Forskere bruger biologisk evolution til at inspirere til maskinlæring

Som Charles Darwin skrev i slutningen af ​​sin sædvanlige bog fra 1859 om arternes oprindelse, "mens denne planet er cyklet videre i henhold til den faste tyngdelov, fra så simpel en begyndelse har endeløse former været smukkeste og mest vidunderlige, og er, udviklet sig. "Forskere har siden længe troet, at mangfoldigheden og viften af ​​livsformer på Jorden er bevis på, at biologisk evolution spontant nyskaber på en åben måde, konstant opfinder nye ting. Imidlertid, forsøg på at konstruere kunstige simuleringer af evolutionære systemer har en tendens til at løbe ind i grænser for kompleksiteten og nyheden, de kan producere. Dette kaldes undertiden "problemet med åbenhed". På grund af denne vanskelighed, til dato, forskere kan ikke let gøre kunstige systemer i stand til at udvise rigdom og mangfoldighed af biologiske systemer.

I en ny undersøgelse offentliggjort i tidsskriftet Kunstigt liv , et forskerhold ledet af Nicholas Guttenberg og Nathaniel Virgo fra Earth-Life Science Institute (ELSI) ved Tokyo Institute of Technology, Japan, og Alexandra Penn fra Center for Evaluation of Complexity Across the Nexus (CECAN), University of Surrey U.K. (CRESS), undersøge sammenhængen mellem biologisk evolutionær åbenhed og nyere undersøgelser inden for maskinlæring. De håbede, at forbinder ideer fra disse felter ville gøre det muligt at kombinere neurale netværk med motiver og ideer om kunstigt liv for at skabe nye former for åbenhed.

En kilde til åbenhed i udviklende biologiske systemer er "våbenkapløbet" for overlevelse. For eksempel, hurtigere ræve kan udvikle sig til at fange hurtigere kaniner, som igen kan udvikle sig til at blive endnu hurtigere til at komme væk fra de hurtigere ræve. Denne idé afspejles i den seneste udvikling, der involverer at placere netværk i konkurrence med hinanden om at producere ting som realistiske billeder ved hjælp af generative adversarial netværk (GAN'er) og for at opdage strategier i komplekse spil som Go. I evolutionen, faktorer som mutation kan begrænse omfanget af et sådant våbenkapløb. Imidlertid, som neurale netværk er blevet opskaleret, ingen sådan begrænsning synes at eksistere, og netværket kan fortsætte med at forbedre sig, efterhånden som der tilføjes yderligere data til deres algoritmer.

Guttenberg havde studeret evolutionær åbenhed siden forskerskolen, men det var først i de sidste par år, at hans fokus flyttede til kunstig intelligens og neurale netværk. Omkring den tid, metoder som GAN'er blev opfundet, hvilket virkede ham som meget lig de åbne ko-evolutionære systemer, han tidligere havde arbejdet med. Han så en mulighed for at rive en barriere ned mellem markerne for at gøre fremskridt med et interessant problem.

Forskerne viste, at mens de kan bruge skaleringsanalyser til at demonstrere åbenhed i evolutionære og kognitive sammenhænge, der er forskel på at lave noget, som for eksempel, bliver uendelig god til at lave kattebilleder og noget som, træt af at lave kattebilleder, beslutter sig for at lave musik i stedet. I kunstige evolutionære systemer, den slags store kvalitative spring skal programmereren forudse - de skulle lave en kunstig verden, hvor musik er muligt for "organismerne" at beslutte at være musikere. I systemer som neurale netværk, begreber som abstraktion er lettere at fange, og populationer af interagerende agenter kunne skabe nye problemer, der skal løses indbyrdes.

Dette arbejde rejser nogle dybe og interessante spørgsmål. For eksempel, hvis drevet til kvalitativt anderledes nyhed i et beregningssystem internt stammer fra abstraktion, hvad bestemmer "betydningen" af den nyhed, kunstige systemer genererer? Maskinindlæring har undertiden ført til oprettelse af kunstige sprog ved at interagere beregningsagenter, men disse sprog er stadig funderet i den opgave, agenterne samarbejder om at løse. Hvis agenterne virkelig stoler på interaktionerne i systemet for at drive åbenhed langt fra det, der blev leveret som udgangsmateriale, ville det endda være muligt at genkende eller fortolke de ting, der kommer frem, eller skulle man være hjemmehørende i et sådant system for at forstå dets rigdom?

Ultimativt, denne undersøgelse antyder, at det kan være muligt at lave kunstige systemer, der autonomt og kontinuerligt opfinder eller opdager nye ting, hvilket ville udgøre et betydeligt fremskridt inden for kunstig intelligens, og kan hjælpe med at forstå livets udvikling og oprindelse.