题目：Neural-network solutions to stochastic reaction networks
文献来源:https://doi.org/10.1038/s42256-023-00632-6 （nature machine intelligence）
代码：https://github.com/jamestang23/NNCME
简介：化学物种通过一系列反应进化的随机反应网络被广泛用于模拟物理、化学和生物学中的随机过程。为了表征物种计数状态空间中演化的联合概率分布，需要求解一个普通的周向方程组，即化学主方程，其中计数状态空间的大小随着物种类型的增加而呈指数增长。这使得对随机反应网络的研究具有挑战性。在此，作者提出了一种利用变分自回归网络来求解化学主方程的方法。自回归网络的训练采用了强化学习框架中的策略梯度算法，它不需要任何以前用其他方法模拟的数据。与模拟单个轨迹相比，该方法跟踪联合概率分布的时间演化，并支持混淆的直接采样和计算它们的归一化联合概率。作者将该方法应用于物理和生物学的代表性例子，并证明它准确地生成随时间的概率分布。变分自回归网络在表示多模态分布方面表现出可塑性，与守恒定律合作，使反应速率随时间变化，并有利于高维反应网络，允许一个灵活的计数上限。研究结果提出了一种基于现代机器学习的研究随机反应网络的一般方法。
主要内容：
-------------------------------------------
欢迎点赞收藏转发！
下次见！