Circuit design in biology and machine learning. I. Random networks and dimensional reduction

要約

生物学的回路は、入力を受け取り出力を生成する神経または生化学のカスケードです。
生命の歴史の中で、生物学的回路は環境上の課題を解決する方法をどのように学んできたのでしょうか?
その答えは確かに、「進化の観点からなければ生物学には何一つ意味をなさない」というドブジャンスキーの有名な引用に従っていますが、その引用は自然選択による試行錯誤の学習が起こるメカニズムの基礎を無視しています。それはまさに私たちが知っていることです。
理解すること。
生体回路を設計する学習プロセスは実際にどのように機能するのでしょうか?
生体回路を形成するプロセスを研究することで、生体回路の形態と機能についてどの程度の洞察を得ることができるでしょうか?
生命の回路は多くの場合、環境追跡、恒常性制御、次元削減、分類など、機械学習が直面する問題と同じ問題を解決する必要があるため、問題を解決するために機械学習がどのように計算回路を設計するかを考えることから始めることができます。
次に、これらの計算回路は生物学的回路の設計についてどの程度の洞察を提供するのか、と尋ねることができます。
問題を解決するために使用される特定の回路設計において、生物学はコンピューターとどの程度異なりますか?
この記事では、生物学的回路の設計に関する広範な疑問を分析するための基礎を築くために、2 つの古典的な機械学習モデルを段階的に説明します。
洞察の 1 つは、ランダムに接続されたネットワークの驚くべき力です。
もう 1 つは、生体回路に埋め込まれた環境の内部モデルの中心的な役割であり、次元削減と傾向予測のモデルによって示されています。
全体として、生物学における多くの課題には機械学習の類似点があり、生物学の回路がどのように設計されているかについての仮説が示唆されています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google