[論文レビュー] Algorithmically probable mutations reproduce aspects of evolution such as convergence rate, genetic memory, modularity, diversity explosions, and mass extinction.

Santiago Hernández-Orozco, Héctor Zenil+1 more|arXiv (Cornell University)|Sep 1, 2017

Evolution and Genetic Dynamics被引用数 4

ひとこと要約

本論文は、アルゴリズム的確率に基づくアルゴリズム的変異を二値行列に適用し、進化をモデル化する手法を提案している。この手法は、一様なランダム変異と比較して、収束の加速、遺伝的記憶、モジュラリティ、多様性の爆発を示している。自然選択に加えて計算が進化において重要な役割を果たす可能性を示唆しており、特に寒武紀の爆発的多様化や大量絶滅といった生物学的現象をよりよく再現している。

ABSTRACT

Natural selection explains how life has evolved over millions of years from more primitive forms. The speed at which this happens, however, has sometimes defied explanations based on random (uniformly distributed) mutations. Here we investigate the application of algorithmic mutations (no recombination) to binary matrices drawn from numerical approximations to algorithmic probability in order to compare evolutionary convergence rates against the null hypothesis (uniformly distributed mutations). Results both on synthetic and a small biological examples lead to an accelerated rate of convergence when using the algorithmic probability. We also show that algorithmically evolved modularity provides an advantage that produces a genetic memory. We demonstrate that regular structures are preserved and carried on when they first occur and can lead to an accelerated production of diversity and extinction, possibly explaining naturally occurring phenomena such as diversity explosions (e.g. the Cambrian) and massive extinctions (e.g. the End Triassic) whose causes have eluded researchers and are a cause for debate. The approach introduced here appears to be a better approximation to biological evolution than models based exclusively upon random uniform mutations, and it also approaches better a formal version of open-ended evolution based on previous results. The results validate the motivations and results of Chaitin's Metabiology programme and previous suggestions that computation may be an equally important driver of evolution together, and even before, the action and result of natural selection. We also show that inducing the method on problems of optimization, such as genetic algorithms, has the potential to significantly accelerate convergence of artificial evolutionary algorithms.

研究の動機と目的

• アルゴリズム的確率に基づく変異が、収束速度、モジュラリティ、遺伝的記憶といった重要な進化現象を再現できるかどうかを調査すること。
• 一様分布したランダム変異という帰無仮説と比較して、アルゴリズム的変異が進化の収束速度に与える影響を評価すること。
• アルゴリズム的変異が、寒武紀の爆発的多様化やトリアス期末大量絶滅といった自然の進化的出来事の説明にどう寄与するかを検討すること。
• アルゴリズム的変異が最適化タスクにおける人工的進化アルゴリズムの性能をどのように向上させる可能性を評価すること。

提案手法

• 本手法は、アルゴリズム的確率の数値近似から得られる二値行列に、アルゴリズム的変異を適用し、進化シミュレーションにおける一様ランダム変異の代わりに用いる。
• 変異は、ビットストリングのアルゴリズム的確率に基づいて生成され、ランダムな構造よりも単純で圧縮しやすい構造が優遇される。
• 再結合を含まない進化プロセスをシミュレートし、ゲノタイプを表す二値行列における変異駆動の変化に焦点を当てる。
• 合成データおよび小規模な生物データセットにおいて、アルゴリズム的変異と一様ランダム変異の両方のスキームにおける収束速度を測定・比較する。
• モジュラリティと構造的保存の分析は、世代にわたる規則的なパターンの持続性と伝搬を追跡することで行う。
• 多様性と絶滅ダイナミクスは、新しい構造的形態の出現速度と集団崩壊イベントの頻度を測定することで定量化する。

実験結果

リサーチクエスチョン

• RQ1 アルゴリズム的確率に基づく変異を用いることで、一様分布のランダム変異と比較して、進化の収束がより速くなるか？
• RQ2 アルゴリズム的駆動の進化は、有益な構造が世代を超えて保存される遺伝的記憶を再現できるか？
• RQ3 アルゴリズム的変異は、進化するシステムにおいてどの程度モジュラリティと構造的規則性を生成するか？
• RQ4 アルゴリズム的変異は、多様性の爆発や大量絶滅といった大規模な進化現象を説明できるか？
• RQ5 最適化タスクにおける従来の遺伝的アルゴリズムと比較して、アルゴリズム的変異モデルはどのように異なるか？

主な発見

• 合成的および生物学的例において、アルゴリズム的変異は一様ランダム変異と比較して、収束速度を顕著に加速する。
• アルゴリズム的変異下で出現するモジュラー構造は世代にわたって保存され、ある種の遺伝的記憶の存在を示している。
• 規則的で圧縮可能な構造は、より多く保持・伝搬される傾向にあり、進化的イノベーションを支援する複雑さへのバイアスがあることを示している。
• 本モデルは、化石記録で観察されたものと類似した多様性の爆発と絶滅イベントを再現している。たとえば、寒武紀の爆発的多様化やトリアス期末大量絶滅の例が含まれる。
• 単に一様ランダム変異に依存するモデルよりも、生物学的進化をよりよく近似している。
• 人工的進化アルゴリズムにおける最適化問題への本手法の適用は、収束の著しい加速をもたらす可能性を有する。