[论文解读] On The Existence Of Parallel Computation In Nature

Nabarun Mondal, Partha Ghosh|arXiv (Cornell University)|Mar 31, 2013

Computability, Logic, AI Algorithms被引用 1

一句话总结

本文提出一种使用规则表可动态修改（仅支持添加/删除）的图灵机的自主学习形式化模型，证明该模型的并行实现具有进化稳定性。主要贡献在于解释了自然界中并行计算的普遍性，是通用学习的一种进化优势。

ABSTRACT

There are enormous amount of examples of Computation in nature, exemplified across multiple species in biology. One crucial aim for these computations across all life forms their ability to learn and thereby increase the chance of their survival. In the current paper a formal definition of autonomous learning is proposed. From that definition we establish a Turing Machine model for learning, where rule tables can be added or deleted, but can not be modified. Sequential and parallel implementations of this model are discussed. It is found that for general purpose learning based on this model, the implementations capable of parallel execution would be evolutionarily stable. This is proposed to be of the reasons why in Nature parallelism in computation is found in abundance.

研究动机与目标

• 将生物系统中的自主学习形式化为一种计算过程。
• 构建一种图灵机模型，其规则表可被添加或删除，但内容不可修改，以反映生物学习过程。
• 分析该学习模型的串行与并行实现方式在进化稳定性方面的差异。
• 通过计算稳定性与学习效率，解释自然界中并行计算的普遍性。

提出的方法

• 将自主学习定义为系统通过经验适应规则以提高生存能力的过程。
• 设计一种图灵机变体，其规则表可动态添加或删除，但内容不可更改。
• 形式化该学习机的串行与并行执行模型，以比较计算效率与稳定性。
• 运用进化稳定性理论评估在选择压力下，串行或并行实现方式的鲁棒性。
• 分析在通用场景下，并行执行如何实现更快、更可靠的學習的条件。

实验结果

研究问题

• RQ1 哪些形式化特征定义了生物系统中的自主学习？
• RQ2 如何通过图灵机模型捕捉生物学习中规则的动态修改？
• RQ3 在通用学习背景下，并行计算为何具有进化稳定性？
• RQ4 与串行执行相比，该学习模型中并行执行具有哪些计算优势？

主要发现

• 所提出的具有动态规则添加与删除功能的学习模型，支持生物系统中的通用学习。
• 该学习模型的并行实现相比串行实现表现出更高的进化稳定性。
• 通过并行执行实现学习能力的可扩展性，可提高复杂环境中生存的概率。
• 该模型解释了自然界中并行计算的普遍存在，是高效学习的一种进化适应。