ترجمه فارسی مقاله NeuralCRNs: پیاده‌سازی طبیعی یادگیری در شبکه‌های واکنش شیمیایی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی NeuralCRNs: A Natural Implementation of Learning in Chemical Reaction Networks
عنوان مقاله به فارسی NeuralCRNs: پیاده‌سازی طبیعی یادگیری در شبکه‌های واکنش شیمیایی
نویسندگان Rajiv Teja Nagipogu, John H. Reif
فرمت مقاله انگلیسی PDF
تعداد صفحات 26
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Emerging Technologies,یادگیری ماشین , فن آوری های نوظهور ,
توضیحات Submitted 17 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The remarkable ability of single-celled organisms to sense and react to the dynamic changes in their environment is a testament to the adaptive capabilities of their internal biochemical circuitry. One of the goals of synthetic biology is to develop biochemical analogues of such systems to autonomously monitor and control biochemical processes. Such systems may have impactful applications in fields such as molecular diagnostics, smart therapeutics, and in vivo nanomedicine. So far, the attempts to create such systems have been focused on functionally replicating the behavior of traditional feedforward networks in abstract and DNA-based synthetic chemistries. However, the inherent incompatibility between digital and chemical modes of computation introduces several nonidealities into these implementations, making it challenging to realize them in practice. In this work, we present NeuralCRNs, a novel supervised learning framework constructed as a collection of deterministic chemical reaction networks (CRNs). Unlike prior works, the NeuralCRNs framework is founded on dynamical system-based learning implementations and, thus, results in chemically compatible computations. First, we show the construction and training of a supervised learning classifier for linear classification. We then extend this framework to support nonlinear classification. We then demonstrate the validity of our constructions by training and evaluating them first on several binary and multi-class classification datasets with complex class separation boundaries. Finally, we detail several considerations regarding the NeuralCRNs framework and elaborate on the pros and cons of our methodology compared to the existing works.

چکیده به فارسی (ترجمه ماشینی)

توانایی قابل توجه ارگانیسم های تک سلولی برای حس و واکنش در برابر تغییرات پویا در محیط آنها ، شهادت توانایی های تطبیقی ​​مدار بیوشیمیایی داخلی آنها است.یکی از اهداف زیست شناسی مصنوعی توسعه آنالوگهای بیوشیمیایی چنین سیستمهایی برای نظارت بر و کنترل فرآیندهای بیوشیمیایی است.چنین سیستمهایی ممکن است در زمینه هایی مانند تشخیص مولکولی ، روشهای درمانی هوشمند و نانومیدیسین داخل بدن کاربردهای تأثیرگذار داشته باشند.تاکنون ، تلاش برای ایجاد چنین سیستمهایی بر تکرار عملکردی شبکه های سنتی خوراک در شیمی های مصنوعی انتزاعی و مبتنی بر DNA متمرکز شده است.با این حال ، ناسازگاری ذاتی بین حالت های دیجیتال و شیمیایی محاسبات ، چندین غیرقانونی را در این پیاده سازی ها معرفی می کند ، و تحقق آنها در عمل را به چالش می کشد.در این کار ، ما Neuralcrns را ارائه می دهیم ، یک چارچوب یادگیری جدید تحت نظارت ساخته شده به عنوان مجموعه ای از شبکه های واکنش شیمیایی قطعی (CRN).بر خلاف آثار قبلی ، چارچوب NeuralCRNS بر روی پیاده سازی های یادگیری مبتنی بر سیستم دینامیکی پایه گذاری شده است و بنابراین ، منجر به محاسبات سازگار با شیمیایی می شود.اول ، ما ساخت و آموزش یک طبقه بندی کننده یادگیری تحت نظارت را برای طبقه بندی خطی نشان می دهیم.سپس این چارچوب را برای پشتیبانی از طبقه بندی غیرخطی گسترش می دهیم.سپس ما با آموزش و ارزیابی آنها ابتدا در چندین مجموعه داده طبقه بندی باینری و چند طبقه با مرزهای جداسازی کلاس پیچیده ، اعتبار سازه های خود را نشان می دهیم.سرانجام ، ما چندین ملاحظات در مورد چارچوب NeuralCrns را شرح می دهیم و در مورد جوانب مثبت و منفی روش خود در مقایسه با آثار موجود توضیح می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.