到一些生物分子的存在,例如胆固醇或血糖。如果使用像我们这样的更复杂的生物分子电路,将来有可能可以对数百种生物分子进行诊断测试,并直接在分子环境中做出分析和反应。”

本文分享自微信公众号 - 人工智能快报(AI_News)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-07-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

手把手教你在多种无监督聚类算法实现Python(附代码)

本文简要介绍了多种无监督学习算法的 Python 实现,包括 K 均值聚类、层次聚类、t-SNE 聚类、DBSCAN 聚类。

18450
来自专栏AI科技评论

独家 | 利用特权信息、语义信息和多源信息辅助基于网络数据的学习

雷锋网 AI 科技评论按:本文由美国莱斯大学博士后牛力为 AI 科技评论提供的独家稿件,未经许可不得转载。

14120
来自专栏AI科技评论

学界 | 腾讯 AI Lab 详解16篇 ICML 2018 入选论文

7月10日至15日,第 35 届国际机器学习会议(ICML 2018)将在瑞典斯德哥尔摩举行。ICML是机器学习领域最顶级的学术会议,今年共收到2473篇投递论...

19630
来自专栏数据派THU

20篇顶级深度学习论文(附链接)

本文讲述了深度学习正值快速发展进化阶段,新技术,新工具以及新的应用实现正在深刻改变着机器学习领域并不断获得累累硕果。

15830
来自专栏数据派THU

一文读懂支持向量机SVM(附实现代码、公式)

支持向量机(SVM),一个神秘而众知的名字,在其出来就受到了莫大的追捧,号称最优秀的分类算法之一,以其简单的理论构造了复杂的算法,又以其简单的用法实现了复杂的问...

1.5K30
来自专栏数据派THU

清华大学张长水教授:机器学习和图像识别(附视频、PPT下载)

本篇干货整理自清华大学自动化系教授张长水于2018年4月27日在清华大学数据科学研究院第二届“大数据在清华”高峰论坛主论坛所做的题为《机器学习和图像识别》的演讲...

62130
来自专栏数据派THU

通过7个函数解密区块链(附代码)

我想对很多人来说,区块链是一种很难理解的技术,虽然我也看了很多视频和文章,但从我个人角度来讲,直到我开始写一些简单的区块链应用,我才真正理解了它是什么以及它的潜...

12220
来自专栏AI科技评论

关于机器学习,你所知道的,可能都是错的

虽然机器学习已经成为一个高频名词,但是对于大众而言,它依然是一个遥不可及乃至模糊不清的概念。为此,著名投资人 Benedict Evans 在自己的博客上发表博...

12220
来自专栏AI科技评论

干货 | Machine Can See 2018 图像对抗攻击大赛比赛心得

AI 科技评论按:这篇文章来自俄罗斯数据科学家、机器学习爱好者、创业公司的计算机视觉研究员 Alexander Aveysov。他参加了 2018 年度的「Ma...

17020
来自专栏钱塘大数据

毕业找工作?数据告诉你今年就业有哪些“风口”

又到了六月毕业季,一大波毕业生即将告别自己的学生时代,走出校门步入社会,完成从学生到职员的角色转换。毕业找工作是横在很多大学生面前的一道坎,今年高校毕业生人数再...

14630

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励