НАУКОВІ ОСНОВИ, ДЕЯКІ РЕЗУЛЬТАТИ ТА ПЕРСПЕКТИВИ МОДЕЛЮВАННЯ ЕВОЛЮЦІЙНО ОБУМОВЛЕНОГО НООГЕНЕЗУ ШТУЧНИХ СТВОРЕНЬ У ВІРТУАЛЬНИХ БІОЦЕНОЗАХ
DOI:
https://doi.org/10.20998/2079-0023.2023.02.13Ключові слова:
агентне моделювання, штучне життя, штучний інтелект, зростаючі нейронні мережі, еволюція, ноогенез, еволюційний дизайнАнотація
Це дослідження мало на меті отримати глибоке розуміння складних цифрових екосистем віртуальних біоценозів з метою з’ясувати та відтворити появу та еволюцію інтелекту в штучних створінь, що називається ноогенезом. Було проведено комплексний аналіз існуючих досліджень у віртуальних біоценозах, щоб отримати цінну інформацію про складність моделювання динамічних екосистем, де штучні створіння беруть участь у комплексній взаємодії. Було підкреслено ключову роль нейронних мереж у формуванні адаптивної поведінки штучних створінь у цих середовищах. Ретельне дослідження методології еволюції нейронних мереж виявило еволюцію складності їхньої архітектури з часом, кульмінацією якої стало сприяння гнучкій та інтелектуальній поведінці. Однак існував брак досліджень у сфері розвитку еволюційних можливостей спілкування та співпраці у віртуальних біоценозах. У відповідь на цю прогалину була введена модель та обґрунтована шляхом імітаційних експериментів. Результати моделювання яскраво проілюстрували дивовижну здатність моделі породжувати адаптивних істот, наділених здатністю ефективно реагувати на динамічні зміни навколишнього середовища. Ці адаптивні штучні істоти показали ефективну оптимізацію споживання енергії та отримання ресурсів. Крім того, вони продемонстрували як інтелектуальні, так і фізичні трансформації, пов’язані з принципами еволюцієї та кодування, натхненними нейроеволюцією доповнених топологій. Важливо, що стало очевидним, що еволюційні процеси, властиві моделі, були нерозривно пов’язані з самим середовищем, таким чином бездоганно узгоджуючись із головною метою цього дослідження. Були окреслені майбутні напрями досліджень у цій галузі. Ці напрями забезпечили основу для подальшого дослідження еволюції штучних створінь у віртуальних біоценозах і появи передових можливостей спілкування та співпраці. Ці досягнення містять потенціал для підняття штучного життя та штучного інтелекту на новий рівень розуміння та можливостей.
Посилання
Yaeger L. Computational genetics, physiology, metabolism, neural systems, learning, vision, and behavior or Poly World: life in a new context. Santa Fe institute studies in the sciences of complexity – proceedings volume. 1994, vol. 17, pp. 263–263.
Gras R., Devaurs D., Wozniak A., Aspinall A. An individual-based evolving predator-prey ecosystem simulation using a fuzzy cognitive map as the behavior model. Artificial life. 2009, vol. 15, no. 4. pp. 423–463.
Delbosc A., Ochs M., Ayache S. Automatic facial expressions, gaze direction and head movements generation of a virtual agent. Companion Publication of the 2022 International Conference on Multimodal Interaction. 2022, pp. 79–88. DOI: 10.1145/3536220.3558806.
OpenAI, Berner C., Brockman G., Chan B., Cheung V., Dębiak P., Dennison C., Farhi D., Fischer Q., Hashme S., Hesse C., Józefowicz R., Gray S., Olsson C., Pachocki J., Petrov M., Pinto H. P. d.O., Raiman J., Salimans T., Schlatter J., Schneider J., Sidor S., Sutskever I., Tang J., Wolski F., Zhang S. Dota 2 with large scale deep einforcement learning. 2019. Available at: https://arxiv.org/abs/1912.06680 (accessed: 29.08.2023).
Yushchenko A. G., Volkova N. A., Teslenko A. A., Petrova K. R. Recursive genetic algorithm for solving the traveling salesman problem.. Anniversary edition of "Information Systems" department at NTU "KhPI". Kharkiv, 2014, pp. 154–162. Available at: https://www.researchgate.net/publication/262686057 (accessed: 29.08.2023).
Yushchenko A. G., Mamedov D. Evolutionary design of seven-tier LM-mode filters optimized with original knowledge–based CAD system. Bulletin of NTU "KhPI". Series: technique and electrophysics of high voltage. Kharkiv: NTU "KhPI" Publ., 2014, no. 21 (1064), pp. 159–170.
Darwin C. On the origin of species: or the preservation of the favoured races in the struggle for life. Read Books Ltd Publ., 2018.
Holland J. H. Adaptation in natural and artificial Systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT Press Publ., 1992. 232 p.
Koza J. R. Genetic programming: a paradigm for genetically breeding populations of computer programs to solve problems. Stanford, Stanford University Publ., 1990. 127 p.
Langton C. G. Studying artificial life with cellular automata. Physica D: nonlinear phenomena. 1986, vol. 22, pp. 120–149. DOI: 10.1016/0167-2789(86)90237-X.
Langton C. G. Artificial life, volume I: proceedings of an interdisciplinary workshop on synthesis and simulation of living systems. Netherlands, Avalon Publishing Publ., 1989. 655 p.
Turchin V. A dialogue on metasystem transition. World futures. 1995, vol. 45, no. 1–4, pp. 5–57. DOI: 10.1080/02604027.1995.9972553
Ray T. S. Evolution, ecology, and optimization of digital organisms. Santa Fe, 1992. 47 p.
Adami C., Brown C. T. Evolutionary learning in the 2D artificial life system. Artificial life IV: proceedings of the fourth international workshop on the synthesis and simulation of living systems. 1994, vol. 4, pp. 377–382.
Yaeger L. Computational genetics, physiology, metabolism, neural systems, learning, vision, and behavior of Poly World: life in a new context. In Santa Fe institute studies in the sciences of complexity – proceedings volume. 1994, vol. 17, pp. 263–288.
Komosiński M., Ulatowski S. Framsticks: towards a simulation of a nature-like world, creatures, and evolution. European Conference on Artificial Life. Heidelberg, 1999, pp. 261–265.
Adamatzky A. Framsticks. Kybernetes. 2000, vol. 29, no. 9/10. DOI: 10.1108/k.2000.06729iad.001
Veenstra F., Glette K. How different encodings affect performance and diversification when evolving the morphology and control of 2D virtual creatures. ALIFE 2020: the 2020 conference on artificial life. Cambridge, MIT Press Publ., 2020, pp. 592–601.
Yaeger L. S., Sporns O. Evolution of neural structure and complexity in a computational ecology. In artificial life X: proceedings of the tenth international conference on the simulation and synthesis of living systems. 2006, pp. 330–336.
Yaeger L. S. How evolution guides complexity. HFSP journal. 2009, vol. 3, no. 5, pp. 328–339. DOI: 10.2976/1.3233712.
Yaeger L. S., Griffith V., Sporns O. Passive and driven trends in the evolution of complexity. Available at: https://arxiv.org/abs/1112.4906 (accessed: 29.08.2023).
Taylor T. Requirements for open-ended evolution in natural and artificial systems. Available at: https://arxiv.org/abs/1507.07403 (accessed: 29.08.2023).
Soros L. B., Stanley K. O. Identifying necessary conditions for open-ended evolution through the artificial life world of Chromaria. In artificial life 14: proceedings of the fourteenth international conference on the synthesis and simulation of living systems. 2014, pp. 793–800. DOI: 10.7551/978-0-262-32621-6-ch128.
Wang R., Lehman J., Clune J., Stanley K. O. Paired open-ended trailblazer (POET): endlessly generating increasingly complex and diverse learning environments and their solutions. 2019. Available at: https://arxiv.org/abs/1901.01753 (accessed: 29.08.2023)
Brant J. C., Stanley K. O. Minimal criterion coevolution: a new approach to open-ended search. In GECCO '17: proceedings of the genetic and evolutionary computation conference. 2017, pp. 67–74. DOI: 10.1145/3071178.3071186.
Sims K. Evolving virtual creatures. In proceedings of the 21st annual conference on computer graphics and interactive techniques (SIGGRAPH' 94). New York, 1994, pp. 15–22. DOI: 10.1145/192161.192167.
Putra R. V. W., Shafique M. TopSpark: a timestep optimization methodology for energy-efficient spiking neural networks on autonomous mobile agents. 2023. Available at: https://arxiv.org/abs/2303.01826 (accessed: 29.08.2023).
Baker B., Kanitscheider I., Markov T., Wu Y., Powell G., McGrew B., Mordatch I. Emergent tool use from multi-agent autocurricula. 2019. Available at: https://arxiv.org/abs/1909.07528 (accessed: 29.08.2023).
Doyle C., Shader S., Lau M., Sano M., Yamins D. L. K., Haber N. Developmental curiosity and social interaction in virtual agents. 2023. Available at: https://arxiv.org/abs/2305.13396 (accessed: 29.08.2023).
OpenAI, Akkaya I., Andrychowicz M., Chociej M., Litwin M., McGrew B., Petron A., Paino A., Plappert M., Powell G., Ribas R., Schneider J., Tezak N., Tworek J., Welinder P., Weng L., Yuan Q., Zaremba W., Zhang L. Solving Rubik's cube with a robot hand. 2019. Available at: https://arxiv.org/abs/1910.07113 (accessed: 29.08.2023).
Yu C., Yu H., Gao S. Learning control admissibility models with graph neural networks for multi-agent navigation. In proceedings of the 6th conference on robot learning, in proceedings of machine learning research. 2023, pp. 934–945.
Wijmans E., Savva M., Essa I., Lee S., Morcos A. S. Batra D. Emergence of maps in the memories of blind navigation agents. 2023. Available at: https://arxiv.org/abs/2301.13261 (accessed: 29.08.2023).
Salimans T., Ho J., Chen X., Sidor S., Sutskever I. Evolution strategies as a scalable alternative to reinforcement learning. 2017. Available at: https://arxiv.org/abs/1703.03864 (Available at: 29.08.2023).
Stanley K. O., Miikkulainen R. Evolving neural networks through augmenting topologies. Evolutionary computation. 2002, vol. 10, no. 2. pp. 99–127. DOI: 10.1162/106365602320169811.
Papavasileiou E., Cornelis J., Jansen B. A systematic literature review of the successors of "NeuroEvolution of augmenting topologies." Evolutionary computation. 2021, vol. 29, no. 1, pp. 1–73. DOI: 10.1162/evco_a_00282
Stanley K., Cornelius R., Miikkulainen R., D’Silva T., Gold A. Real-time learning in the NERO video game. Proceedings of the AAAI conference on artificial intelligence and interactive digital entertainment. 2021, vol. 1, no. 1, pp. 159–160. DOI: 10.1609/aiide.v1i1.18736.
Stanley K. O., D'Ambrosio D. B., Gauci, J. A Hypercube-based encoding for evolving large-scale neural networks. Artificial life. 2009, vol. 15, no. 2. pp. 185–212. DOI: https://doi.org/10.1162/artl.2009.15.2.15202.
Risi S., Stanley K. O. An enhanced hypercube-based encoding for evolving the placement, density, and connectivity of neurons. Artificial life. 2012, vol. 18, no. 4, pp. 331–363. DOI: 10.1162/ARTL_a_00071.
Hewland J., Nitschke G. The benefits of adaptive behavior and morphology for cooperation. In 2015 IEEE symposium series on computational intelligence (SSCI). 2015, pp. 1047–1054. DOI: 10.1109/SSCI.2015.151.
Yushchenko A. G., Zachepylo M. O. Modelling of evolutionary conditioned noogenesis of virtual biocenoses. 2020. 10 p. [Preprint]. DOI: 10.13140/RG.2.2.30785.38246.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
