[논문 리뷰] Algorithmically probable mutations reproduce aspects of evolution such as convergence rate, genetic memory, modularity, diversity explosions, and mass extinction.

Santiago Hernández-Orozco, Héctor Zenil외 1명|arXiv (Cornell University)|2017. 09. 01.

Evolution and Genetic Dynamics인용 수 4

한 줄 요약

이 논문은 알고리즘적 확률 기반 알고리즘 변이를 이진 행렬에 적용하여 진화를 모델링하며, 균일한 랜덤 변이 대비 수렴 속도 향상, 유전적 기억, 모ularity, 다양성 폭발을 보여준다. 이 방법은 화석 기록에서 관찰되는 생물학적 현상인 캄브리아 폭발과 대량 멸종을 더 잘 재현하며, 계산이 자연 선택과 함께 진화에 핵심적인 역할을 한다는 것을 시사한다.

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.

연구 동기 및 목표

• 알고리즘적 확률에서 유도된 알고리즘 변이가 수렴 속도, 모ularity, 유전적 기억과 같은 핵심 진화 현상을 재현할 수 있는지 조사하기 위해.
• 진화적 수렴 속도 측면에서 알고리즘 변이를 균일 분포 랜덤 변이의 근본가설(null hypothesis)과 비교하기 위해.
• 알고리즘 변이가 캄브리아 폭발과 끝 트라이아스 기간 멸종과 같은 자연 진화 이벤트를 어떻게 설명할 수 있는지 탐색하기 위해.
• 알고리즘 변이가 최적화 과제에서 인공 진화 알고리즘의 성능을 향상시킬 잠재력을 평가하기 위해.

제안 방법

• 이 방법은 알고리즘적 확률의 수치적 근사로부터 유도된 이진 행렬에 알고리즘 변이를 적용하여, 진화 시뮬레이션에서 균일한 랜덤 변이를 대체한다.
• 변이는 비트스트링의 알고리즘적 확률에 기반하여, 무작위보다 단순하고 압축 가능성이 높은 구조를 우선시한다.
• 재조합 없이 진화 과정을 시뮬레이션하며, 유전자가 이진 행렬로 표현된 상태에서 변이에 의한 변화에 집중한다.
• 합성 및 소규모 생물학적 데이터셋을 대상으로 알고리즘 변이와 균일한 랜덤 변이 방식 간의 수렴 속도를 측정하고 비교한다.
• 정규적인 패턴이 세대에 걸쳐 어떻게 유지되고 확산되는지 추적함으로써 모ularity와 구조적 유지성 분석을 수행한다.
• 신규한 구조적 형태의 출현 빈도와 인구 붕괴 사건의 빈도를 측정하여 다양성과 멸종 역학을 정량화한다.

실험 결과

연구 질문

• RQ1 알고리즘적 확률 기반 변이를 사용할 경우, 균일 분포 랜덤 변이보다 더 빠른 진화 수렴이 이루어지는가?
• RQ2 알고리즘적으로 유도된 진화는 유익한 구조가 세대를 거쳐 보존되는 형태의 유전적 기억을 재현할 수 있는가?
• RQ3 알고리즘 변이는 진화하는 시스템에서 얼마나 많은 모ularity와 구조적 규칙성을 생성하는가?
• RQ4 알고리즘 변이는 다양성 폭발과 대량 멸종과 같은 대규모 진화 현상을 설명할 수 있는가?
• RQ5 최적화 과제에서 알고리즘 변이 모델은 전통적인 유전자 알고리즘과 비교해 어떻게 다른가?

주요 결과

• 합성 및 생물학적 예제에서 알고리즘 변이는 균일 분포 랜덤 변이 대비 수렴 속도가 뚜렷이 향상됨을 보였다.
• 알고리즘 변이 하에서 나타나는 모듈러 구조는 세대에 걸쳐 유지되어, 일종의 유전적 기억을 보여준다.
• 규칙적이고 압축 가능성이 높은 구조는 더 자주 유지되고 확산되며, 이는 복잡성 향상을 지원하는 진화 혁신을 유도하는 편향을 나타낸다.
• 이 모델은 화석 기록에서 관찰된 바와 유사한 다양성 폭발과 멸종 사건을 재현한다. 예를 들어 캄브리아 폭발과 끝 트라이아스 기간 멸종을 포함한다.
• 균일한 랜덤 변이에 의존하는 모델에 비해 생물학적 진화를 더 잘 근사한다.
• 인공 진화 알고리즘의 최적화 과제에 이 방법을 적용할 경우, 수렴 속도 향상에 상당한 잠재력이 있다.