[论文解读] Passive and Driven Trends in the Evolution of Complexity

Larry Yaeger, Virgil Griffith+1 more|arXiv (Cornell University)|Dec 21, 2011

Evolutionary Game Theory and Cooperation参考文献 44被引用 25

一句话总结

本文提出一种新方法，通过在Polyworld中进行人工生命模拟，区分进化复杂性中的驱动（选择性）趋势与被动（随机漂变）趋势。结果表明，当自然选择主动作用于复杂性时，神经复杂性会上升；但在不同条件下，复杂性亦可能保持稳定甚至下降，证明物种层面的复杂性进化完全是被驱动的，而非被动的。

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.

研究动机与目标

• 解决长期存在的争议：进化复杂性趋势是由自然选择驱动，还是被动随机漂变所致。
• 开发一种严格、定量的方法，利用计算模型分离复杂性进化中的驱动与被动趋势。
• 在受控的选择与非选择条件下，研究人工生命系统中神经复杂性的演化过程。
• 确定复杂性增加是主动选择的结果，还是仅仅是随机变异与漂变的副产品。
• 探索在何种条件下，复杂性在演化人工代理中会增加、稳定或减少。

提出的方法

• 在Polyworld人工生命系统中进行并行模拟，分别设置有自然选择与无自然选择，其余所有参数保持不变。
• 采用基于Tononi等人（1994）和Lungarella等人（2005）的正式信息论方法测量神经复杂性（C），以量化代理神经动态中的复杂性。
• 通过比较‘驱动’运行（有选择）与‘被动’运行（无选择）的复杂性时间序列分布，分离出选择驱动的趋势。
• 分析随时间推移的种群层面复杂性分布，检测复杂性水平向更高、更低或稳定方向的转变。
• 通过比较驱动与被动运行中复杂性轨迹的统计差异，评估选择效应的显著性。
• 引入受控的‘回放’机制，在相同初始条件下，分别以有选择与无选择的方式重演演化历史，实现直接对比。

实验结果

研究问题

• RQ1 人工生命系统中的进化复杂性趋势能否被明确分类为驱动型或被动型？
• RQ2 在何种条件下，自然选择会导致演化代理中神经复杂性的增加？
• RQ3 当进一步增加复杂性不再带来适应度优势时，复杂性稳定性是否会浮现？
• RQ4 仅靠被动随机漂变能否解释观察到的复杂性增加，还是必须依赖主动选择？
• RQ5 环境与生态位复杂性如何影响复杂性进化的方向与幅度？

主要发现

• 当复杂性增加带来适应度优势时，进化可主动驱动神经复杂性的提升，表现为驱动运行中复杂性更高且更稳定。
• 在无选择条件下，复杂性因随机漂变而被动增加，且种群内复杂性随时间推移呈现增长的方差。
• 当进一步增加或减少复杂性均不再带来适应度收益时，复杂性稳定性出现，表明存在对最优复杂性水平的维持选择。
• 本研究证明，复杂性进化在不同条件下均完全由选择驱动——既非纯粹被动，也非方向性偏差所致。
• 在部分驱动运行中，t=12,000之后观察到复杂性存在轻微上升趋势，提示基因组中持续的信息整合，尽管统计显著性尚未确认。
• 该方法成功将选择驱动趋势与被动趋势分离，为在进化模拟中正式区分二者提供了框架。