基于自催化反应的神经网络进行图像分类

美国的研究人员将自动催化点击反应与自动液体处理和UV-Vis光谱相结合，创建了一个简单的神经网络，可以对二值图像进行分类。

化学计算从生命系统的复杂性和效率中获得灵感，旨在开发能够执行信息处理和存储等功能的化学对应物。迄今为止，DNA一直是这一领域研究的首选分子。但是基于小分子的简单化学系统，可以承受更大范围的反应条件，并且需要更少的成分，正在开始开辟化学计算的新途径。

自催化反应有一个共同的关键特征——它们是由它们的反应产物催化的。因此，反应速率与产物的存在量有关，这也意味着当涉及到产物的形成时，自催化反应随着时间的推移呈现非线性响应。用于描述这些反应的动力学模型具有类似于人工神经网络中使用的激活函数的数学形式。这种相似性激发了布朗大学由雅各布·罗森斯坦(Jacob Rosenstein)领导的一组科学家的灵感，他们利用自催化反应建立了一个赢者通吃的神经网络。

研究人员在2-叠氮乙醇和三丙胺之间建立了铜催化的环加成反应。这种咔嗒反应产生三(三唑基甲基)胺，这增加了铜(I)的产量和活性，导致自催化。俄罗斯ITMO大学的信息化学研究员叶卡捷琳娜·斯科博评论说，这项工作的一个关键优势是“点击反应非常强劲”，可以承受不同的条件。“这是一个非常简单的反应，对于我们如何使用它、什么是投入、什么是产出，有明确的规则。”

在“赢者通吃”的神经网络中，潜在的班级之间相互竞争，最先达到特定条件的班级被认为是获胜者。在这种情况下，研究人员使用了反应中点(过渡时间)，t_1/2)，可以通过调整三唑基甲基胺的初始浓度来编程，作为图像分类的条件。在训练期间，对网络权重进行了调整，使类达到t_1/2首先表示与图像输入最相似的图像类。

为了在化学上实现赢家通吃的网络，研究小组在孔板上编码了二进制16×16-pixel图像，使用tris(三唑基甲基)的初始浓度来指定像素颜色，一个位置代表一个像素。接下来，研究人员使用机器人流体处理器，根据网络训练确定的权重，从每口井中去除一定的体积。将样品一起添加到每个潜在图像类别的单独池中，并与新鲜试剂混合。最后，首先到达过渡时间的池被归类为获胜者，确定图像类别。

点击反应对许多研究人员来说可能很熟悉。但Skorb表示，这项工作很重要，因为它“为人们如何将其用于计算机科学提供了新的见解”。罗森斯坦及其同事预计，自催化反应网络将在新的化学计算系统中发挥重要作用。展望未来，Skorb表示，“如果我们能找到一种方法将化学系统和生物系统结合起来，那将是一件非常棒的事情。”他补充说，由于点击化学可以在水中工作，它可以与更复杂的化学计算机结合起来，制造出人工大脑。