La increíble creatividad de la evolución digital.

Este artículo contiene descripciones recibidas directamente de investigadores que registraron situaciones similares en el campo de la vida artificial y el modelado evolutivo. Presentamos evidencia sustancial de que la existencia y la importancia de las "sorpresas de la evolución" trascienden el mundo de la vida silvestre ...

Una colección de casos de la práctica de la computación evolutiva y la investigación de la vida artificial.

Una traducción abreviada de un artículo en inglés : La sorprendente creatividad de la evolución digital:
Una colección de anécdotas de las comunidades de investigación evolutiva de computación y vida artificial

Anotación

El proceso evolutivo es una fuente hirviente de diversas opciones de adaptación. El potencial creativo de la evolución no se limita al mundo de la vida silvestre: los organismos artificiales generados por el modelado por computadora pueden confundir a sus propios creadores.

Los algoritmos evolutivos contribuyen a ir más allá del marco en el que surgen. Además, muchos investigadores en este campo pueden proporcionar ejemplos de cómo los algoritmos y organismos artificiales que crearon destruyen sorprendentemente las expectativas y las intenciones. Esto sucede debido a la manifestación de errores no reconocidos en el código del programa y la creación de opciones de adaptación imprevistas. O en el comportamiento de los seres digitales y los resultados de la investigación, se encuentra una similitud con las observaciones en la naturaleza viva. Tales historias son sorprendentes en la evolución que tiene lugar en el mundo digital, pero rara vez se ajustan a la interpretación científica aceptada. En cambio, a menudo se interpretan como solo algunos de los obstáculos para obtener resultados con objetivos establecidos deliberadamente.

Los errores se eliminan, los experimentos cambian de dirección y algunos momentos sorprendentes se reducen a un resultado particular en particular. Tales historias se transmiten oralmente entre los investigadores, pero dicho método de transmisión de información no es efectivo, lo que conduce a la distorsión y la pérdida. Además, tales historias se distribuyen, por regla general, entre los propios experimentadores, por lo que muchos investigadores de vida silvestre no
A menudo es posible hacerse una idea de cuán interesantes y realistas pueden ser los seres digitales y sus procesos evolutivos.

Según nuestros datos, las colecciones de descripciones de tales historias no se han publicado antes. Este artículo contiene descripciones recibidas directamente de investigadores que registraron situaciones similares en el campo de la vida artificial y el modelado evolutivo.

En este sentido, presentamos evidencia sustancial de que la existencia y la importancia de las "sorpresas de la evolución" van más allá de los límites del mundo de la vida silvestre, y esto de hecho puede ser una manifestación de las propiedades universales de todos los sistemas evolutivos complejos.

Introduccion

La evolución nos presenta innumerables ejemplos de formas paradójicamente creativas de obtener decisiones complejas con respecto a la variabilidad de la naturaleza viva. Por ejemplo, algunos tipos de flores tienen una función similar a una baliza acústica, para atraer a los murciélagos guiados por la ecolocación, los microbios extremófilos modifican su propio ADN para un crecimiento exitoso en condiciones
radiación fuerte, los escarabajos bombarderos repelen a los depredadores por reacciones químicas violentas, los parásitos reprograman los cerebros de las criaturas en las que se asientan, lo que provoca la muerte de estas criaturas, pero garantiza el bienestar de los propios parásitos.

Muchos otros ejemplos se relacionan con una amplia gama de sistemas biológicos. E incluso los biólogos con gran experiencia a veces muestran sorpresa cuando aprenden sobre las formas de adaptación recién descubiertas. Por lo tanto, el proceso de evolución biológica es notable por su increíble creatividad, al menos en el sentido de generar soluciones inimaginables y complejas que, al parecer, se pueden comparar con las soluciones creadas por las personas. Además, la creatividad de los procesos evolutivos no se limita a la esfera del mundo orgánico. Independientemente del medio físico, las manifestaciones de la evolución se pueden observar en todas partes donde se entrelazan funciones como la replicación, la variabilidad y la selección.

En este sentido, la evolución puede confirmarse con ejemplos del mundo de la realidad digital, en forma de programas informáticos diseñados para experimentos sobre el estudio de la evolución o para resolver problemas de diseño debido a la generación de criaturas digitales. Al igual que la evolución biológica, los experimentos de evolución digital a menudo producen resultados sorprendentes. A veces, la evolución revela errores de código ocultos o muestra una sorprendente convergencia con manifestaciones biológicas. Y a veces, a través de la evolución, surgen decisiones sobre las cuales los investigadores no tenían idea o que se consideraban imposibles.

Las historias asociadas con la evolución digital y los "asombrosos" investigadores que la estudian son más que artefactos menores. Tales casos contribuyen a los actos de comprensión y la adquisición de conocimientos útiles para actividades prácticas, ya que muestran la ubicuidad de tales problemas y la posibilidad de superarlos.
por necesidad

Además, tales situaciones muestran que los modelos evolutivos digitales probados no solo reflejan los requisitos establecidos por los creadores, sino también ciertas distorsiones. Al mismo tiempo, resultan estar suficientemente fundamentados para obtener resultados inesperados y nuevos conocimientos.

Evolución y creatividad

La evolución de la creatividad se hace evidente al observar la diversidad en la vida silvestre. Darwin reflejó pensamientos similares en la conclusión del Origen de las especies, donde se menciona que la observación de la miríada de criaturas biológicas que viven juntas en una sola área es motivo de un pensamiento serio: "formas infinitas más bellas".

La variabilidad en la vida silvestre se extiende a lo largo de ejes como la complejidad, organización, hábitat, metabolismo y reproducción. Al mismo tiempo, se traza una relación, desde procariotas unicelulares hasta organismos de ballenas que contienen billones de células. Desde el origen de la vida, la biodiversidad ha penetrado en todas partes, mientras que la evolución ha conquistado el mar, la tierra, el espacio aéreo y todo esto con la creación de innumerables opciones de adaptación.

La funcionalidad proporcionada por tal adaptación supera con creces las capacidades del diseño inteligente moderno, que hasta ahora está dirigido a crear robots capaces de auto-reproducción confiable, desarrollo independiente del mundo real o la manifestación de inteligencia a un nivel comparable al humano. Sin embargo, la palabra "creatividad" es semánticamente ambigua y puede tener muchos significados diferentes. Para no ahogarse en las discusiones sobre manifestaciones semánticas y filosóficas, y reconociendo la existencia de otras definiciones y opiniones correspondientes, aceptaremos la "definición estándar": la creatividad genera algo original (nuevo) y efectivo (funcional). Este criterio cumple muchas obras de evolución.

En este entendimiento, la fuente de creatividad en la vida silvestre es el filtro de reproducción. La existencia de dicho filtro se puede realizar de muchas maneras diferentes, y como resultado de la evolución, se forma una masa de resultados heterogéneos. Por ejemplo, en la naturaleza hay muchas formas de extraer la energía necesaria para funcionar de fuentes inorgánicas (como el sol, el hierro, el amoníaco) o varias estructuras de alas para volar entre insectos, pájaros, mamíferos y reptiles.

El potencial creativo de la evolución también contribuye a la autoalineación a través de la interacción ambiental. Al mismo tiempo, la creación de un nuevo nicho a menudo se acompaña del descubrimiento de otros nichos, a través de la depredación, simbiosis, parasitismo o captura. Aunque la evolución revela una falta de previsión e intencionalidad (cualidades inherentes a la creatividad humana), las estructuras evolucionan a lo largo de una de las funciones, a menudo con
Adaptado para otros fines, este fenómeno se conoce como exaptación.

Por ejemplo, la teoría de que la evolución de los portadores de plumas primero los convirtió en dinosaurios debido a la termorregulación y luego los llevó a la adaptabilidad para volar y reproducir aves está muy extendida. Pero incluso en ausencia de previsión directa, la investigación sobre la capacidad de desarrollo sugiere
que la arquitectura del genoma por sí sola puede contribuir a un sesgo hacia el aumento del potencial creativo. Uno de los componentes de la evolución es la presión de la selección, que provoca que la adaptación de la especie mejore la integración en el medio ambiente, y que a menudo conduce a la creatividad dentro de la especie dada. Es decir, convivencia
El cambio evolutivo provoca la aparición de soluciones efectivas, como la mejora de la protección contra los depredadores o los fenómenos naturales como el viento o la radiación.

Junto con la creatividad dentro de la especie, también hay fuerzas evolutivas que contribuyen a la divergencia de la creatividad, lo que conduce a la acumulación de nuevos rasgos o nichos. Una de esas fuerzas es la selección negativa dependiente de la frecuencia; Tal factor de incentivo se manifiesta cuando algunos de los signos se adaptan solo en casos excepcionales, lo que contribuye a la evolución de los organismos con una demostración de sus diversos caminos. Otro factor de divergencia impulsado por las fuerzas evolutivas es la radiación adaptativa. Se manifiesta al acceder a nuevas oportunidades y contribuye a la rápida diversificación del cuerpo con la transformación en una serie de nuevas especies, por ejemplo, cuando una nueva
características como volar.

Por lo tanto, la evolución se dirige hacia la eficiencia (aptitud y funcionalidad exitosas), así como a la originalidad, a través de las fuerzas de optimización de la selección natural y las fuerzas de divergencia. Debido a esto, surgen artefactos que satisfacen ambos criterios de la definición estándar de creatividad. Uno de los objetivos del artículo es enfatizar que dicha creatividad no se limita al entorno biológico, sino que también es una propiedad común para la evolución digital.

Evolución digital

Estimulados por el estudio de la evolución biológica, los investigadores en el campo de la evolución digital estudian procesos ilustrados por métodos computacionales. La idea principal es que existen principios abstractos subyacentes a la evolución biológica que son independientes del medio físico, y que dichos principios pueden aplicarse y estudiarse eficazmente a través de dispositivos informáticos.

En palabras de uno de los investigadores de Daniel Dennett, "la evolución ocurre siempre y en todas partes donde se combinan tres condiciones: replicación, variabilidad (mutaciones) y varias condiciones físicas (competencia)"; no requiere la presencia de moléculas especiales (por ejemplo, ADN o ARN) o sustratos (por ejemplo, membranas físicas especiales).

En la naturaleza, la herencia se organiza a través de la replicación de moléculas genéticas y la variabilidad a través de mecanismos similares a los que copian errores, así como la recombinación genética. La selección en la evolución biológica depende sustancialmente de cuánta supervivencia y reproducción son condiciones lógicas para la existencia.
material genético del cuerpo. La comparación con la evolución digital lleva a la opinión de que los procesos que realizan las funciones de replicación, variabilidad y selección pueden implementarse en computadoras en forma de algoritmos evolutivos (EA).

Por ejemplo, la replicación se puede simular simplemente copiando una estructura de datos (es decir, un genoma digital) en la memoria, la variabilidad se puede representar mediante perturbaciones aleatorias de elementos dentro de dicha estructura de datos. La selección en EA se puede obtener de varias maneras, mientras que los dos más comunes son los análogos digitales de artificial
y selección natural en la evolución biológica. Las similitudes y diferencias para estos tipos de presiones de selección son importantes para comprender muchos de los resultados de la evolución digital, que se describen con más detalle a continuación.

La selección artificial en la evolución biológica es utilizada, por ejemplo, por criadores de caballos que deciden qué razas se unen, con la esperanza de mejorar ciertas características, por ejemplo, al reducir a los individuos más rápidos o más pequeños. Con este método, la selección refleja los objetivos establecidos por las personas. Del mismo modo, en la evolución digital, un investigador puede introducir una función de condición física como criterio para realizar una selección automáticamente. La función de aptitud es una métrica que describe qué fenotipos se prefieren entre otros, y esto refleja el objetivo de la evolución digital. Por ejemplo, cuando se usa EA para el diseño
Una marcha estable de un robot andante, una función de aptitud visual ayudaría a medir qué tan lejos llegará el robot controlado antes de que caiga. La selección con tal EA debería reducirse a controladores de robot que realicen la mayor distancia, con la esperanza de que sus descendientes puedan superar distancias aún mayores. Un método de selección similar es más común en aplicaciones de ingeniería cuando el uso de la evolución digital está destinado a lograr el resultado deseado.

Otra forma común de selección digital es utilizar la selección natural, similar a la biológica, cuando la evolución no está limitada de antemano. La principal diferencia con respecto al anterior es que con este método no hay un resultado predeterminado definido y una función de aptitud dada. Al mismo tiempo, los seres digitales compiten en la lucha por recursos limitados, como los nutrientes artificiales. Aquí, se requieren operaciones cíclicas del procesador central para replicar el código de las criaturas o la ubicación de almacenamiento en un medio digital para registrar genomas. Al especificar la variabilidad en una población, algunas criaturas sobrevivirán lo suficiente para reproducirse con la reproducción de su material genético, mientras que otras desaparecerán, y esto proporciona una evolución similar a la natural.

Por lo general, los sistemas de evolución digital y experimentos similares no se implementan directamente para fines de ingeniería 4/30, pero se utilizan como un medio para estudiar los principios básicos de la vida y la evolución con configuraciones más simples que en biología; es decir, proporcionan modelos de vida artificial para su uso en experimentos evolutivos. Una persistente mala interpretación de la evolución digital es porque
Si se inicia en un medio informático, se pierde el cumplimiento de los estudios de evolución biológica. Sin embargo, a través de argumentos filosóficos y publicaciones relevantes, se ha sugerido que la evolución digital puede ser una herramienta útil para facilitar y complementar la investigación sobre la evolución biológica. De hecho, tales sistemas evolutivos pueden considerarse como encarnaciones reales de la evolución, en lugar de solo como sus simulaciones.

Algoritmos y simulaciones - sorpresas

En primer lugar, puede parecer obvio que una clase de algoritmos puede sorprender sistemáticamente a sus compiladores. Al mismo tiempo, damos una definición bastante amplia de sorpresa al observar un resultado que difiere significativamente de las expectativas, ya sean expectativas debido a la intuición, predicciones como resultado de la experiencia adquirida o debido a
Modelos teóricos. Dado que el algoritmo es una lista formal de instrucciones inequívocas que se ejecutan en un orden específico, parece bastante suficiente verificar la descripción del algoritmo para predecir el rango completo de resultados posibles, contrarrestando cualquier posibilidad de sorpresas. Además, de la teoría de la informática se desprende que, para muchos programas informáticos, el resultado de la ejecución
no se puede predecir sin ejecutar un programa. En el campo de la investigación de sistemas complejos, también se sabe que los programas simples pueden producir resultados complejos y a veces incluso sorprendentes cuando se ejecutan.

Este es un hecho básico que, sobre todo, contradice la intuición. La interacción entre varios productos de software modernos, que está específicamente diseñada para obtener resultados predecibles, parece impedir la manifestación de sorpresas por adelantado. Pero aún así, si la manifestación de innovaciones sorprendentes es característica de
evolución biológica, entonces deben esperarse manifestaciones similares de los modelos informáticos que ilustran los aspectos fundamentales del proceso de evolución. Ofrecemos evidencia informal del potencial de la evolución digital para producir resultados impredecibles; y las diversas manifestaciones presentadas a continuación demuestran cuán comunes y extendidos son estos sorprendentes resultados en la práctica. Es importante tener en cuenta también ese aspecto del ser humano.
psicología, como una tendencia a juicios tardíos, lo que a menudo dificulta la comprensión del significado de la sorpresa en vista de su percepción subjetiva por parte de otra persona.Es decir, las personas a menudo exageran cuán predecible es un evento, después de su ocurrencia. Al mismo tiempo, muchos de los casos presentados a continuación pueden iniciar una comprensión de los
resultados después del hecho, lo que puede hacer que el lector niegue alguna manifestación sorprendente.

Clasificación de la evolución digital Creatividad

Los siguientes son 27 casos interesantes relacionados con el trabajo de 50 investigadores.
Dividimos condicionalmente estos casos en 4 categorías:

• selección furiosa, cuando la evolución digital muestra una discrepancia entre lo que piden los experimentadores y lo que piensan al respecto cuando se les pregunta;
• depuración involuntaria, la evolución digital detecta y utiliza errores de software o hardware previamente desconocidos;
• Superando las expectativas, la evolución digital descubre soluciones que superan las expectativas;
• Con la convergencia con la biología, la evolución digital descubre soluciones convergentes a las que se encuentran en la naturaleza, a pesar de las importantes discrepancias con respecto a los medios y las condiciones.

Selección furiosa

Al resolver problemas prácticos, el enfoque más común entre los experimentadores es la elección de la función de aptitud, que refleja el objetivo deseado del estudio. Como tales funciones de aptitud, a menudo se establecen mediciones cuantitativas simples que parecen obvias para cubrir las características básicas para obtener un resultado exitoso.



Fig. 1 Uso de energía potencial para el movimiento. La evolución revela que es más fácil crear estructuras altas que realicen una caída racional que buscar estrategias para el movimiento activo. Izquierda: criatura al comienzo del intento. Derecha: momentos de caída y salto mortal para mantener el impulso.

Dichos procedimientos son disparadores de EA, ya que sirven como "embudos" para búsquedas directas. La "cría" está dirigida a criar criaturas con una evaluación más alta de la condición física, con la esperanza de que esto conduzca a mejoras adicionales en la condición física y ciertamente conducirá al resultado deseado. Esto es similar al proceso de cría de razas de animales y se basa en los mismos principios de evolución para obtener un
resultado dado .

Sin embargo, como se muestra a continuación, las mediciones cuantitativas realizadas con buenas intenciones a menudo se maximizan por medios no obvios. Además, los experimentadores a menudo sobreestiman la precisión con que las mediciones cuantitativas reflejan el resultado cualitativo subyacente que implican los propios experimentadores. Este es un error conocido como un conflicto de mapa y territorio (por ejemplo, la métrica es un mapa, y el investigador implica un territorio válido;).

Es decir, a menudo para la evolución, la explotación de lagunas en el procedimiento para realizar mediciones cuantitativas es funcionalmente más simple que lograr el resultado deseado real. Además, los sistemas de indicadores creados con precisión en la sociedad humana con buenos objetivos pueden destruirse con un impacto directo en su optimización (la llamada ley de Campbell o ley de Goodhart). Y la evolución digital a menudo actúa para cumplir con la letra de la ley (es decir, en función de la aptitud física)
mientras ignora su significado.

¿Por qué caminar si puedes dar un salto mortal?

En el trabajo fundacional (1994, Karl Sims), evolucionan criaturas virtuales tridimensionales capaces de descubrir comportamientos como caminar, nadar y saltar en un entorno físico simulado. Los cuerpos de las criaturas están hechos de bloques conectados. Sus cerebros se realizan a través de redes neuronales simples que generan un momento variable en las articulaciones en función de las sensaciones de las extremidades, con la ejecución de un
movimiento que parece realista. La estructura y los sistemas de control evolucionaron simultáneamente, lo que permitió obtener todo tipo de cuerpos y estrategias de movimiento. De hecho, tales criaturas siguen siendo los productos más comunes de la evolución digital.

Sin embargo, cuando los Sims intentaron implementar la evolución del comportamiento durante el movimiento, surgieron dificultades. En un área simulada con presencia de gravedad y fricción, la aptitud de las criaturas se midió como la velocidad promedio de movimiento sobre la superficie durante un período de vida de 10 segundos simulados. En lugar de generar articulaciones inteligentes o movimientos similares a serpientes, lo que podría ayudar a empujarlos
a lo largo de la superficie (como se esperaba), las criaturas crecieron altas y rígidas. Durante la simulación, tendieron a volcarse, utilizando su propia energía potencial original para lograr alta velocidad. Y algunos incluso cayeron para aumentar la velocidad horizontal (Fig. 1). Para evitar tales "trucos", es necesario asignar un intervalo de tiempo al comienzo de cada simulación para liberar la
energía potencial inherente a las criaturas en la posición inicial antes de que su movimiento dé algún resultado.



Fig. 2. Uso de energía potencial para salto con pértiga.
Evolution descubre que es más fácil engendrar criaturas que caen y voltearse que crear mecanismos para activar saltos.

Basado en el trabajo del autor de Sims, pero usando una plataforma de simulación diferente, el investigador Krcah trajo criaturas para realizar saltos sobre la superficie a la altura más alta posible. En la primera serie de experimentos, la aptitud de cada organismo se calculó como el aumento máximo del centro de gravedad a una altura. Como resultado, se crearon criaturas con una altura de 15 cm, rebotando a 7 cm de la superficie. Al mismo tiempo, los seres también se levantaron accidentalmente, alcanzando un alto grado de condición física al crear un cuerpo en forma de una torre estática alta, que proporciona elevación sin ningún movimiento. En un intento por corregir esa brecha en la siguiente serie de experimentos, la aptitud física se calculó como la mayor distancia desde la superficie al nodo que originalmente estaba más cerca de la superficie. Al evaluar los resultados cuantitativos de un experimento,para sorpresa de los investigadores, algunas criaturas se volvieron muy altas y también mostraron
¡casi diez veces mejor en saltos! Al mismo tiempo, resultó que la evolución muestra un "truco" como el salto mortal sin saltos. El cuerpo en evolución consistía en varios bloques grandes, y se parecía a una cabeza sostenida por un largo mástil vertical (Fig. 2).

Al comienzo de la simulación, la criatura empujó su pierna larga fuera de la superficie y comenzó a caer con la cabeza hacia adelante, con un salto mortal de la pierna (inicialmente el punto más bajo desde el cual se calculó el valor de salto) desde la superficie. Esto creó una gran brecha entre la superficie y el punto inferior, al tiempo que mantiene un alto valor de condición física sin ningún entrenamiento en habilidades obvias de salto.

Enlace al video .

Depuración involuntaria

Los siguientes ejemplos muestran cómo los elementos fallidos de las criaturas virtuales pueden ser capaces de una adaptación imprevista.

Recuperar características desactivadas

Se utilizó un EA llamado MAP-Elites para investigar la posible interacción del brazo del robot con un pequeño cubo colocado sobre la mesa. El propósito del estudio es la generación y acumulación de varios controladores que podrían mover el cubo a varios lugares de la mesa. Con la configuración habitual, el software MAP-Elites puede mover el cubo alrededor de la mesa, agarrarlo e incluso dejarlo caer en la cesta ubicada frente a la mano
del robot. Para un experimento posterior, el agarre del robot se dañó, evitando su apertura / cierre. Se esperaba que la mano pudiera mover el cubo solo de cierta manera, es decir, empujarlo estúpidamente. Sin embargo, MAP-Elites descubrió una forma engañosa: ¡empuje el cubo con el agarre solo en cierta dirección, lo que provocará que el agarre se abra para que
sostenga el cubo de forma segura (Fig. 4)!



Fig. 4. (a) el brazo del robot en su posición inicial, con un agarre cerrado
(b) la mano empuja el cubo hacia la base de la mano
© la mano mueve el cubo más cerca de la base y realiza un movimiento rápido,
deslizándose sobre la mesa, haciendo que los dedos se abran y
agarren el cubo.
(d) la mano mueve el cubo sostenido en la empuñadura a una nueva posición.

Enlace al video .

Resultados superiores

Arrodillado

Se introdujo un algoritmo que permitió que un robot dañado se adaptara con éxito en dos minutos. Estudiamos la evolución del daño al sexto robot: caminar con las piernas o motores dañados (Fig. 5). Antes de la prueba, los investigadores combinaron la evolución digital con un simulador de robot con el propósito de entrenamiento primario en una variedad de estrategias para caminar. Después del daño, el robot tuvo que usar la experiencia obtenida de la evolución simulada para aprender rápidamente durante las pruebas en un entorno real.

Para implementar la evolución de varios métodos de caminata, se utilizó el algoritmo evolutivo MAP-Elites, que buscó el organismo más adecuado para cada combinación específica de dimensiones dadas (es decir, posibles métodos implementados por fenotipos). En este caso, 6 dimensiones de variabilidad correspondieron a fracciones de tiempo (utilizadas por cada una de las piernas); Se midió la fracción relativa del tiempo que la superficie de los pies tocaba cada pie. Por lo tanto, el algoritmo evolutivo buscó la forma más rápida de caminar en cada frecuencia específica de tocar la superficie de los pies de cada pata del sexto robot. Al mismo tiempo, la opción de evolución se consideró imposible cuando ninguna de las seis patas tocó la superficie, es decir, el toque correspondió a un intervalo de tiempo del 0%.



Sin embargo, el robot rodó sobre su espalda y se puso de rodillas (se volvió), ¡con los pies colgando en el aire! (fig. 6).

El video muestra los diversos patrones de caminata encontrados, incluido el mencionado
(en el tiempo 1:49).

Enlace al video .

Viaje más rápido: no siempre en línea recta

Los investigadores Richard Watson y Sevan Ficici estudiaron el comportamiento de los robots, con dos ruedas, dos motores y dos sensores. Los robots de este tipo son bien conocidos, se mencionan en el libro, que establece que la conexión de las entradas del sensor con las salidas del motor, realizada de cierta manera, provoca un comportamiento similar al de seguir un haz de
luz. Por ejemplo, cuando el momento del motor de la rueda derecha es proporcional a la intensidad de la luz detectada por el sensor izquierdo y, en consecuencia, para la rueda izquierda, por el sensor derecho, el robot se mueve en la dirección de la fuente de luz. En este experimento, los pesos para las conexiones entre las entradas del sensor y las velocidades de las ruedas fueron determinados por la evolución. Al mismo tiempo, se verificó la verdad de la declaración mencionada en el libro.

Cuando los robots en evolución se movían en la dirección de la fuente de luz, a menudo actuaban de una manera impredecible. Algunos volvieron a la fuente cuando el sensor se oscureció, otros buscaron la fuente usando una trayectoria excéntrica, y no de acuerdo con la declaración verificada (Fig. 7). Resultó que tal trayectoria con giro es más fácil de ajustar debido a la curvatura o alisado de la curva cuando se sigue la fuente. Los autores encontraron que la región de búsqueda genética que conduce a remolinos es muy amplia, mientras que la solución clásica de acuerdo con la declaración anterior requiere un equilibrio preciso (por ejemplo, con un ligero cambio de la dirección de las agujas del reloj a la opuesta, Fig. 7) y corresponde a una región relativamente estrecha búsqueda genética Además, a pesar de la ineficiencia observada,el giro se mantiene incluso a velocidades más altas, en contraste con la solución clásica, cuando es imposible una regulación suficientemente rápida a altas velocidades del motor. Y además, la rotación es más confiable cuando se utilizan varios accionamientos en robots individuales y, al mismo tiempo, es menos probable que se "pegue" a los lados del sitio de prueba.



Fig. 7. El robot siguiendo la fuente de luz. Izquierda: solución clásica. Derecha: girando a través de la evolución.

Convergencia con biología

Inducida por estudios de evolución biológica, la evolución digital exhibe naturalmente principios básicos similares, como la selección, la variabilidad, la heredabilidad. Al mismo tiempo, no hay certeza de que la evolución digital se manifieste en casos de comportamiento específico, así como en la naturaleza, debido a una amplia variedad de factores de
nivel inferior : el grado de mutaciones, el tamaño del genoma, el seguimiento de los fenotipos a los genotipos (mapeo), el tamaño de la población, la morfología, tipos de interacciones, la complejidad del entorno. Además, en la práctica es interesante observar casos de tal convergencia.

Evolución ósea y muscular

En el estudio de criaturas virtuales, la evolución mostró estrategias de movimiento similares a las observadas con criaturas biológicas (Fig. 11). Arriba está el movimiento de una criatura similar a una lombriz de tierra. Evolution redescubre los beneficios del uso de grupos musculares complementarios (antidireccionales), como bíceps y tríceps en humanos, y su ubicación óptima. A continuación se muestra el resultado de la evolución de un material similar al hueso para soportar nodos más delgados, lo que les permite ser más largos y más delgados sin pérdida de capacidad de carga. El resultado es una especie de galope común en los caballos.

Fig. 11. Diferentes colores muestran los elementos de la imagen tridimensional:
rojo y verde - grupos musculares que actúan de manera opuesta,
azul y azul - materiales de soporte blandos y duros.



Arriba se muestra cómo evolucionan varias zonas de cada músculo.

Crosspost