Evolúciós számítógép-tudomány

Biológia, informatika

Melanie Mitchell

Melanie Mitchell, az intézet egyik kutatója szerint a biológusok és a számítógép-tudományok szakemberei kölcsönösen nagyon sokat tanulhatnak egymástól: minél többet tudunk a biológiai rendszerek információfeldolgozásáról, az ellesett módszerek annál jobban átültethetők a komputeres közegbe. Működésük során szépen tetten érhető a komplexitástudományokban úton útfélen visszaköszönő emergencia: egyszerű műveleteket végző egyszerű összetevőkből áll a rendszer. Viszont az elemek együtt, az általuk formált hálózat már rendkívül bonyolult dolgokat visz véghez. Mitchell példája: az immunrendszer információalapú kognitív hálózat, tehát a minél biztonságosabb számítógépes alkalmazások az immunrendszer által végzett műveletekhez hasonlókon alapulhatnak.

A számítógép-tudományokban kidolgozott információfeldolgozó módszerek pedig a biológusoknak adhatnak új ötleteket. A két diszciplína "bensőségesen egymásba kapcsolódott".

Evolúciós módszerek

Mitchell elsősorban azt vizsgálja, miként hajtanak végre a természetes rendszerek bonyolult műveleteket, az eredmények alapján pedig új típusú számítógépes módszereket dolgoz ki. "Egyre többen használnak evolúciós metódusokat valósélet-alkalmazásokra" - nyilatkozta. "Például az üzembeli munkabeosztásra, a láncoptimalizációra és olyan dolgokra, mint az áramkörök automatikus tervezésére." Azaz, egyre szélesebb skálán, különösen amióta a rendkívül "intenzív" evolúciós és/vagy genetikai algoritmusokhoz adott a szükséges számítógépes kapacitás.

Jelenleg a legfőbb dilemmát talán az jelenti, hogy egyelőre még nem értjük kristálytisztán, mi jellemzi azokat a problémákat, problémaköröket, amelyek megoldására tökéletesen működnek az evolúciós alkalmazások. "Akadnak intuíciók, de nincs valódi formális elemzés" - állítja Mitchell.

Evolúció, Mesterséges Intelligencia

Egyébként a mesterségesintelligencia-kutatás új trendjei (például Rodney Brooks robotnevelés elmélete), ellentétben a nyolcvanas évek végén domináns ideghálókkal (neural networks), szintén a (zömmel a) Santa Fe Intézetben kidolgozott módszereknek kedveznek. "Nagyon nehéz kézileg megtervezni az intelligensen, vagy életszerűen cselekvő komplex komputerrendszereket" - így Mitchell. Következtetés: hagyni kell a rendszert, hadd tanuljon önmagától. Azaz, az evolúciós számítógép-tudomány az MI-fejlesztőknek ugyancsak sok fejtörést okozó gépi tanulás egyik típusaként is értelmezhető.

A Santa Fe Intézetben azonban nemcsak az evolúciós, hanem a gépi tanuláshoz szintén kapcsolódó koevolúciós módszereken is munkálkodnak. A hagyományos eljárásnál a tanulási példák rögzített során tesztelik a rendszert. Ha jó a válasz, elfogadják, ha rossz, akkor nem. Ezzel szemben a koevolúcióban maguk a tanulási példák is fejlődésen mennek keresztül. Dinamikusabbak, életszerűbbek. Ideális tesztelés: a rendszer generálja őket, közben pedig olyan szituációk alakulhatnak ki, amik réseket ütnek rajta, viszont csak így lehet optimalizálni. Azaz, feltételezhetően a más területekről is ismert trial and error - próbálkozás-hiba - eljárást, az iterációt fejlesztik tovább, alkalmazzák egy minden tekintetben dinamikus környezetre.

Evolúciós algoritmusok, trial and error

De az evolúción alapuló számítógépes eljárások egy rendkívül fontos ponton mégis eltérnek a hagyományos trial and error-tól: az utóbbiban a számítógép véletlenszerűen (random) több millió próbalehetőséget generál, és azokból választja ki a legkisebb rizikóval járót. Az evolúciós algoritmusok is véletlenszerűen generált, ötven és ötszáz közötti lehetőséggel indulnak. Minden lépésnél (generációnál) értékelik, (alkalmassági) számmal látják el az individuumokat, ami arra vonatkozik, mennyire jó egy megoldás. Utána a legalkalmasabb egyedeket (a populáció húsz-nyolcvan százalékát) kétféleképpen reprodukálják: a egyed egyik b egyed másik részével kombináljuk (kereszteződés, cross-over), illetve véletlenszerűen megváltoztatjuk egy individuum részeit (mutáció). Az utód a következő generációba kerül, és újraindul az egész folyamat.