Вдохновляет на новые идеи для машинного обучения биологическая эволюция

Как писал Чарльз Дарвин в конце своей основополагающей книги 1859 года «О происхождении видов»: «Хотя эта планета движется по своей оси в соответствии с установленным законом гравитации, из столь простого начала образуются бесконечные формы, самые красивые и самые замечательные, и при этом они развиваются».

Ученые с тех пор считали, что разнообразие форм жизни на Земле предоставляют доказательства того, что биологическая эволюция спонтанно вводит новшества открытым способом, постоянно изобретая новые вещи.

Тем не менее, попытки построить искусственное моделирование эволюционных систем имеют тенденцию сталкиваться с ограничениями в сложности и новизне, которые они могут производить. Это иногда называют «проблемой открытости». Из-за этой трудности на сегодняшний день ученые не могут легко создать искусственные системы, способные демонстрировать богатство и разнообразие биологических систем.

Суть исследования

В новом исследовании, опубликованном в журнале «Искусственная жизнь», исследовательская группа во главе с Николасом Гуттенбергом и Натаниэлем Дево из Института наук о Земле и жизни (ELSI) в Токийском технологическом институте, Япония, и Александрой Пенн из Центра оценки Nexus (CECAN), Университет Суррея, Великобритания (CRESS), исследует связь между биологической эволюционной открытостью и недавними исследованиями в области машинного обучения, надеясь, что, соединив идеи из искусственной жизни и машинного обучения, станет возможным объединить нейронные сети с мотивами и идеями искусственной жизни, чтобы создать новые формы открытости.

Одним из источников открытости в развивающихся биологических системах является битва за выживание. Например, более быстрые лисы могут развиваться, чтобы поймать более быстрых кроликов, которые, в свою очередь, могут развиваться, чтобы стать еще быстрее, чтобы убежать от более быстрых лис. Эта идея отражена в недавних разработках, включающих создание сетей, конкурирующих друг с другом, для создания таких вещей, как реалистичные изображения, с использованием порождающих состязательных сетей (GAN), и для создания стратегий в играх, таких как CS: Go, с помощью которых можно с легкостью победить лучших игроков.

В эволюции такие факторы, как мутация, могут ограничивать развитие. Однако, поскольку нейронные сети были расширены, такого ограничения, по-видимому, не существует, и сеть может продолжать улучшаться по мере того, как дополнительные данные передаются в их алгоритмы. Гуттенберг изучал эволюционную открытость начиная с аспирантуры, но только в последние несколько лет его внимание переключилось на искусственный интеллект и нейронные сети.

Примерно в то же время были изобретены такие методы, как GAN, которые показались ему очень похожими на открытые коэволюционные системы, над которыми он ранее работал. Внезапно он увидел возможность разрушить барьер между общинами, чтобы помочь добиться прогресса в чем-то, что для него является постоянно важной и интересной проблемой.

Принцип работы

Исследователи показали, что, хотя они могут использовать анализы масштабирования для демонстрации открытости в эволюционном и когнитивном контекстах, существует разница между созданием чего-то, что, например, становится бесконечно хорошим для создания рисунков кошек, и чего-то, что, устав от создания рисунков кошек, решает заняться музыкой.

В искусственных эволюционных системах программисты должны ожидать такого рода скачков - им нужно создать искусственный мир, в котором такой фактор как музыка может стать причиной эволюции в музыканта.

В таких системах, как нейронные сети, такие понятия, как абстракция, легче понять, и поэтому можно начать воображать способы, с помощью которых совокупность взаимодействующих агентов может создавать новые проблемы для решения между собой.

Эта работа поднимает некоторые глубокие и интересные вопросы. Например, если стремление к качественно иной новизне в вычислительной системе возникает из абстракции, что определяет «смысл» новизны, создаваемой искусственными системами? Было показано, что машинное обучение иногда приводит к созданию искусственных языков путем взаимодействия вычислительных агентов, но эти языки все еще основаны на задаче, с которой взаимодействуют агенты.

Если агенты действительно полагаются на взаимодействие внутри системы, чтобы отвлечь открытость далеко от того, что было предоставлено в качестве исходного материала, можно ли было бы даже распознать или интерпретировать то, что выходит, или нужно было бы быть живым организмом?

В конечном счете, это исследование предполагает, что возможно создать искусственные системы, которые автономно и непрерывно изобретают или открывают новые вещи, которые представляют собой значительный прогресс в искусственном интеллекте и могут помочь в понимании эволюции и происхождения жизни.