[논문 리뷰] Passive and Driven Trends in the Evolution of Complexity

Larry Yaeger, Virgil Griffith외 1명|arXiv (Cornell University)|2011. 12. 21.

Evolutionary Game Theory and Cooperation참고 문헌 44인용 수 25

한 줄 요약

이 논문은 Polyworld에서의 인공 생명 시뮬레이션을 사용하여 진화적 복잡성의 주도(선택 기반)적 추세와 수동(랜덤 드리프트)적 추세를 구분하는 새로운 방법을 제시한다. 선택이 복잡성 증가를 유도할 때 신경 복잡성이 증가하는 것으로 나타났지만, 다른 조건에서는 안정성 또는 감소가 관찰되어 종 수준에서의 복잡성 진화는 완전히 주도적임을 입증한다.

ABSTRACT

The nature and source of evolutionary trends in complexity is difficult to assess from the fossil record, and the driven vs. passive nature of such trends has been debated for decades. There are also questions about how effectively artificial life software can evolve increasing levels of complexity. We extend our previous work demonstrating an evolutionary increase in an information theoretic measure of neural complexity in an artificial life system (Polyworld), and introduce a new technique for distinguishing driven from passive trends in complexity. Our experiments show that evolution can and does select for complexity increases in a driven fashion, in some circumstances, but under other conditions it can also select for complexity stability. It is suggested that the evolution of complexity is entirely driven---just not in a single direction---at the scale of species. This leaves open the question of evolutionary trends at larger scales.

연구 동기 및 목표

• 진화적 복잡성 추세가 자연 선택에 의해 주도되는지, 아니면 수동적인 랜덤 드리프트에 의해 발생하는지 오랫동안 끌려온 논란을 해결하기 위해.
• 컴퓨터 모델을 사용하여 주도적 추세와 수동적 추세를 고정밀도로 분리하는 정량적 방법을 개발하기 위해.
• 통제된 선택 조건과 비선택 조건 하에서 인공 생명 시스템에서 신경 복잡성이 어떻게 진화하는지 조사하기 위해.
• 복잡성 증가가 활성 선택의 결과인지, 아니면 랜덤 변이와 드리프트의 부산물인지 판단하기 위해.
• 진화하는 인공 에이전트에서 복잡성이 증가, 안정화 또는 감소하는 조건을 탐색하기 위해.

제안 방법

• 모든 다른 매개변수를 동일하게 유지하면서 자연 선택이 있는지 여부에 따라 Polyworld 인공 생명 시스템의 평행 시뮬레이션을 수행하기 위해.
• Tononi 등(1994)과 Lungarella 등(2005)에서 유도한 정보이론적 측정법을 사용하여 에이전트 신경 동역학의 복잡성(C)을 정량화하기 위해.
• 선택이 있는 '주도적' 실행과 선택이 없는 '수동적' 실행 간의 복잡성 시간 시리즈 분포를 비교하여 선택 기반 추세를 분리하기 위해.
• 시간에 따른 복잡성 분포의 변화를 분석하여 종 수준에서 복잡성이 높아지거나 낮아지거나 안정화되는지 탐지하기 위해.
• 주도적 실행과 수동적 실행 간의 복잡성 궤적을 통계적으로 비교하여 선택 효과의 유의미성을 평가하기 위해.
• 동일한 초기 조건에서 선택 유무에 따라 진화 역사 재연이 가능한 제어된 '재생' 메커니즘을 도입하여 직접 비교를 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 인공 생명 시스템에서의 진화적 복잡성 추세를 주도적 또는 수동적이라고 명확히 분류할 수 있는가?
• RQ2 자연 선택이 진화하는 에이전트의 신경 복잡성 증가를 유도하는 조건는 무엇인가?
• RQ3 더 이상 복잡성 증가가 적합도 이점이 없을 경우 복잡성 안정성이 나타나는가?
• RQ4 관측된 복잡성 증가가 수동적 랜덤 드리프트만으로 설명될 수 있는가, 아니면 활성 선택이 필수적인가?
• RQ5 환경적 복잡성과 생태적 틈새 복잡성이 복잡성 진화의 방향성과 크기에 어떤 영향을 미치는가?

주요 결과

• 선택이 복잡성 증가에 유의미한 적합도 이점을 제공할 경우, 진화가 복잡성 증가를 능동적으로 이끌 수 있음을 보여주며, 주도적 실행에서 더 높고 안정된 복잡성이 관찰되었다.
• 선택이 없는 조건에서는 랜덤 드리프트로 인해 복잡성이 수동적으로 증가하며, 시간이 지남에 따라 인구 내 분산이 증가하는 경향을 보였다.
• 더 이상 복잡성 증가나 감소가 적합도 이점을 제공하지 않을 경우 복잡성 안정성이 나타나며, 이는 최적 복잡성 수준을 유지하기 위한 선택을 의미한다.
• 이 연구는 다양한 조건에서 복잡성 진화가 완전히 주도적임을 입증하였으며, 순수하게 수동적이거나 방향성 편향이 있는 것은 아님을 보여주었다.
• 어느 한 주도적 실행에서는 t=12,000 이후에 약간의 상승 추세를 보였으며, 이는 게놈 내 정보 통합이 계속되고 있음을 시사하지만, 통계적 유의성은 확인되지 않았다.
• 이 방법은 주도적 추세를 수동적 추세로부터 효과적으로 분리하였으며, 진화 시뮬레이션에서 이들을 구분하는 공식적 프레임워크를 제공하였다.