STL-based Optimization of Biomolecular Neural Networks for Regression and Control
Eric Palanques-Tost, Hanna Krasowski, Murat Arcak, Ron Weiss, Calin Belta
生物分子神经网络(BNNs),具有生物可合成架构的人工神经网络,实现了超越简单生物电路的通用功能近似能力。 然而,由于缺乏目标数据,培训BNN仍然具有挑战性。 为了解决这个问题,我们建议利用信号时序逻辑(STL)规范来定义BNN的训练目标。 我们基于STL的定量语义,实现基于梯度的BNN权重优化,并引入了一种学习算法,使BNN能够在生物系统中执行回归和控制任务。 具体来说,我们研究两个回归问题,其中我们训练BNN作为失调状态的记者,以及反馈控制问题,我们用慢性疾病模型在闭环中训练BNN,学习减少炎症,同时避免对外部感染的不良反应。 我们的数值实验表明,基于STL的学习可以有效地解决被调查的回归和控制任务。
Biomolecular Neural Networks (BNNs), artificial neural networks with biologically synthesizable architectures, achieve universal function approximation capabilities beyond simple biological circuits. However, training BNNs remains challenging due to the lack of target data. To address this, we propose leveraging Signal Temporal Logic (STL) specifications to define training objectives for BNNs. We build on the quantitative semantics of STL, enabling gradient-based optimization of the BNN weights,...