ترجمه فارسی مقاله طراحی مدار در زیست شناسی و یادگیری ماشین.I. شبکه های تصادفی و کاهش بعدی

چکیده

A biological circuit is a neural or biochemical cascade, taking inputs and producing outputs. How have biological circuits learned to solve environmental challenges over the history of life? The answer certainly follows Dobzhansky’s famous quote that “nothing in biology makes sense except in the light of evolution.” But that quote leaves out the mechanistic basis by which natural selection’s trial-and-error learning happens, which is exactly what we have to understand. How does the learning process that designs biological circuits actually work? How much insight can we gain about the form and function of biological circuits by studying the processes that have made those circuits? Because life’s circuits must often solve the same problems as those faced by machine learning, such as environmental tracking, homeostatic control, dimensional reduction, or classification, we can begin by considering how machine learning designs computational circuits to solve problems. We can then ask: How much insight do those computational circuits provide about the design of biological circuits? How much does biology differ from computers in the particular circuit designs that it uses to solve problems? This article steps through two classic machine learning models to set the foundation for analyzing broad questions about the design of biological circuits. One insight is the surprising power of randomly connected networks. Another is the central role of internal models of the environment embedded within biological circuits, illustrated by a model of dimensional reduction and trend prediction. Overall, many challenges in biology have machine learning analogs, suggesting hypotheses about how biology’s circuits are designed.

چکیده به فارسی (ترجمه ماشینی)

یک مدار بیولوژیکی یک آبشار عصبی یا بیوشیمیایی است که ورودی ها را می گیرد و خروجی ها را تولید می کند.چگونه مدارهای بیولوژیکی برای حل چالش های زیست محیطی در طول تاریخ زندگی آموخته اند؟پاسخ مطمئناً به دنبال نقل قول معروف Dobzhansky است که “هیچ چیز در زیست شناسی به جز با توجه به تکامل معنی ندارد.”برای درکفرایند یادگیری که مدارهای بیولوژیکی را طراحی می کند چگونه کار می کند؟با مطالعه فرایندهایی که این مدارها را ساخته اند ، چقدر می توانیم در مورد شکل و عملکرد مدارهای بیولوژیکی بدست آوریم؟از آنجا که مدارهای زندگی اغلب باید همان مشکلاتی را که با یادگیری ماشین روبرو هستند ، مانند ردیابی محیط زیست ، کنترل هوموستاتیک ، کاهش ابعادی یا طبقه بندی حل کند ، می توانیم با در نظر گرفتن چگونگی یادگیری ماشین مدارهای محاسباتی برای حل مشکلات شروع کنیم.سپس می توانیم بپرسیم: این مدارهای محاسباتی در مورد طراحی مدارهای بیولوژیکی چقدر بینش ارائه می دهند؟زیست شناسی با رایانه ها در طرح های خاص مدار خاص که برای حل مشکلات استفاده می کند تفاوت دارد؟این مقاله از طریق دو مدل یادگیری ماشین کلاسیک قرار می گیرد تا پایه و اساس تجزیه و تحلیل سؤالات گسترده در مورد طراحی مدارهای بیولوژیکی را تنظیم کند.یک بینش قدرت غافلگیرکننده شبکه های تصادفی متصل است.نقش اصلی مدل های داخلی محیط تعبیه شده در مدارهای بیولوژیکی است که توسط یک مدل از کاهش بعدی و پیش بینی روند نشان داده شده است.به طور کلی ، بسیاری از چالش ها در زیست شناسی دارای آنالوگ های یادگیری ماشین هستند و فرضیه هایی را در مورد نحوه طراحی مدارهای زیست شناسی نشان می دهد.