Evolutionäre Algorithmen: Wie natürliche Selektion menschliches Design schlägt

Sehen Sie sich genau an, was Sie oben sehen - diese bizarren, gebogenen Objekte mit Büroklammer sehen nicht nach viel aus, und Sie wissen wahrscheinlich nicht, worauf Sie starren. Aber das mittlere mit dem NamenST5-33-142-7 ist eigentlich eine High-Tech-Kommunikationsantenne, die den Titel der weltweit ersten künstlich entwickelten Hardware trägt, die im Weltraum fliegt.

Vor fast zwei Jahrzehnten stand der NASA-Ingenieur Jason Lohn bei der Gruppe Evolvable Systems in der Abteilung Computational Sciences des Ames Research Center mit den Fingerspitzen um das ungewöhnliche Design und kündigte einen Durchbruch an. "Dies wurde von einem Computer entworfen - das ist das Coole daranes, und es funktioniert tatsächlich “ sagte er . "Kein Mensch würde eine so verrückte Antenne bauen."

Er hatte höchstwahrscheinlich Recht. Ohne Zweifel kannten die NASA-Ingenieure ihre Physik. Wenn Sie jedoch jemals mit einer Fernsehantenne gespielt haben, wissen Sie, dass so ziemlich jedes Material in der Umgebung einer Antenne die Leistung und Leistung beeinflussen kannihr optimales Design ist ein traditionell schwieriges Problem für Elektrotechniker.

Dutzende von mit KI bewaffneten Computern wurden von Lohn und seiner Forschungsgruppe mit der Erstellung des besten Strahlungsmusters beauftragt und erreichten schließlich dieses komplizierte und bizarre Design. Es erfüllte erfolgreich eine Reihe anspruchsvoller Missionsanforderungen und wurde unter vielen Designs ausgewähltvon professionellen und menschlichen Ingenieuren geliefert und am 22. März 2006 auf der ST5-Mission gestartet, wo sie bis zum Ende ihrer Mission blieb.

Dies ist eines der vielen Beispiele, die das ungenutzte Potenzial evolutionärer Algorithmen aufzeigen. Das Hören von Evolution außerhalb des biologischen Kontextes mag überraschen, aber in Wirklichkeit reicht ihre Wirkung weit über Schulbänke und Biologiebereiche hinaus.

Erfassung der Evolution in einem Computer

In der Biologie wurde die Evolutionstheorie erstmals 1859 durch das immer noch einflussreiche und dann kontroverse Buch des britischen Naturforschers Charles Darwin öffentlich bekannt. Über den Ursprung der Arten . Evolution wird allgemein in der Biologie definiert als "Veränderung der vererbbaren Merkmale biologischer Populationen über aufeinanderfolgende Generationen" und beruht auf natürlicher Selektion als Mechanismus. Die Prämisse eines evolutionären Algorithmus wird kristallklar, wenn Sie ihn als Erfassung der Essenz der Evolution in einem Computer betrachten.

Ein evolutionärer Algorithmus, der eine Teilmenge der evolutionären Berechnung ist. kann definiert werden als „populationsbasierter metaheuristischer Optimierungsalgorithmus“. Diese von der Natur inspirierten Algorithmen entwickeln Populationen experimenteller Lösungen über zahlreiche Generationen hinweg unter Verwendung der Grundprinzipien der Evolutionsbiologie wie Reproduktion, Mutation, Rekombination und Selektion.

Das Faszinierende an ihnen ist, dass Algorithmen, die auf den Naturgesetzen basieren, in der Lage sind, sofort einsatzbereite Lösungen zu finden, die manchmal übermäßig komplex sein können oder sogar die Vorstellungskraft oder Fähigkeit eines Ingenieurs übersteigen.

"Dies ist eines der interessantesten Dinge, die wir beim Studium von Evolutionsalgorithmen und Evolutionstechnik gesehen haben: Immer wenn wir sagen:" Ich bin Ingenieur, kann ich sitzen und rigoros rechnen, bis ich die richtige Antwort bekomme ", schlägt uns die Evolutionam Handgelenk, da evolutionäre Prinzipien weit über das hinausgehen, was der menschliche Geist erreichen kann - so wie es immer in der Natur getan wurde. Dies macht das Gebiet sehr attraktiv, aber es ist immer noch ziemlich still ", sagt Dr. Çağrı Mert Bakırcı-Taylor, Gründerund CEO von Evrim Ağacı Tree of Evolution, eine der größten populärwissenschaftlichen Organisationen in der Türkei. Als Maschinenbauingenieur, der zum populärwissenschaftlichen Kommunikator wurde, hat er an einer einheitlichen Theorie der algorithmischen Evolution gearbeitet und die Auswirkungen von Fitnessfunktionen in evolutionären Algorithmen während des Jahres untersuchtpromovierte an der Texas Tech University, wo er auch in Biologie promovierte.

Und wenn er sagt, dass das Feld ziemlich still ist, hat er einen Punkt. Evolutionsprinzipien wurden bereits als möglicherweise praktikabler Ansatz für Berechnungsmethoden vorgestellt. bereits in den 1950er Jahren ; evolutionäre Algorithmen haben jedoch noch keinen großen Moment.

Die theoretischen Grundlagen für evolutionäre Algorithmen wurden nach den 1970er Jahren gelegt, aber sie waren ihrer Zeit weit voraus. Sie wurden erst in den 1990er Jahren eingesetzt, als Computer schnell genug wurden, um mit ihnen umzugehen, und die Menschheit am Rande einesRevolution der künstlichen Intelligenz, dieser große Moment könnte gleich um die Ecke sein.

Evolutionäre Algorithmen für Dummies

Aber wie erfasst man die Evolution in einem Computer wirklich? Die NASA hat zuvor den Aufbau eines evolutionären Algorithmus verglichen. zu einer Kunstform und mit seinen Details und Feinheiten ist es wirklich eine komplexe Aufgabe. Seine vielen Schritte entsprechen in etwa einem bestimmten Aspekt der natürlichen Auslese.

Evolutionäre Algorithmen bestehen aus "Individuen" Dies sind vorübergehende Lösungen für das jeweilige Problem. Diese Personen werden durch die Verwendung künstlicher Chromosomen definiert, die häufig zufällig generiert werden, um die Eigenschaften einer Person zu bestimmen. Jedes Chromosom besteht aus mehreren „Genen“, die Parameter des Problems sind.

Diese Parameter sind Teil des Modells, das entwickelt wird, aber es gibt auch Metaparameter z. B. Crossover-Rate und Mutationsrate, die nicht Teil des Modells sind und von den Programmierern vor dem Ausführen des Algorithmus festgelegt werden müssen.

Sobald alles festgelegt ist, entwickeln sich die Gene, die die Hauptkomponenten der Algorithmen sind, im Laufe der Zeit, und die Individuen konkurrieren um die erfolgreichsten im "Überleben der Stärksten", ähnlich wie in der biologischen Evolution. Dieser Wettbewerb kannfinden in der realen Welt statt, indem tatsächliche Roboter oder andere physische Geräte implementiert werden, die mit Computern kommunizieren. Dies geschieht jedoch normalerweise in einer Computersimulation, in der diese Personen ausgespielt werden, um zu sehen, wie ihre Genkombinationen mit dem zu lösenden Problem interagieren.

Der Erfolg der Person, Fitness genannt, wird danach gemessen, wie gut sie bei der gegebenen Aufgabe abschneidet. Um diese Messung durchzuführen, werden die Erfolgskriterien, die die Eigenschaften der gewünschten Lösung widerspiegeln, unter Verwendung einer mathematischen Gleichung formuliert, die als Fitnessfunktion bezeichnet wird.Dies ist normalerweise der erste Schritt in evolutionären Algorithmen.

Alle Fitness des Individuums bilden eine imaginäre Topographie, das heißt normalerweise genannt ein Designraum oder eine Fitnesslandschaft. Der Designraum, der normalerweise mehr als drei Dimensionen hat, weist viele Spitzen und Täler auf, die der relativen Fitness der Kombinationen der Parameter entsprechen.

Der Entwurfsraum wird bereits durch die Einschränkungen des Systems und die Gesetze der Physik bestimmt, ist dem Forscher jedoch auch im Wesentlichen unbekannt. Der Evolutionsalgorithmus scannt den Raum heuristisch, um die Werte zu ermitteln, die die Fitnessfunktion annehmen wirdAbhängig von der Auswahl der Metaparameter kann der Algorithmus Sie als Ergebnis dieser Erkundungsbemühungen zu einem Optimum bringen oder Sie können „gedankenlos“ wandern.

Da sich immer mehr Populationen entwickeln, um ein bestimmtes Problem zu lösen, kommt das Überleben der Stärksten ins Spiel: Die Lösungen mit höheren Fitnesswerten, die näher an den Spitzen liegen, werden in jeder Generation ausgewählt und dürfen "züchten".während die niedrigrangigen Individuen "getötet" werden. Dieser Prozess ermöglicht es dem Algorithmus, sich mit jeder Generation den Spitzen zu nähern.

In den nächsten Generationen werden die eliminierten Individuen durch eine Methode namens „Reproduktion“ ersetzt, um die Populationsgröße konstant zu halten - dies ist natürlich nicht immer notwendig, wird aber normalerweise auf die eine oder andere Weise implementiert, um das Aussterben zu verhindern. Verschiedene MethodenB. "sexuelle Selektion", können die Personen, die ihr genetisches Material zufällig ohne sexuelle Selektion austauschen, oder zufällige Einreichungen auch verwendet werden, um den Reproduktionsprozess aufzupeppen. Beispielsweise können EAs mit sexueller Selektion Ähnlichkeitsmatrizen verwenden, um ähnliche und ähnliche auszuwählenverschiedene Individuen, um sie zu züchten.

Mit Ausnahme der zufälligen Einreichungen wird ein Mechanismus namens Crossover, der in der Evolutionsbiologie den Austausch von genetischem Material in der Keimbahn beinhaltet, verwendet, um die Gene von Individuen während der Reproduktion zufällig zwischen Chromosomen zu mischen, so dass die neuen Nachkommen eine Mischung aus diesen sein könnendie Gene ihrer Eltern, ähnlich wie bei der sexuellen Fortpflanzung bei Tieren wie Menschen.

Wenn eine neue Population erreicht wird, werden die Gene der Individuen zufällig und normalerweise leicht durch Mutation verändert, um Variationen gemäß den vom Forscher getroffenen Entwurfsentscheidungen hinzuzufügen, wodurch neuartige, aber elternähnliche Lösungen entstehen können.

Diese Personen werden dann erneut auf ihre Fitness getestet. Bei ausreichender Zeit und Rechenleistung kann der Algorithmus unzählige Personen erstellen und hört erst auf, wenn er auf das Chromosomendesign stößt, das er für das beste hält, was bereits geschehen kannals 100 Generationen oder kann Tausende von Generationen dauern oder wenn ein Programmierer es manuell stoppt.

Dank dieses Prozesses kann ein Evolutionsalgorithmus bemerkenswerte Lösungen generieren, die mit den besten Errungenschaften der menschlichen Technik vergleichbar oder in den meisten Fällen sogar besser sind. Beispielsweise können Evolutionsalgorithmen komplizierte und komplizierte Leiterplattendesigns erzeugen, die weit über dem liegenStellen Sie sich einen Elektrotechniker vor und erledigen Sie damit elektronische Aufgaben, die noch gelöst werden müssen, oder Sie können ein Boom-Tower-Design erzeugen, das weit über die einfachen Fachwerksysteme hinausgeht, die von Bauingenieuren verwendet werden, und so die Vibrationsfrequenzen der Spitze auf einen Punkt reduzieren, der zuvor erreicht wurdeunvorstellbar aufgrund des Mangels an technischen Theorien, um solche Lösungen vorauszusehen.

Was hält Ingenieure zurück und wie können sie überwunden werden

Aber wie wir bereits gesagt haben, hatten sie ihren Moment noch nicht ganz. Es gibt mehrere Gründe dafür, wobei der Hauptgrund die Tatsache ist, dass sie es können wirklich teuer.

"Nehmen wir an, wir haben eine Population von 1.000 Personen, und wir möchten sie für 1.000 Generationen testen. Anders als beim maschinellen Lernen, bei dem Sie Ihre Knoten aktualisieren, wenn ein neues Trainingselement eingeführt wird, muss jede einzelne dieser Personentatsächlich getestet werden, in jeder einzelnen Generation gespielt werden, um eine Bewertung der Fitnessfunktion zu erhalten - dies schafft eine unglaubliche Berechnungs- und Simulationslast, weshalb viele Ingenieure und Informatiker nicht sehr an evolutionären Algorithmen interessiert sind."sagt Bakırcı-Taylor. Er weist jedoch auch darauf hin, dass es einige kritische Möglichkeiten gibt, die dies ändern können.

Der erste könnte das Aufkommen von Quantencomputern sein. Wenn Supercomputer so weit fortgeschritten sind, dass sie in unsere Taschen passen, kann ein evolutionärer Algorithmus, dessen Simulation drei Monate dauert, in drei Stunden oder Tagen durchgeführt werden, was möglicherweise ihre Popularität und Nützlichkeit in der Wissenschaft erhöhtGemeinschaften, erklärt er.

Der zweite könnte die Entdeckung von sein etwas das stärkt die algorithmische Grundlage evolutionärer Algorithmen. "Wir haben dies schon früher gesehen. Wir haben zuerst erkannt, dass Maschinen lernen können, aber erst als wir künstliche Neuronen und Sigmoidfunktionen entdeckten und weiterentwickelten, gewann das Feld an Praktikabilität. Vielleicht dortist ein Werkzeug oder eine Funktion da draußen, die darauf wartet, entdeckt zu werden, was die Verwendung von evolutionären Algorithmen zum Kinderspiel macht - wir wissen es einfach nicht. "

Bakırcı-Taylor's Dissertation , 'Eine Analyse der Parameter des evolutionären Algorithmus zur Abschätzung des Verhaltens der algorithmischen Evolution: Eine Fallstudie unter Verwendung von Linien nach Robotern und Simulationen', konzentriert sich auf die dritte Möglichkeit: Das bereits etablierte Wissen in der Evolutionsbiologie hat möglicherweise noch nicht das Ingenieurwesen erreichtDie Entscheidung für einen geeigneten Satz von Parameterwerten wie Populationsgröße, natürliche Selektionsrate und Mutationsrate ist eine der größten Schwierigkeiten bei der Anwendung eines evolutionären Algorithmus auf ein bestimmtes Problem.

Es gibt nicht viele Richtlinien, die die Auswahl der einzelnen Parameter erläutern. Da nahezu endlose technische Probleme zu lösen sind und Parameterkombinationen ausgewählt werden können, ist dies für Forscher problematisch, da mit viel Versuch und Irrtum zu rechnen ist.Stellen Sie sich vor, Sie warten Wochen oder Monate, bis Sie feststellen, dass Ihr evolutionärer Algorithmus bei der Suche nach einer Lösung nicht weiterkommt, weil Ihre Metaparameterauswahl falsch war. Sie müssen also mit neuen Möglichkeiten beginnen, ohne zu wissen, ob diese funktionieren oder nicht.

"Die Parameterauswahl wird seit vielen Jahren diskutiert und hat sich zu einem hochkomplexen Thema mit tiefer Mathematik entwickelt. Wir haben jedoch noch keine praktischen Anweisungen, die von Wissenschaftlern verwendet werden können", sagt Bakırcı-Taylor. "Mein HauptgedankeIch fragte mich, ob wir eine Möglichkeit finden könnten, zum Beispiel zu sagen: „Wenn Ihr Ziel dies ist, wenn Ihr System so viele Freiheitsgrade hat, um natürlich zu optimierenDer Selektionsdruck sollte so hoch sein, oder die Mutation sollte zurückgerufen werden usw. 'Dies ist eine wirklich große Frage. "

Die Parameter des evolutionären Algorithmus interagieren auf sehr nichtlineare Weise, daher war es keine leichte Aufgabe, diese Herausforderung anzunehmen. Da es sich um eine experimentell ausgerichtete Forschung handeln sollte, benötigte Bakırcı-Taylor ein Werkzeug, mit dem er Experimente durchführen konntehäufig und schnell. Es musste auch einfach genug sein, um während der Tests keine zusätzlichen Schwierigkeiten zu verursachen. Daher schienen Line Follower Robots LFR, mit denen er zuvor während seiner Zeit an der Universität Kontrollmethoden für Schüler unterrichtete, die naheliegende Wahl zu sein.

Der größte Teil der Analyse und Datenerfassung wurde durch Computersimulationen durchgeführt. Die benutzerdefinierte, reale LFR ermöglichte es ihnen jedoch, die ausgewählten Ergebnisse zu veranschaulichen. Eine benutzerdefinierte Spur mit einer schwarzen Linie über einem weißen Hintergrund und LFRs wurden entworfenFitness auf der Strecke wurde festgestellt.

Durch die sogenannte ceteris paribus Experimente, sie verwendeten wiederholt dieselben Plattformen, indem sie nur einen einzigen Parameter änderten und alle anderen experimentellen Parameter gleich ließen. Dies ermöglichte es ihnen, die Auswirkung eines bestimmten Parameters auf die endgültige Ausgabe zu untersuchen. Die Fitness wurde danach gemessen, wie gutDer Roboter folgte der Linie, und die Metaparameter beeinflussten die Chancen, leistungsfähige Personen zu finden.

Mithilfe von acht Computern und Parallelverarbeitungsfunktionen erstellten die Forscher einen Cluster und testeten mehrere Populationen, indem sie diese Parameter variierten: Robotergröße, Abstand zwischen Sensor und Basis, Anfangsbedingungen, natürliche und sexuelle Selektion, Mutationsgröße und -rate, Crossover-Rate,Populationsregenerationstechnik sowie Vorhandensein und Stärke des Elitismus.

Das Testen jeder Parameteränderung dauerte 3 bis 7 Tage, da kein Supercomputer verwendet wurde. Bakırcı-Taylor fügte hinzu, dass dieser Prozess möglicherweise länger als gewöhnlich gedauert hat, da er kein Informatiker ist und den Code nicht optimieren konntenoch schneller laufen.

Ihre Ergebnisse zeigten, dass bestimmte Raten und Parameter bestimmten Trajektorien folgten, auf denen sie einige Vorschläge stützen konnten.

"Eines der interessantesten Ergebnisse war das Gleichgewicht zwischen Mutation und Selektion, ein Schlüsselkonzept, das in der Biologie weithin bekannt ist", erklärt Bakırcı-Taylor. "Mutationen erhöhen die Diversität innerhalb der Bevölkerung, jedoch wenn sie zu schnell auftretenkann die Bevölkerung in Bezug auf den Selektionsdruck langfristig geschädigt werden. Dies erfordert ein Gleichgewicht zwischen beiden. "

Die Forscher stellten fest, dass sich die Populationen immer schlechter verhielten, wenn sie die Mutationen übertrieben. "Wenn der Selektionsdruck nicht stark genug ist, kann er die Mutation nicht schnell genug ausmerzen. Schädliche Mutationen beginnen sich anzusammeln.und die Fitness wird im Allgemeinen abnehmen “, sagte er. Dies schafft ein Gleichgewicht zwischen den beiden wichtigen Parametern des Algorithmus.

„Der Schlüssel ist jedoch, dass eine Hintergrundmutationsrate ständig neue Variationen erzeugt, die nicht vorteilhaft oder nachteilig sind. Wenn die Generation jedoch mit einem neuen Problem konfrontiert wird, sagen wir auf der ganzen Linie, die sie abschließen müssen, können diese alten Mutationenin vorteilhafte Auswahlelemente verwandeln und die Evolution kann das Problem schnell und scheinbar „klug“ überwinden. “

Ein anderes Ergebnis zeigte, dass die natürliche Selektionsrate einen bestimmten Betrag nicht unterschreiten oder überschreiten sollte, da eine zu niedrige natürliche Selektionsrate potenzielle Lösungen eliminieren könnte, die sich im Laufe der Zeit verbessern können, und eine zu hohe Rate eine große Anzahl von Lösungen hervorbringen würdeLösungen, einschließlich sehr schlechter. Diese optimale Rate lag in ihrem Fall zwischen 15 und 85 Prozent, was laut Bakırcı-Taylor interessant ist, da sich die Erfolgsraten in diesem Bereich statistisch nicht signifikant änderten, was darauf hinweist, dass die genaueDie Auswahlrate ist möglicherweise kein entscheidender Faktor, solange es eine Auswahl gibt. Wenn dies verallgemeinert werden kann, würde dies Entscheidungen für andere viel einfacher machen.

"Obwohl dies erwartet wurde, haben wir gesehen, dass es einen" Sweet Spot "für die natürliche Selektion gibt", sagt Bakırcı-Taylor. Dies war das Plateau in der Mitte des Best-Fit-Diagramms, das in vielen, vielen Experimenten erhalten wurde. Bereitstellung der Mutationsrateist hoch genug, um Variationen zu erzeugen. Eine mittelmäßige natürliche Selektionsrate, die in diesem Fall zwischen 25% und 75% lag, sollte einwandfrei funktionieren. “Und das Coole ist, dass Sie schnell erkennen können, ob dies bei Ihren Algorithmen der Fall ist.indem wir die Ergebnisse der ersten Generationen untersuchen. “

Diese Ergebnisse reichen nicht für die Entwicklung von Software aus, die Ihnen auf magische Weise alle erforderlichen Parameter aufzeigt. Sie tragen jedoch sicherlich viel dazu bei. Die Forscher glauben, dass die durchgeführten Parameter-Sweeps vielversprechende experimentelle Methoden sind, die weiter verwendet werden könnten, um Süßes zu findenSpots für verschiedene Parameter in evolutionären Algorithmen.

Darüber hinaus könnten zukünftige Forschungen, bei denen ein Supercomputer alle Parameter durchläuft, theoretisch verschiedene Zusammenhänge aufdecken und den Weg zu einer verallgemeinerten Theorie der algorithmischen Evolution ebnen. „Es ist wirklich eine Aufgabe, den Optimierer zu optimieren“, sagt Bakırcı-Taylor.

Was hält die Zukunft bereit?

Wenn sich die Forscher der Herausforderung stellen, können evolutionäre Algorithmen, wie bereits erwähnt, sehr fruchtbar sein. Abgesehen von den Schwierigkeiten wurden viele Bereiche durch die Fortschritte bei evolutionären Algorithmen beeinflusst. wobei die Steuerungstechnik eine der ersten ist . EAs wurden verwendet, um elektromagnetische Aufhängungssysteme zu optimieren, wie sie in Magnetschwebebahnen verwendet werden, die nach dem Prinzip der magnetischen Abstoßung zwischen den Wagen und dem Gleis arbeiten.

Abgesehen von ihrer berühmten Antenne hat die Evolvable Systems Group der NASA auch evolutionäre Algorithmen entwickelt, die Chips entwickeln, die sich selbst reparieren können, Schaltkreise, koevolutionäre Algorithmen und Zeitpläne für Satellitenflotten.

Darüber hinaus in einem der jüngsten Beispiele der Raumanzug der nächsten Generation der NASA, die Extravehicular Mobility Unit wird entworfen mit einer helfenden Hand von AI. Das Entwerfen eines Raumanzugs hat viele technische Herausforderungen. Wenn die Ingenieure die aggressive Zeitachse 2024 für die Artemis-Missionen einhalten, können sie nicht wochenlang über jeden Aspekt der idealen Designs diskutieren. Sie testen also neue Softwaredas kann schnell neue Designs durch Technologie hervorbringen, die generative gegnerische Netzwerke und evolutionäre Algorithmen kombiniert.

Solche Software könnte in Zukunft häufiger eingesetzt werden, da Ingenieure sich zunehmend auf KI verlassen, um die besten Designs zu entwickeln. Aber wie würde eine Zukunft aussehen, die mit evolutionären Algorithmen entworfen wurde? Nun, sie würde wahrscheinlich viele Lücken haben.

Diese außerirdisch aussehenden Designs wurden entwickelt von ein Team von Designern, Ingenieuren und Wissenschaftlern anlässlich des 20-jährigen Jubiläums des Volkswagen Innovations- und Entwicklungszentrums in Kalifornien. Um die Vergangenheit und Zukunft von Volkswagen zu vermischen und gleichzeitig seine Kernideale zu veranschaulichen, nahm das Team einen klassischen VW von 1962Bus und rüstete es mit der neuesten Technologie im generativen Design nach.

Das Ergebnis sah sicherlich nicht nach etwas aus, das von menschlichen Ingenieuren gebaut wurde. Dafür gibt es einen guten Grund.

"Dieses komplizierte Design ist viel elastischer und in der Lage, die Lastverteilung zu verteilen. Es ist für einen Ingenieur nahezu unmöglich, ein solches Design zu entwickeln. Wir können beim Design nicht mit evolutionären Algorithmen konkurrieren, weil wir einfach nicht so effizient rechnen können - wir einfachNatürlich können wir sie berechnen, nachdem wir das Design kennen, aber vorherzusagen, welches das beste ist, ist der kritischste Punkt. Wir sind gut darin, Lösungen für unsere eigenen Bedürfnisse zu generieren, aber wir sind in der Erstellung begrenztdas erste erfolgreiche Produkt ", erklärt Bakırcı-Taylor.

Wenn Sie daran denken, dass Volkswagen im Gegensatz zu den serienmäßigen Leichtmetallrädern, mit denen es begann, Volkswagen 18 Prozent des Gewichts reduzieren Mit diesem Design sieht die Zukunft sehr nach Schweizer Käse aus. "Wir werden solche Designs möglicherweise häufiger sehen, da es keine Begrenzung gibt, um wie viel sie die Produktivität steigern. Ich denke, dass evolutionäre Algorithmen eine zentralere Position in der EU einnehmen werdenZukunft, insbesondere in Design und F & E. "

Was hält die Zukunft für evolutionäre Algorithmen bereit und wie weit können sie uns bringen? In seinem Buch Evrenin Karanlığında Evrimin Işığı Das Licht der Evolution in der Dunkelheit des Universums , Bakırcı-Taylor behauptet, dass Maschinen, die evolutionäre Algorithmen verwenden, der Beginn der technologischen Singularität sein werden. Dies wird nicht passieren, wenn ein Ingenieur irgendwo eine einzige Gleichung entwickelt, die komplex sein kann oder nicht, und eine künstliche allgemeine Intelligenz entstehtDies liegt daran, dass unsere Methoden des maschinellen Lernens auf extrem vereinfachten Modellen von Neuronen beruhen und das Lernen auf der Grundlage dieser Einfachheit die Komplexität des menschlichen Gehirns nicht erreichen kann, genau wie übermäßig vereinfachte Konstruktionsentwürfe zwangsläufig schlechter abschneiden als ihre evolutionär entworfenen Gegenstücke.er argumentiert.

"Ich denke, wir müssen KI-Technologien mit Werkzeugen ausstatten, um ihre eigenen Lernmethoden zu entwickeln. Wenn wir ihnen ihre neuronalen Netze mit vordefinierten Strukturen geben, sind wir durch unsere unscheinbaren technischen Fähigkeiten begrenzt - zumindest im Vergleich zur Natur. AberAls Menschen haben wir keine Intelligenz gewonnen, indem uns jemand unser eigenes neuronales Netzwerk übergeben hat. Dieses Netzwerk hat sich über Generationen hinweg aus den einfachsten Bausteinen durch natürliche Selektion entwickelt. Und selbst unser Gehirn ist nicht das Endprodukt, jede Spezies und jeder Teil von ihnenKörper entwickeln sich weiter, auch jetzt noch! Wenn wir eine wirklich allgemeine KI aufbauen wollen, müssen wir sie mit Werkzeugen ausstatten, um sich selbst zu entwickeln. Lernen ist eine Sache, sich weiterentwickeln, wie man lernt, ist eine andere. Was der heutigen KI fehlt, ist diese Basisschicht vonEvolution ", sagt er.

"Wenn ich Recht habe und wir einige der Hürden überwinden können, sollten evolutionäre Algorithmen in ein paar Jahrzehnten die 'nächste große Sache' sein. Wenn ich mich irre, könnten wir offensichtlich einen brandneuen Ansatz findenDie derzeitigen Deep-Learning-Methoden eignen sich hervorragend für spezielle künstliche Intelligenz, reichen jedoch nicht aus, um eine allgemeine zu erhalten. Was dieser Ansatz sein könnte, weiß ich natürlich nicht. Ich schaue nur auf die Geschichte der Technik und erkenne, dass das Hauptmusterfolgt dem Beispiel der Natur, um bessere Techniken zu entwickeln. Und wenn unser Ziel darin besteht, die kompliziertesten, schönsten und leistungsfähigsten Technologien aller Zeiten zu entwickeln, können wir nicht einfach lernen, sondern müssen es mit der Evolution untermauern. WeilSo hat es in den letzten 4 Milliarden Jahren in der Natur funktioniert. Wir werden sehen. "

Da sich die KI mit ihrer aktuellen schwindelerregenden Geschwindigkeit entwickelt, könnten evolutionäre Algorithmen und evolutionäre Berechnungen unsere technologischen Fähigkeiten über das tiefe Lernen hinaus treiben und es der KI ermöglichen, vollständig „kreativ“ zu werden.

Es ist nicht zu leugnen, dass Ingenieure im Allgemeinen traditionellere Entwurfsprozesse bevorzugen, bei denen sie mit Mathematik und zertifizierten Berechnungsmethoden die vollständige Kontrolle über alles haben. Ein Ansatz, bei dem ein Algorithmus die Aufgabe übernimmt, herauszufinden, wie es funktioniert oder nichtNeuland; Wenn jedoch ein Maß an Kreativität erreicht werden soll, das der Natur Konkurrenz macht, ist es möglicherweise das Richtige, die Hände vom Lenkrad zu nehmen und die Evolution das tun zu lassen, was sie am besten kann.