PulseAugur
中
实时 06:24:23
English(EN) Implementation of reinforcement learning in chemical reaction networks: application to phototaxis as curiosity-driven exploration

强化学习框架通过化学反应模拟细胞导航

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新颖的框架，将强化学习与化学反应网络相结合来模拟细胞导航。该方法将趋光性（生物体向光移动）视为一种信息驱动的传感运动过程，而不是简单的刺激-反应机制。通过将问题构建为部分可观察马尔可夫决策过程（POMDP），该模型考虑了隐藏的环境变量，并使用贝叶斯更新来维护内部状态，平衡定向运动与探索性采样。该框架使用化学反应网络常微分方程实现，并已通过绿藻轨迹的实验数据得到验证，证明了“游-停”行为作为信息获取策略的出现。 AI

影响 这项研究为理解生物导航提供了一种新的计算方法，可能为设计受生物启发的AI系统提供信息。

排序理由 该集群包含一篇学术论文，详细介绍了使用AI技术模拟生物过程的新计算框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

强化学习框架通过化学反应模拟细胞导航

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ruyi Tang (LCQB-AG), Gr\'egoire Sergeant-Perthuis (LCQB-AG), David Colliaux ·

    强化学习在化学反应网络中的实现：以趋光性作为好奇心驱动探索的应用

    arXiv:2606.26168v1 Announce Type: new Abstract: Living systems navigate environments using noisy and incomplete sensory signals. In unicellular algae, phototaxis is often modeled as a mechanistic run--tumble process driven by stimulus--response rules. However, such descriptions o…

相关话题