ДНК-нейросеть: как химия учится распознавать образы
Исследователи из Калифорнийского технологического института под руководством профессора Лулу Цяня разработали нейронную сеть на основе цепочек ДНК, которая выполняет вычисления не с помощью цифровых сигналов, а через химические реакции. Эта работа, опубликованная в журнале Nature 3 сентября, представляет собой значительный прорыв, демонстрирующий возможность сложных механизмов обучения в химических системах.
Ключевой целью проекта было создание с нуля молекулярной системы, способной воспринимать информацию, выявлять в ней закономерности и использовать эти знания для принятия решений на основе новых, ранее не встречавшихся данных. Это свойство лежит в основе любого интеллекта, как естественного, так и искусственного.
В основе технологии лежит разработка 2018 года, когда та же команда создала ДНК-сеть, способную распознавать рукописные цифры. В той системе каждое «изображение» представляло собой не пиксели, а комбинацию из 20 уникальных цепей ДНК, моделирующих шаблон 10×10.
Однако новая система совершила качественный скачок: она научилась самостоятельно формировать «воспоминания», кодируя их в химических сигналах — так называемых молекулярных проводах. Концентрации определенных молекул ДНК становятся физической записью знаний системы, что аналогично процессу образования нейронных связей в человеческом мозге.
Каждая такая сеть функционирует в крошечной капле, содержащей миллиарды цепочек ДНК более тысячи типов, каждая из которых запрограммирована на реакцию только с определенными партнерами. После каскада химических реакций система выдает результат, например, флуоресцентный сигнал определенного цвета, соответствующий распознанному числу.
Как отметил первый автор исследования Кевин Черри, путь к созданию обучающейся молекулярной системы занял семь лет и потребовал не последовательного решения проблем, а кардинального пересмотра подхода и создания новой, целостной конструкции.
Данная работа закладывает фундамент для будущего создания адаптивных «умных» лекарств, способных в реальном времени подстраиваться под угрозы патогенов, или «умных» материалов, которые могут обучаться и адаптироваться к внешним условиям, например, пластыря, анализирующего сигналы кожи для ускорения заживления ран.