학습된 분기점을 통한 재귀 신경 화학 반응망의 동적 전환

초록

본 논문은 재귀 신경 화학 반응망(RNCRN)이 매개변수에 따라 발생하는 분기 현상을 학습하고, 매끄러운 ODE뿐 아니라 불연속·희소 데이터로 정의된 목표 동작을 구현하도록 훈련할 수 있음을 보인다. Hopf와 동형 분기 등 고전적 분기를 재현하고, 파라미터‑스페이스에서 서로 다른 동역학을 자동 전환하도록 설계한 알고리즘을 제시한다.

상세 분석

본 연구는 기존의 화학 반응망(CRN) 설계와 인공 신경망(ANN) 학습을 결합한 RNCRN 프레임워크를 확장하여, 매개변수 의존적인 동역학과 그에 수반되는 분기 현상을 자동으로 학습·재현할 수 있음을 입증한다. 먼저 저자들은 RNCRN에 파라미터 종(species) Λ_l을 도입하고, 이를 초기 농도값으로 설정함으로써 매개변수를 반응물로 취급한다. 이때 Λ_l은 동역학이 없는( dλ_l/dt =0 ) 정적 종이지만, 화학 퍼셉트론 Y_j와의 촉매 반응을 통해 퍼셉트론의 활성화 함수 σ_γ에 직접적인 영향을 미친다. 이러한 설계는 매개변수 공간을 연속적으로 탐색하면서도 RNCRN 내부의 비선형 활성화가 매끄러운 ODE와 동일한 형태를 유지하도록 보장한다.

핵심 이론적 기여는 두 가지이다. 첫째, 매개변수‑의존 ODE f(x,λ) 를 근사하도록 RNCRN을 훈련시키는 알고리즘을 제시한다. 기존 알고리즘(Algorithm 1 in