गणितीय सादगी विकास की गति को कम कर सकती है।

खगोलीय आयाम सेट में इष्टतम समाधान खोजने के लिए कंप्यूटर वैज्ञानिक प्रेरणा के लिए विकासवादी जीव विज्ञान की ओर मुड़ते हैं

समस्या के संभावित समाधानों के विशाल स्थानों का अध्ययन करते हुए, हमें इस तथ्य का सामना करना पड़ता है कि अधिकांश रास्ते मृत समाप्त होंगे। लेकिन विकास ने सफलता की संभावनाओं को बढ़ाने के तरीके खोजे होंगे।

रचनाकारों ने जोर देकर कहा कि विकास को सही क्रम में 300 अमीनो एसिड एकत्र करना होगा, केवल एक एकल, मध्यम आकार के मानव प्रोटीन का निर्माण करना होगा। और चूंकि प्रत्येक स्थिति में 20 संभावित अमीनो एसिड में से एक स्थित हो सकता है, ऐसा प्रतीत होता है कि ^20,300 से अधिक खोज विकल्प हैं, जो कि अवलोकन योग्य ब्रह्मांड में परमाणुओं की संख्या से अधिक परिमाण के कई आदेश हैं। यहां तक ​​कि अगर हम अतिरेक पाते हैं, जिसके कारण इनमें से कुछ विकल्प समतुल्य होंगे, तो जिस संभावना से दुर्घटना और यादृच्छिक उत्परिवर्तन द्वारा सही संयोजन पर ठोकर खाई, वह राक्षसी रूप से छोटी लगती है, यहां तक ​​कि अरबों साल बीत गए।

इस तरह के तर्कों का मुख्य दोष यह है कि विकास ने इन अनुक्रमों को संयोग से अनुभव नहीं किया: प्राकृतिक चयन की प्रक्रिया ने अनावश्यक को समाप्त कर दिया। इसके अलावा, यह संभावना है कि प्रकृति ने अन्य वर्कअराउंड की खोज की है, छोटे, अध्ययन योग्य सबसेट की संभावनाओं की एक बड़ी संख्या को कम करने के तरीके जो उपयोगी समाधान प्रदान करने की अधिक संभावना रखते हैं।

कंप्यूटर वैज्ञानिकों के पास समान समस्याएं हैं, जिनमें खगोलीय आकार के कई विकल्पों में से इष्टतम समाधान खोजना शामिल है। उनमें से कुछ प्रेरणा के लिए जीव विज्ञान की ओर मुड़ते हैं - इस तथ्य के बावजूद कि जीवविज्ञानी स्वयं केवल यह समझने की कोशिश कर रहे हैं कि यह प्रकृति में कैसे निकलता है।

जेनेटिक एल्गोरिदम, अनुकूलन के तरीके जो कई दशकों से लोकप्रिय हैं, नए डिजाइन बनाने के लिए प्राकृतिक चयन के सिद्धांतों का उपयोग करते हैं (रोबोट, ड्रग्स और परिवहन प्रणालियों के लिए, अन्य चीजों के बीच), तंत्रिका नेटवर्क, या एन्क्रिप्ट और डिक्रिप्ट डेटा। यह तकनीक इस तथ्य से शुरू होती है कि समस्या के यादृच्छिक समाधानों को कुछ "जीवों" के रूप में माना जाता है जिनकी कुछ विशेषताएं हैं, या ऐसे तत्व हैं जो "आनुवंशिक रूप से" उनके कोड में परिभाषित हैं। ये समाधान विशेष रूप से अच्छे नहीं हैं, लेकिन फिर वे विभिन्न यादृच्छिक उत्परिवर्तन (और कभी-कभी अन्य परिवर्तन जो जीन फेरबदल की प्रक्रिया की नकल करते हैं) से गुजरते हैं और जीवों की दूसरी पीढ़ी का उत्पादन करते हैं, जो समस्या को हल करने में उनकी उपयुक्तता का परीक्षण करते हैं। परिणामस्वरूप, कई पुनरावृत्तियों के बाद, यह प्रक्रिया एक बहुत अच्छी तरह से अनुकूलित व्यक्ति, या निर्णय के उद्भव की ओर ले जाती है।

कुछ विशेषज्ञ इस पद्धति को अगले स्तर तक ले जाते हैं, आनुवंशिक प्रोग्रामिंग कर रहे हैं ताकि प्रोग्राम प्राप्त कर सकें और प्रभावी समाधान तैयार कर सकें (यहां "जीन" कोड की लाइनें हो सकती हैं)। यह लक्ष्य विशेष रूप से हासिल करना मुश्किल हो गया, क्योंकि शोधकर्ताओं को कुछ प्रकार के डेटा और संरचनाओं के साथ-साथ कई अन्य स्थितियों पर भी विचार करना होगा।

दिलचस्प है, विकास के आधार पर सोचने के ये तरीके (विशेष रूप से, आनुवंशिक प्रोग्रामिंग) एक गणितीय सिद्धांत के साथ वैचारिक रूप से प्रतिच्छेद करते हैं जो हमेशा जीव विज्ञान और कंप्यूटर विज्ञान दोनों की परिधि पर कहीं न कहीं रहा है। हाल ही में, कुछ वैज्ञानिक यह समझने के लिए इसका उपयोग करने की कोशिश कर रहे हैं कि कैसे विकास, प्राकृतिक और कृत्रिम, कुशलता से काम कर सकते हैं, कुछ नया बना सकते हैं और सीखना सीख सकते हैं। यहां मुख्य बात जटिलता, यादृच्छिकता और सूचना की एक विशेष अवधारणा थी, जिसके कोई व्यावहारिक अनुप्रयोग नहीं थे - आज तक।

कीबोर्ड के पीछे बंदर

यह सिद्धांत, 1960 के दशक में आविष्कार किया गया था, जिसे एल्गोरिदमिक जानकारी कहा जाता है। यह संभावना और जटिलता के बारे में सोचने के एक सहज तरीके पर आधारित है: यह विचार कि कुछ इनपुट डेटा के लिए यह वर्णन करना आसान होगा कि इसे बनाने की तुलना में कुछ कैसे बनाया जाए। यादृच्छिक पर चाबियों को दबाते हुए एक बंदर के साथ प्रसिद्ध सादृश्य को लें। संभावना है कि वह संख्या के पहले 15,000 अंकों को प्रिंट करेगी ously हास्यास्पद रूप से छोटे हैं - और वे अंकों की बढ़ती संख्या के साथ तेजी से घटते हैं।

लेकिन अगर हम कीस्ट्रोक्स की व्याख्या एक ऐसे कंप्यूटर प्रोग्राम के लिए यादृच्छिक पाठ के रूप में करते हैं जो संख्या number को प्रदर्शित करता है, तो सफलता की संभावना, या "एल्गोरिथम संभावना" मौलिक रूप से बेहतर होती हैं। C भाषा में संख्या to के पहले 15,000 अंकों को प्रदर्शित करने के लिए कोड, उदाहरण के लिए, आप कुल 133 अक्षरों को छोटा कर सकते हैं।

दूसरे शब्दों में, सूचना का एल्गोरिथम सिद्धांत कहता है कि कुछ प्रकार के आउटपुट देने की संभावना बहुत अधिक है जब प्रोग्राम के स्तर पर यादृच्छिक प्रक्रियाएं संचालित होती हैं जो डेटा के स्तर पर इस डेटा का वर्णन करता है, क्योंकि कार्यक्रम छोटा होगा। इस अर्थ में, जटिल संरचनाएं - उदाहरण के लिए, फ्रैक्चर - दुर्घटना से प्राप्त करना बहुत आसान है।

हालांकि, जल्द ही इस दृष्टिकोण के साथ एक समस्या सामने आई: गणितज्ञों ने पाया कि एल्गोरिथम जटिलता ( कोलमोगोरोव जटिलता के रूप में भी जाना जाता है , नाम दिया गया आंद्रेई निकोलेविच कोलमोगोरोव , एक सिद्धांत के संस्थापकों में से एक) दिए गए आउटपुट डेटा की लंबाई - कम से कम संभव कार्यक्रम जो उन्हें उत्पन्न करेगा - उनकी गणना नहीं की जा सकती है। । इसलिए, कंप्यूटर वैज्ञानिक किसी स्ट्रिंग या अन्य ऑब्जेक्ट को संपीड़ित करने का सही तरीका नहीं खोज सकते हैं।


बाईं ओर नेटवर्क की एल्गोरिथम जटिलता अधिक है, क्योंकि इसका वर्णन करने के लिए, आपको कोने को जोड़ने वाले सभी किनारों को सूचीबद्ध करने की आवश्यकता है। बीच में, जटिलता कम होती है, क्योंकि इस नेटवर्क का वर्णन करते समय, हम लिख सकते हैं कि शीर्ष A अन्य सभी से जुड़ता है। सही नेटवर्क में कम से कम कठिनाई होती है, क्योंकि इसका विवरण इस तथ्य में है कि सभी कोने किनारों से जोड़े में जुड़े हुए हैं।

नतीजतन, सूचना का एल्गोरिथम सिद्धांत मुख्य रूप से शुद्ध गणित के क्षेत्र में विकसित किया गया था, जहां इसका उपयोग संबंधित प्रमेयों का अध्ययन करने और यादृच्छिकता और संरचना की अवधारणाओं को निर्धारित करने के लिए किया जाता है। इसका व्यावहारिक उपयोग दुर्गम लग रहा था। "गणितीय रूप से, यह जटिलता का एक सरल और सुंदर उपाय है," प्रसिद्ध गणितज्ञ ग्रेगरी चैतीन ने कहा, सिद्धांत के संस्थापकों में से एक, जिन्होंने थॉमस जे वाटसन आईबीएम केंद्र और रियो जेनेरो के संघीय विश्वविद्यालय में काम किया था। "लेकिन वास्तविक दुनिया में प्रयोज्यता के दृष्टिकोण से, यह अभेद्य लग रहा था।"

लेकिन इससे वह पीछे नहीं हटे। उन्होंने आशा व्यक्त की कि इस सिद्धांत का उपयोग इस विचार को औपचारिक रूप देने के लिए किया जा सकता है कि डीएनए एक कार्यक्रम की तरह व्यवहार करता है। 2012 में, उन्होंने एक पुस्तक प्रकाशित की जिसमें उन्होंने बताया कि कैसे कार्यक्रम अंतरिक्ष के माध्यम से विकास को यादृच्छिक रूप से दर्शाया जा सकता है। इस मार्ग के साथ होने वाली उत्परिवर्तन, उन्होंने लिखा, सांख्यिकीय रूप से यादृच्छिक संभावना वितरण के अधीन नहीं हैं; वे कोलमोगोरोव जटिलता के आधार पर एक वितरण का पालन करते हैं। लेकिन वह इसे सत्यापित नहीं कर सके।

अब, कुछ वैज्ञानिक इस संदर्भ में इस सिद्धांत को पुनर्जीवित करने और एक ही समय में जीव विज्ञान और कंप्यूटर विज्ञान से इसे जोड़ने की उम्मीद करते हैं।

सादगी की चाह

स्वीडन के कारोलिंस्का संस्थान के एक आईटी विशेषज्ञ हेक्टर जेनिल उन लोगों में से एक हैं जो इस सिद्धांत को पुनर्जीवित करने की कोशिश कर रहे हैं। वह जैविक शोधकर्ताओं की जटिलता के विश्लेषण के लिए मीट्रिक के रूप में कोलमोगोरोव जटिलता का उपयोग करने के लिए अन्य शोधकर्ताओं के साथ मिलकर काम करता है - उदाहरण के लिए, जीन नियामक नेटवर्क या कोशिकाओं में प्रोटीन की बातचीत। शोधकर्ताओं ने मोटे तौर पर नेटवर्क की एल्गोरिथम सामग्री का अनुमान लगाया (सटीक मान कम्प्यूट नहीं है), फिर वे नेटवर्क को म्यूट करते हैं और जांचते हैं कि इससे कोलमोगोरोव जटिलता प्रभावित हुई। उन्हें उम्मीद है कि इस पद्धति से उन्हें नेटवर्क के विभिन्न तत्वों के सापेक्ष महत्व का पता चल जाएगा, और जानबूझकर परिवर्तनों के लिए इसकी कार्यात्मक प्रतिक्रिया होगी।


प्रसिद्ध गणितज्ञ ग्रेगरी चैटिन, सूचना के एल्गोरिथम सिद्धांत के संस्थापकों में से एक

हाल ही में arxiv.org पर पोस्ट किए गए एक काम में , उन्होंने वर्णन किया कि यदि आप नेटवर्क को बढ़ते हुए कोलमोगोरोव जटिलता की ओर ले जाते हैं - तो ऐसे उत्परिवर्तन को शुरू करने से जो नेटवर्क का वर्णन करने वाले प्रोग्राम को बड़ा बना देता है - यह आमतौर पर उन कार्यों की संख्या में वृद्धि की ओर ले जाता है जो यह प्रदर्शन कर सकते हैं नेटवर्क, जबकि यह गड़बड़ी के प्रति अधिक संवेदनशील है। जब उन्होंने नेटवर्क को सरल होने के लिए मजबूर किया, तो फ़ंक्शन कम हो गए, और स्थिरता बढ़ गई।

हालाँकि, यह स्पष्ट नहीं है कि कोलमोगोरोव की जटिलता एक साधारण उपकरण की तुलना में कोई भी अधिक भूमिका निभा सकती है - उदाहरण के लिए, जैसा कि चैटिन का मानना ​​है, परिवर्तन की मुख्य प्रेरक शक्ति है। सभी समस्याओं के बावजूद, जीवविज्ञान के लिए एल्गोरिथम जानकारी एक आकर्षक सिद्धांत की तरह लगती है। परंपरागत रूप से, विकासवादी गतिशीलता का वर्णन करने के लिए, गणित का उपयोग जनसंख्या आनुवंशिकी के क्षेत्र में किया गया था - सांख्यिकीय मॉडल जनसंख्या में जीन की आवृत्ति का वर्णन करते हैं। हालांकि, जनसंख्या आनुवंशिकी की अपनी सीमाएं हैं: यह जीवन की उत्पत्ति और अन्य बुनियादी जैविक क्षणिक प्रक्रियाओं या पूरी तरह से नए जीन की उपस्थिति का वर्णन नहीं करता है। "इस सुंदर गणितीय सिद्धांत में, जैविक रचनात्मकता का विचार किसी तरह खो गया था," चैतीन ने कहा। लेकिन अगर हम एल्गोरिथम जानकारी को ध्यान में रखते हैं, तो उन्होंने कहा, "फिर रचनात्मकता स्वाभाविक रूप से बड़ी तस्वीर में फिट होती है।"

साथ ही विचार है कि समय के साथ विकास प्रक्रिया में सुधार होता है और दक्षता बढ़ती है। "मुझे विश्वास है कि विकासवाद सीख रहा है," डैनियल पोलानी ने कहा, एक आईटी विशेषज्ञ और इंग्लैंड में हर्टफोर्डशायर विश्वविद्यालय में कृत्रिम बुद्धि के प्रोफेसर। "मुझे आश्चर्य नहीं होगा कि यह एल्गोरिथम जटिलता में एक विषमता के माध्यम से व्यक्त किया जा सकता है।"

ज़ेनिल और टीम ने एल्गोरिदमिक जटिलता के मंच के प्रभाव के जैविक और कम्प्यूटेशनल परिणामों का प्रयोगात्मक परीक्षण करने का निर्णय लिया। जटिलता का आकलन करने के लिए एक ही तकनीक का उपयोग करना जो वे नेटवर्क का विश्लेषण और उपयोग करने के लिए करते थे, उन्होंने विशिष्ट लक्ष्यों की ओर कृत्रिम आनुवंशिक नेटवर्क के "विकास" को अंजाम दिया - जीरो के मैट्रेस और जीन इंटरैक्शन को नकारते हुए - ऐसे उत्परिवर्तन को चुनना जो के साथ परिपक्वता का उत्पादन किया। कम एल्गोरिथम जटिलता। दूसरे शब्दों में, उन्होंने बड़ी संरचनाओं के पक्ष में चयन किया।


हेक्टर ज़ेनिल, कंप्यूटर साइंस विशेषज्ञ, कैरोलीन इंस्टीट्यूट

हाल ही में, उन्होंने रॉयल सोसाइटी ओपन साइंस पत्रिका में परिणाम प्रकाशित किया, जिसमें से यह सांख्यिकीय रूप से यादृच्छिक म्यूटेशन के साथ तुलना में, उनके उत्परिवर्तन के चयन ने समाधानों के लिए नेटवर्क के विकास के एक महत्वपूर्ण त्वरण का नेतृत्व किया। अन्य विशेषताएं भी दिखाई दीं, उदाहरण के लिए, निरंतर और नियमित संरचनाएं - मेट्रिक्स के अनुभाग जो पहले से ही एक निश्चित डिग्री तक पहुंच गए थे, जो नई पीढ़ियों को शायद ही सुधार सके। "व्यक्तिगत क्षेत्र म्यूटेशन के लिए अधिक या कम अतिसंवेदनशील थे क्योंकि वे पहले से ही सादगी के एक निश्चित स्तर तक पहुंच गए थे," ज़ेनिल ने कहा। "यह जीन के समान था।" इस आनुवंशिक स्मृति ने बड़ी संरचनाओं को तेजी से उभरने में मदद की है - शोधकर्ताओं का मानना ​​है कि यह इस प्रकार है कि एल्गोरिदमिक रूप से संभावित उत्परिवर्तन विविधता और विलुप्त होने के प्रकोप को जन्म दे सकता है।

"इसका मतलब है," ज़ेनिल ने कहा, "यह विकास के अध्ययन में कम्प्यूटेशनल प्रक्रियाओं पर विचार करने के लिए काफी फलदायी होगा।" वह विनिमय मार्गों की पहचान करने के लिए यादृच्छिकता और जटिलता की इस समझ का उपयोग करने की उम्मीद करते हैं जो उत्परिवर्तन के लिए अधिक संवेदनशील हो सकते हैं, या यह समझने के लिए कि क्यों कुछ जीन इंटरैक्शन कैंसर जैसे रोगों से जुड़े हो सकते हैं।

कार्यक्रम का विकास

जेनिल को समझने की उम्मीद है कि क्या जैविक विकास समान कम्प्यूटेशनल नियमों द्वारा काम करता है, लेकिन ज्यादातर विशेषज्ञों को संदेह है। यह स्पष्ट नहीं है कि एल्गोरिदमिक जटिलता के मोटे अनुमान या उद्देश्यपूर्ण रूप से विकसित करने के लिए उत्परिवर्तन के लिए कौन सा प्राकृतिक तंत्र जिम्मेदार हो सकता है। इसके अलावा, "यह विश्वास करना कि जीवन पूरी तरह से चार अक्षरों में एन्कोडेड है, गलत होगा," फ्रेंच नेशनल सेंटर फॉर साइंटिफिक रिसर्च के गणितज्ञ ग्यूसेप लोंगो ने कहा। "डीएनए अत्यंत महत्वपूर्ण है, लेकिन कोशिका, जीव, पारिस्थितिकी तंत्र के बाहर इसका कोई मतलब नहीं है।" अन्य इंटरैक्शन काम करते हैं, और एल्गोरिथम जानकारी का उपयोग इस सभी जटिलता को कवर नहीं कर सकता है।

फिर भी, इस अवधारणा ने कुछ रुचि पैदा की - विशेष रूप से क्योंकि विकास और कम्प्यूटेशनल प्रक्रियाओं पर इस तरह के विचारों में कुछ है, कम से कम एक सामान्य विषय, आनुवंशिक प्रोग्रामिंग के लक्ष्य के साथ - एक कार्यक्रम प्राप्त करने के लिए जो विकसित हो सकता है।

कोलमोगोरोव जटिलता और आनुवंशिक प्रोग्रामिंग के तरीकों से संबंधित चैतीन और ज़ेनिल के विचारों के बीच संभावित संबंध के लिए पहले से ही काफी पेचीदा गठबंधन थे। उदाहरण के लिए, 2001 में, शोधकर्ताओं की एक टीम ने बताया कि एक आनुवंशिक कार्यक्रम के उत्पादन की जटिलता मूल कार्यक्रम के कोलमोगोरोव जटिलता से सीमित है।

लेकिन अधिकांश भाग के लिए, कोलमोगोरोव जटिलता ने इन विचारों को समझने के लिए कंप्यूटर वैज्ञानिकों के प्रयासों में कोई भूमिका नहीं निभाई। उन्होंने आनुवांशिकी और उत्परिवर्तन को बदलने के अन्य तरीकों की कोशिश की। कुछ समूहों ने म्यूटेशन की गति को बदल दिया, दूसरों ने सिस्टम को उन उत्परिवर्तन के लिए बाध्य किया जो कोड के बड़े टुकड़ों को बदल देते थे। मैसाचुसेट्स के हैम्पशायर कॉलेज के एक आईटी विशेषज्ञ ली स्पेक्टर ने कहा, "लोग म्यूटेशन और जीनोटाइप के विभिन्न संस्करणों के दर्जनों, और संभवतः सैकड़ों के साथ आए हैं।" स्पेक्टर ने हाल ही में एक टीम का नेतृत्व किया, जिसने एक जीन के दूसरे के साथ सीधे प्रतिस्थापन पर पूरे शरीर के जीनोम में उत्परिवर्तन को जोड़ने और हटाने के लाभों का प्रदर्शन किया । इस नए प्रकार के जेनेटिक ऑपरेटर ने आनुवंशिक खोज के स्थान के माध्यम से पथों की संख्या में तेजी से वृद्धि की और अंततः बेहतर समाधानों का नेतृत्व किया।


ली स्पेक्टर, कंप्यूटर विशेषज्ञ, हैम्पशायर कॉलेज, मैसाचुसेट्स में

हालांकि, कई शोधकर्ता इस प्रक्रिया को गति देने के लिए, खोज के क्षेत्र को कम करने के लिए सरल तरीकों की तलाश में, विपरीत दिशा में गए, लेकिन इसे इतना सीमित नहीं किया कि खोज इष्टतम परिणाम को याद करे। एक विचार सरलता को एक लक्ष्य बनाना था: 1960 के दशक में, यूजीन विग्नर ने "प्राकृतिक विज्ञानों में गणित की अनुचित प्रभावशीलता को नोट किया", और कंप्यूटर वैज्ञानिकों ने पाया कि अक्सर सरल और अधिक सुरुचिपूर्ण मॉडल अधिक कुशल और अधिक बार लागू होते हैं। "सवाल है," स्पेक्टर ने कहा, "क्या यह तथ्य हमें ब्रह्मांड की संरचना के बारे में कुछ गहरा बताता है, या नहीं?" और क्या यह हमारे लिए उपयोगी होगा? ”

उन्होंने यह भी चेतावनी दी कि सादगी के लिए विकसित कार्यक्रमों को आगे बढ़ाने की कोशिश विनाशकारी हो सकती है: संक्षिप्तता के लिए पुरस्कृत कार्यक्रम अब कचरा की तरह लगता है पर वापस कटौती कर सकते हैं, लेकिन यह भविष्य की पीढ़ियों के लिए उपयोगी हो सकता है, जिसके परिणामस्वरूप इष्टतम इष्टतम समाधान हो सकते हैं। "और हम फंस गए हैं," उन्होंने कहा।

हालांकि, सादगी एक आकर्षक लक्ष्य है, जिसने इसके अलावा, इसकी उपयोगिता का प्रदर्शन किया है। पिछले साल प्रकाशित एक पेपर में, स्पेक्टर और सहकर्मियों ने पाया कि यदि आप कार्यक्रमों के आकार को कम करते हैं - कभी-कभी मूल लंबाई का केवल 25% - आनुवांशिक प्रोग्रामिंग तकनीकों को लागू करने के बाद, तो प्रोग्राम नए डेटा के साथ बेहतर कर सकते हैं और सामान्य की एक विस्तृत श्रृंखला पर उपयोग किया जा सकता है। समस्याओं।

विशेष रूप से, इस वजह से, वह एल्गोरिथम सूचना सिद्धांत के क्षेत्र में काम की निगरानी करता है, हालांकि वह कहता है कि अनुसंधान के इस क्षेत्र पर इसका प्रभाव अभी तक देखा जाना बाकी है।

जीवन से सीख

शायद जेनिल टीम ने इस प्रभाव की खोज में पहला कदम उठाया - हालांकि, अपने काम के एक यथार्थवादी आवेदन के लिए, उन्हें पहले अन्य प्रकार की खोज समस्याओं पर अपने तरीके का परीक्षण करने की आवश्यकता है।

और फिर भी, "उन्होंने संरचना के आधार पर बाधाओं की आवश्यकता को स्पष्ट रूप से प्रदर्शित किया," विस्कॉन्सिन विश्वविद्यालय के एक न्यूरोसाइंटिस्ट और सिद्धांतकार लारिसा अल्बांताकिस ने कहा, जिन्होंने खोज स्थान को सीमित करके आनुवंशिक एल्गोरिदम को गति देने का भी काम किया। "प्रकृति संरचित है, और यदि आप इसे एक प्रारंभिक बिंदु के रूप में लेते हैं, तो सभी संभव सजातीय उत्परिवर्तन का परीक्षण करने की कोशिश करना मूर्खतापूर्ण होगा।" और उसने कहा: "जो कुछ भी हमारे लिए समझ में आता है वह सब कुछ संरचित है।"

हालांकि, स्पेक्टर को संदेह है कि ज़ेनिल के काम को उस विशिष्ट कार्य के दायरे के बाहर लागू किया जा सकता है, जिसका उन्होंने अध्ययन किया था, "सूचना सिद्धांत जो उनकी अवधारणाओं को रेखांकित करता है, पेचीदा और संभावित रूप से बहुत महत्वपूर्ण है," उन्होंने कहा। "यह मुझे आंशिक रूप से दिलचस्प लगता है क्योंकि यह किसी भी तरह विदेशी लगता है।" शायद ऐसे विचार हैं जिनसे हमारे समुदाय के साथी अनजान हैं। " वास्तव में, एल्गोरिथम जानकारी विचारों की एक विस्तृत श्रृंखला से संबंधित है जो कुछ आनुवंशिक प्रोग्रामिंग विशेषज्ञ अपने काम में शामिल नहीं कर सकते हैं, उदाहरण के लिए, विकास की असीमित प्रकृति।

"मेरे पास इस क्षेत्र में कुछ महत्वपूर्ण का एक मजबूत अर्थ है," स्पेक्टर ने कहा। हालांकि, उन्होंने कहा, अभी तक "उनके काम और व्यावहारिक अनुप्रयोगों के बीच एक बड़ी दूरी है।"

"एक विकसित कार्यक्रम के रूप में जीवन की कल्पना करने का विचार बहुत फलदायी है," चैतीन ने कहा, हालांकि इसका मूल्य अभी भी निर्धारित करना जल्दबाजी है। चाहे हम कृत्रिम, या जैविक जीवन के बारे में बात करें, "हमें यह देखने की आवश्यकता है कि हम कितनी दूर जा सकते हैं।"