Топологическая энтропия коррелирует с прогностической способностью мультиплексированных ансамблевых резервуарных вычислений

Topological Entropy Correlates with the Predictive Power of Multiplexed Ensemble Reservoir Computing
Suvankar Halder, Christopher M. Kim, Vipul Periwal
2026-02-07

машинное обучение динамических системрезервуары Лоренцадинамика экспрессии геновмультиплексированное резервуарное вычислениетопологическая энтропия
Моделирование нелинейных, многомасштабных и транзиентно хаотических биологических процессов остается одной из ключевых задач вычислительной биологии. Традиционные модели глубокого обучения, несмотря на высокую эффективность, требуют больших наборов данных и лишены механистической интерпретируемости, что ограничивает их применимость к биологическим системам с временным разрешением. Резервуарные вычисления (RC) представляют собой перспективную альтернативу, использующую богатую транзиентную динамику фиксированных нелинейных систем, однако стандартные архитектуры RC испытывают трудности при работе с многомерными биологическими данными и сложными временными режимами. В настоящей работе мы вводим машинное обучение на основе динамических систем (Dynamical System Machine Learning, DynML) — мультиплексированную резервуарную архитектуру, предназначенную для моделирования динамики экспрессии генов в таких системах, как регенерация печени и эмбриогенез Drosophila. DynML кодирует биологические сигналы с помощью неоднородных резервуаров Лоренца и использует единый глобальный слой считывания для описания динамики, зависящей от стадии, с высокой прогностической точностью. Мы также показываем, что топологическая энтропия резервуара количественно предсказывает эффективность модели, связывая динамическое богатство с точностью биологического прогнозирования. Помимо моделирования биологических временных рядов, мы демонстрируем универсальность DynML на задаче классификации рукописных цифр MNIST с использованием хаотического резервуара на основе системы Рёсслера, показывая, что фиксированные динамические ядра с линейными слоями считывания также могут обеспечивать многомерную статическую классификацию. В целом DynML представляет собой масштабируемую, интерпретируемую и вычислительно эффективную архитектуру, объединяющую моделирование биологических временных рядов и традиционные задачи машинного обучения в рамках единой парадигмы динамических систем. Сложные биологические явления, такие как развитие, регенерация и прогрессирование заболеваний, возникают из зависящих от времени программ экспрессии генов, управляемых нелинейной многомасштабной динамикой. Описание этой динамики остается сложной задачей для традиционных подходов машинного обучения, которые обычно требуют больших наборов данных и лишены интерпретируемости. В настоящем исследовании мы вводим машинное обучение на основе динамических систем (Dynamical System Machine Learning, DynML) — мультиплексированную резервуарную архитектуру, предназначенную для моделирования динамики экспрессии генов в биологических системах.
1
Хаотический резервуар на основе системы Рёсслера с линейным считывающим слоем успешно классифицирует изображения MNIST, демонстрируя применимость метода за пределами биологических временных рядов.
2
DynML обеспечивает высокую точность прогнозирования сложных биологических процессов, включая регенерацию печени и эмбриогенез дрозофилы, при фиксированных динамических ядрах резервуара.
3
DynML представляет собой мультиплексную архитектуру резервуарных вычислений, использующую гетерогенные резервуары Лоренца и единый глобальный считывающий слой для моделирования стадийной динамики экспрессии генов.
4
Топологическая энтропия резервуара количественно коррелирует с эффективностью прогнозирования, показывая, что динамическое богатство может предсказывать точность биологических прогнозов.
5
Метод объединяет интерпретируемое и вычислительно эффективное моделирование на основе динамических систем для биологического прогнозирования и традиционных задач машинного обучения.

динамика экспрессии генов при регенерации печени и эмбриогенезе Drosophila, моделируемая мультиплексированными резервуарными системами

взаимосвязь между топологической энтропией резервуара и прогностической точностью при моделировании сложной биологической динамики

Publication Details
Publication Date
2026-02-07
Journal
Publisher
ISSN
Cited by
1
Access Type
Author Information
Authors
Suvankar Halder
Christopher M. Kim
Vipul Periwal
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%