[论文解读] Development and Evolution of Neural Networks in an Artificial Chemistry

Jens C. Astor, Christoph Adami|arXiv (Cornell University)|Jul 17, 1998

Evolutionary Algorithms and Applications参考文献 8被引用 6

一句话总结

本文提出了一种基于人工化学框架的去中心化、受发育启发的人工神经网络（ANN）模型，其中神经元根据基因指令和局部底物动态自主生长与分化。作者通过基于网络的分布式遗传算法，展示了功能性网络的涌现，包括一种执行经典条件反射的网络，展示了合成神经系统的自组织性与可演化性。

ABSTRACT

We present a model of decentralized growth for Artificial Neural Networks (ANNs) inspired by the development and the physiology of real nervous systems. In this model, each individual artificial neuron is an autonomous unit whose behavior is determined only by the genetic information it harbors and local concentrations of substrates modeled by a simple artificial chemistry. Gene expression is manifested as axon and dendrite growth, cell division and differentiation, substrate production and cell stimulation. We demonstrate the model's power with a hand-written genome that leads to the growth of a simple network which performs classical conditioning. To evolve more complex structures, we implemented a platform-independent, asynchronous, distributed Genetic Algorithm (GA) that allows users to participate in evolutionary experiments via the World Wide Web.

研究动机与目标

• 模拟受生物神经系统启发的去中心化、发育引导的人工神经网络生长过程。
• 研究遗传信息与局部化学相互作用如何驱动功能性神经结构的自组织。
• 通过平台无关的、基于网络的分布式遗传算法，实现神经网络架构的进化探索。
• 展示复杂、功能性神经网络如何从简单的发育规则与基因组编码指令中涌现。

提出的方法

• 每个人工神经元都是一个由基因组控制的自主代理，基因组编码了轴突/树突生长、细胞分裂、分化以及底物生成的基因表达规则。
• 神经元行为由通过最小化人工化学系统建模的局部底物浓度调控，该系统具有明确的反应动力学。
• 基因表达以动态过程实现：基于底物水平的轴突延伸、树突形成、细胞分裂与刺激。
• 一个跨网络运行的分布式、异步遗传算法，允许用户通过提交和评估基因组参与进化实验。
• 系统使用手工编写的基因组，引导形成一个能够执行经典条件反射的简单神经网络。
• 进化通过基于网络在预定义任务中表现的适应度评估实现，逐代对基因组应用选择与突变。

实验结果

研究问题

• RQ1 人工神经网络能否通过去中心化、发育引导的过程自组织为功能性架构？
• RQ2 人工化学中的遗传信息与局部化学相互作用在多大程度上能驱动复杂神经结构的涌现？
• RQ3 分布式、基于网络的遗传算法在多大程度上能有效进化功能性神经网络？
• RQ4 一个简单、手工编写的基因组能否引导产生具备经典条件反射能力的网络？
• RQ5 去中心化、局部调控在实现稳健且可演化神经网络发展方面发挥何种作用？

主要发现

• 仅通过局部规则与人工化学动力学，一个手工编写的基因组成功催生出具备经典条件反射能力的功能性神经网络。
• 该系统成功展示了在基因指令引导下，通过自主、去中心化的生长过程实现神经结构的自组织。
• 分布式遗传算法实现了可扩展的、平台无关的神经网络发育进化实验。
• 进化搜索在多代中成功生成了日益复杂且功能完备的神经架构。
• 该模型表明，复杂神经功能可从简单的发育规则与局部相互作用中涌现，无需集中控制。
• 人工化学与神经发育及进化的整合，为研究合成系统中的涌现计算提供了一个稳健的框架。