Глава 6 машинная эволюция


Содержание

Курс лекций по предмету «Основы проектирования систем с искусственным интеллектом»

Данный курс лекций является результатом моей лекторской работы в Днепродзержинском Государственном Техническом Университете. Курс ориентирован прежде всего на программистов, но я надеюсь, будет полезен всем интересующимся искусственным интеллектом. При составлении, автор ориентировался на уровень студентов 2-5 курсов технических специальностей. Очень надеюсь, что мне удалось соблюсти в лекциях такой уровень детализации описания алгоритмов, при котором, с одной стороны они остаются практически полезными (т.е. на основании лекций можно программировать практически работающие программы), а с другой стороны избежать излишней детализации, при которой курс становится необъятным и неоправданно раздутым.

Лекции 14-16. Машинная эволюция

Метод перебора, как наиболее универсальный метод поиска решений. Методы ускорения перебора. Метод группового учета аргументов как представитель эволюционных методов. Генетический алгоритм.

Автоматический синтез технических решений. Поиск оптимальных структур. Алгоритм поиска глобального экстремума. Алгоритм конкурирующих точек. Алгоритм случайного поиска в подпространствах. Некоторые замечания относительно использования ГА. Автоматизированный синтез физических принципов действия. Фонд физико-технических эффектов. Синтез физических принципов действия по заданной физической операции. Заключительные замечания (слабосвязанный мир).

Лекционные занятия — 6 ч.

Метод перебора, как наиболее универсальный метод поиска решений. Методы ускорения перебора.

Как Вы уже знаете, существуют задачи, для которых доказано отсутствие общего алгоритма решения (например, задача о разрешимости Диофантова множества). В то же время, можно сказать, что, если бы мы обладали бесконечным запасом времени и соответствующими ресурсами, то мы могли бы найти решение любой задачи. Здесь имеется в виду не конструирование нового знания на основании имеющегося (вывод новых теорем из аксиом и уже выведенных теорем), а, прежде всего, «тупой» перебор вариантов.

Еще в XVII столетии великий Лейбниц пытался раскрыть тайну “Всеобщего Искусства Изобретения”. Он утверждал, что одной из двух частей этого искусства является комбинаторика — перебор постепенно усложняющихся комбинаций исходных данных. Второй частью является эвристика — свойство догадки человека. И сейчас вторая часть Искусства Изобретения все еще остается нераскрытой. На языке нашего времени эта часть — модель мышления человека, включающая в себя процессы генерации эвристик (догадок, изобретений, открытий).

Однако прежде чем перейти к рассмотрению улучшенных переборных алгоритмов (улучшенных потому, что для простого перебора у нас в запасе нет вечности), я бы отметил еще один универсальный метод ускорения перебора — быстрое отсечение ложных (или вероятно ложных, что и используется большинством алгоритмов) ветвей перебора.

Эволюция

Прежде всего, упомяну, что отнюдь не все ученые признают наличие эволюции. Многие религиозные течения (например, свидетели Иеговы) считают учение об эволюции живой природы ошибочным. Я не хочу сейчас вдаваться в полемику относительно доказательств за и против по одной простой причине. Даже, если я не прав в своих взглядах, объясняя эволюционные алгоритмы как аналоги процессов, происходящих в живой природе, никто не сможет сказать, что эти алгоритмы неверны. Несмотря ни на что, они находят огромное применение в современной науке и технике, и показывают подчас просто поразительные результаты.

Основные принципы эволюционной теории заложил Чарльз Дарвин в своей самой революционной работе — «Происхождение видов». Самым важным его выводом был вывод об основной направляющей силе эволюции — ею признавался естественный отбор. Другими словами — выживает сильнейший (в широком смысле этого слова). Забегая вперед, замечу, что любой эволюционный алгоритм имеет такой шаг, как выделение самых сильных (полезных) особей. Вторым, не менее важным выводом Дарвина был вывод об изменчивости организмов. Аналогом данного закона у всех алгоритмов является шаг генерации новых экземпляров искомых объектов (решений, структур, особей, алгоритмов).

Именно отбор наилучших объектов является ключевой эвристикой всех эволюционных методов, позволяющих зачастую уменьшить время поиска решения на несколько порядков по сравнению со случайным поиском. Если попытаться выразить эту эвристику на естественном языке, то получим: сложно получить самое лучшее решение, модифицируя плохое. Скорее всего, оно получится из нескольких лучших на данный момент.

Из основных особенностей эволюционных алгоритмов можно отметить их некоторую сложность в плане настройки основных параметров (вырождение, либо неустойчивость решения). Поэтому, экспериментируя с ними, и получив не очень хорошие результаты, попробуйте не объявлять сразу алгоритм неподходящим, а попытаться опробовать его при других настройках. Данный недостаток следует из основной эвристики — можно «уничтожить» предка самого лучшего решения, если сделать селекцию слишком «жесткой» (не зря ведь биологам давно известно, что если осталось меньше десятка особей исчезающего вида, то этот вид сам по себе исчезнет из-за вырождения).

МГУА

Описанный в разделе алгоритмов распознавания образов метод группового учета аргументов так же относится к разряду эволюционных. Его можно представить как следующий цикл:

1. Берем самый последний слой классификаторов.

2. Генерируем из них по определенным правилам новый слой классификаторов (которые теперь сами становятся последним слоем).

3. Отбираем из них F лучших, где F-ширина отбора (селекции).

4. Если не выполняется условие прекращения селекции (наступление вырождения – инцухта), переходим на п. 1.

5. Самый лучший классификатор объявляется искомым решением задачи идентификации.

Как мы видим, налицо все признаки эволюционного алгоритма — отбор (селекция) и генерация нового поколения.

Генетический алгоритм (ГА)


Генетический алгоритм является самым известным на данный момент представителем эволюционных алгоритмов, и по своей сути является алгоритмом для нахождения глобального экстремума многоэкстремальной функции. ГА представляет собой модель размножения живых организмов.

Для начала представим себе целевую функцию от многих переменных, у которой необходимо найти глобальных максимум или минимум:

Для того чтобы заработал ГА, нам необходимо представить независимые переменные в виде хромосом. Как это делается?

Как создать хромосомы?

Первым Вашим шагом будет преобразование независимых переменных в хромосомы, которые будут содержать всю необходимую информацию о каждой создаваемой особи. Имеется два варианта кодирования параметров:

· в двоичном формате;

· в формате с плавающей запятой.

В случае если мы используем двоичное кодирование, мы используем N бит для каждого параметра, причем N может быть различным для каждого параметра. Если параметр может изменяться между минимальным значением MIN и максимальным MAX, используем следующие формулы для преобразования:

r = g*(MAX – MIN) / (2^N – 1) + MIN.

g = (r – MIN) / (MAX – MIN) * (2^N – 1)

где g – целочисленные двоичные гены,

r – эквивалент генов в формате с плавающей запятой.

Хромосомы в формате с плавающей запятой, создаются при помощи размещения закодированных параметров один за другим.

Если сравнивать эти два способа представления, то более хорошие результаты дает вариант представления в двоичном формате (особенно, при использовании кодов Грея). Правда, в этом случае мы вынуждены мириться с постоянным кодированием/декодированием параметров.

Последнее изменение этой страницы: 2020-02-07; Нарушение авторского права страницы

Глава 6 машинная эволюция

Глава 1. Эх, жизнь моя червячная

Ранним утром понесло меня в магазин, очень уж кушать захотелось, а в холодильнике шаром покати. Но не стоило, наверно, на красный свет дорогу перебегать. Визг тормозов, пронзительный гудок, удар, боль, тьма. Всего-то третий десяток разменял, обидно. Но чего уж там, сам виноват. Сознание благополучно окуталось дымкой и начало растворятся в неге. Щаз! Фиг вам, я про такое сотни раз читал в столь любимых книгах про попаданцев и прочих вселенцев. Будем сопротивляться, глядишь, и правы авторы окажутся. Как бишь там — миллиард китайцев не могут ошибаться!

Угу, легче сказать, чем сделать; самый страшный враг разумного — это он сам. Лень, апатия и покой, противостоять этой могучей тройке, когда у тебя и так все зашибись, не просто сложно, а практически невозможно. Но я старался. Единственной мыслью было желание сохранить себя и куда-нибудь «попасть». Собственно, если бы не заданная цель, фиг бы я себя сохранил, а так, ничего, держался вроде. Особенно помогал перебор возможных вариантов и буйная фантазия.

Сколько времени прошло, без понятия, но в некоторый момент все как-то резко изменилось. Правда, осознал я это не сразу, увлекшись мыслями о том, как бы и чего натворил бы, оказавшись там-то или сям-то, став тем или этим. В принципе, это-то меня и спасло на тот момент. Душу, разум, ментальную оболочку ауры, или что там у меня было, и кем я после смерти человеческого тела являлся, притянуло к какому-то зубастенькому червячку или, скорей, к личинке. Только что родившейся, надо заметить.

В отличие от товарок, кинувшихся жрать друг друга и просто всех, кто под руку подвернется, мое тельце преспокойно пошло ко дну. Приземление в ил меня и вернуло в суровую реальность. Что сказать? Попал, товарищи. Ура! На этом, собственно, плюсы и заканчиваются, а минусы начинаются.

Доставшееся мне тело обладало чем-то вроде генетической памяти и она, плюс инстинкты, оперативно слились с моей, хм, пусть будет «духовной сущностью», и быстренько заставили загрустить. В процессе объединения случилась интересная бяка: всё, что нашло хоть какое-то отражение в разуме, обрело смысл. Даже не так, проще, — обрело название, получило понятия из прошлой жизни. И главным из них стало определение моего вида — зерг! Я, мать его, личинка изначального зерга. Печаль, беда, огорчение. Мой новый дом — мир где буйство жизни круче чем в джунглях, и все друг другу корм. Короче говоря, ужас и полный мрак.

Так, не раскисаем, думаем. Разум — главное оружие попаданца, каковым я, бесспорно, нынче и являюсь. Вот и будем его активно использовать. Начнем с анализа. Ведь не может все быть настолько плохо и бесперспективно. Первое и главное — я не просто жив, я все еще жив. Второе — перспективы. Третье — биологическое, а может, и не только, бессмертие. Хотя вот насчет последнего даже и не знаю, благо это или проклятье. Впрочем, невозможность помереть от старости вовсе не исключает смерти как таковой. Открутят головенку, и окочурюсь как миленький. Не факт, вообще-то, но вот если целиком схарчят, так точно кони двину, с гарантией.


Над последним вариантом позволил себе некоторое время подумать. Очень уж соблазнительно было сменить эту жизнь на что-то более приличное. Но пришлось отказаться. Тут и страхи имели место быть, и просто как-то неправильно отступать, не попытавшись побарахтаться. Опять же, перспективы более чем интригующие. Мне ведь доступна эволюция! Причем, в отличие от триллионов таких же личинок, не случайно-спонтанная, а вполне себе осознанная.

Вообще, зерги довольно интересные в этом плане существа. По моему мнению, сами по себе они появиться не могли, хотя, с другой стороны, чем мать-природа не шутит. Во-первых, у меня имеется что-то вроде готовой базы генных шаблонов для выращивания всяких ножек, лапок, ганглиев, и прочего ливера с тентаклями. Причем настолько огромная, что количество возможных комбинаций просто невообразимо. Во-вторых, я могу ее пополнять, как пожирая кого-нибудь, так и занимаясь конструированием с нуля. В-третьих, нам, зергам, дано еще что-то вроде интуиции. С одной стороны, она не позволит создать нечто нежизнеспособное, а с другой, подскажет, что для изменения организма нужно.

Кстати, о нуждах, что-то я в песочке залежался, жратеньки сильно-сильно хочется. Вот только как бы самому пищей не стать. Я нынче крошечный червячок с остренькими зубками, нежненьким тельцем и объемным зрением сонарного типа. И мой встроенный эхолот имеет весьма паршивый радиус действия. Ну-с, поплыли, что ли, за пищей телесной, один черт, с духовной тут как-то совсем никак.

Спасибо инстинктам тела, проблем с передвижением не возникло. Всосал воды, вытолкнул из задницы, и понесся вперед аки кальмар эдакий. Путь мой лежал к чему-то вроде водорослей. Растения, конечно, не мясо, оно-то куда полезней, и массу с него в разы сподручней набирать, но больно уж его добыча рискованна. Буйное тут мясо. Ой, буйное. Даже с падалью связываться опасно. Так что будем жрать травушку-муравушку. Спешить мне все равно некуда.

Благополучно добравшись до зарослей водной растительности, забился в глубь, и выбрав ближайший стебелек, приступил к трапезе. Ага, легче сказать, чем сделать. Попробуйте коническими зубами травку пожевать, замаетесь. Про мерзкий вкус вообще молчу. В общем, я оказался на положении тех мышей, что кактус жрали. Во всем этом извращении одна радость — желудок у меня что угодно переварить мог. Так что, с горем пополам, но массу начал набирать.

По ощущениям тепла-холода, прошло несколько дней, за время которых удалось раз в десять вырасти. И тут меня ждал большой сюрприз. Тело самопроизвольно приступило к процессу размножения, выдав тьму-тьмущую икринок. Мало того, что я себя с мужским полом все еще ассоциирую, так этот встроенный механизм размножения стоил мне двух третей накопленной массы. Спасибо, хоть интуиция уведомила, что больше такого не повторится. Верней, теперь сие мне стало доступно в осознанном варианте.

Обидно блин, почти ведь набрал запасец для самых дешевеньких шаблонов эволюции. Хотя, конечно, все логично, тут не поспоришь. Встроенный механизм поддержания численности базового вида, очень, надо сказать, эффективный. Точно, искусственно кто-то зергов создал. Эх, ладно, чего уж там, продолжаем жрать водоросли и мечтать о лучшем. Заодно, можно еще и планы на будущее построить. С ними, вообще-то, все просто. Стоило определить два основных условия, как мозги провернулись и быстро выдали решение. Первое, что меня сильно волнует — безопасность себя любимого, второе — обильное питание. Вот от этого и будем танцевать.

Лучший выход — колония общественных насекомых. Тут и самому за едой бегать не придется, и за место вожака сражаться не надо. Опять же, про муравьев, термитов, пчел и прочих ос я еще по земной жизни кое-что знал. Вообще-то, в моих шаблонах имелась всякая паранормальщина, то ли телепатия с телекинезом разных видов, то ли вообще какая-то магия, сложно точно сказать. Лучше всего подходил размытый термин пси-сила, но я и в земной-то жизни смутно себе представлял, что это такое, и чем от колдунства отличается. Увы, для получения самых простеньких способностей одной только нервной ткани требовалось где-то под килограмм, при том что я нынче целиком меньше грамма вешу. Так что не судьба мне пока других под контроль брать. Придется довольствоваться убогой заменой на феромонах.

Набрав нужной массы и запасшись необходимыми веществами, провел первую в новой жизни эволюцию. Изменил пасть и пищеварительную систему. Ох, как же меня корежило, когда организм перестраивался. Просто мечта мазохиста этот эволюционный скачок. Зато теперь водоросли стали вполне себе приятной пищей, а уж как эффективность извлечения питательных веществ возросла, просто загляденье. Теперь вес рос как на дрожжах, а значит, можно было начинать готовиться к выходу из водной среды в воздушную.

SanderFrame › Блог › MAZDA Эволюция автомобилей в кузове среднего класса

Mazda Эволюция автомобилей в кузове среднего класса c 1970 по наши дни.
Mazda 6 и ее предшественник Mazda 626 «Capella»

Mazda 626 (1970-1974)
Mazda 626 (1974-1979)
Mazda 626 (1979-1985)
Mazda 626 (1985-1988)
Mazda 626 (1988-1994)
Mazda 626 (1994-1996)
Mazda 626 (1994-1997)
Mazda 626 (1997-1999)
Mazda 626 (1999-2002)
Mazda 6 (2002-2008)
Mazda 6 (2007-2013)
Mazda 6 (2012-2020)
Mazda 6 (ожидаеться в 2020)

Глава 6 Функционализм: предшествующее влияние

Переворот в естествознании: Чарльз Дарвин (1809–1882)

Эволюция механизмов

Давайте снова вернемся к рассмотрению механических моделей. Мы отмечали, что механизмы создавались для дублирования движений человека (автоматы) и его отдельных мыслительных процессов (вычислительная машина Бэббиджа). Возможно ли, чтобы механизмы стали эволюционировать в сторону развития высших форм — как это произошло, по мнению некоторых ученых, с людьми и животными? Постановка такого вопроса становилась неизбежной, так как после опубликования теории Дарвина мысли о механических аналогах человеческой жизни получили широкое распространение в научных и общественных кругах.

Человеком, открыто поставившим этот вопрос и распространившим эволюционную теорию на созданные людьми механизмы, был Сэмюэль Батлер, оригинальный английский писатель и музыкант. Он эмигрировал в Новую Зеландию, чтобы заняться там разведением овец, как раз в год опубликования книги Дарвина «О происхождении видов» (Mazlish. 1993). Впоследствии Дарвин и Батлер много лет вели активную переписку.

В нескольких своих очерках, один из которых был озаглавлен «Дарвин среди машин», Батлер писал, что эволюция машин на самом деле давно уже происходит. Для этого нам надо только сравнить простейшие устройства, применявшиеся с незапамятных времен — рычаги, блоки, клинья, — со сложным оборудованием фабрик и заводов эпохи промышленной революции или с устройством современных океанских пароходов.

Он утверждал, что эволюция механизмов происходит таким же, как и у живых существ, путем естественного отбора и борьбы за существование. Изобретатели постоянно создают новые устройства, придавая им дополнительные преимущества по сравнению с существующими. Таким образом новые машины уничтожают или выводят из употребления более старые и примитивные, которые не могут выдержать конкуренции и приспособиться к новым условиям. В результате устаревшие механизмы исчезают, подобно динозаврам.

Быстрое развитие техники ясно показало Батлеру, что эволюция машин идет гораздо более быстрыми темпами, чем эволюция животного мира. Основываясь на этом наблюдении, он стал размышлять, к чему же может привести такое положение дел. Так, например, Батлер предсказал автоматизацию механизмов и их возможности моделирования человеческого интеллекта. Поэтому, предупреждал он, есть вероятность того, что в один прекрасный день развитие машин достигнет такого уровня, что они смогут господствовать над людьми. Но станет ли при этом человечество полностью зависимым от машин, неспособным выжить без их помощи?

Один историк науки писал, «что подобно страху перед монстром — Франкенштейном, Батлер вызвал страх перед машинами, которые по мере своего развития будут угрожать если не нашему выживанию, то по крайней мере нашему господству над остальным животным миром» (Mazlish. 1993. P. 151). Требовался лишь маленький шаг, чтобы предсказать, что механизмы в процессе своей эволюции достигнут уровня сознательного поведения. «Не существует защиты, — писал Батлер, — против создания механического сознания… кто может поручиться, что паровая машина бессознательна? Где начинается сознание и где оно заканчивается? Кто может провести эту разграничительную линию?» (цит. по Mazlish. 1993). Эти же вопросы в наши дни задаются относительно компьютеров — самых умных из существующих машин. К рассмотрению этой проблемы мы еще вернемся в главе 15.

Батлер излагал свои взгляды во многих статьях, но, поскольку они публиковались в малоизвестных журналах, то не смогли оказать заметного влияния на развитие научной мысли.

В 1872 году идея об эволюции механизмов получила широкую известность после того, как Батлер изложил ее в своем романе «Егдин» (анаграмма слова «нигде»). Сюжет этого произведения построен на истории вымышленного государства, в котором были уничтожены все машины, потому что они стали представлять угрозу для людей.

Илон Маск рекомендует:  Аргументы функций

Популярность батлеровской идеи свидетельствует о существовавшем в XIX веке повышенном интересе к развитию механизмов и механистическому представлению человеческой натуры. Неудивительно, что в то время эта тема стала одной из самых важных для недавно возникшей науки психологии


Глава 6 машинная эволюция

Автор вводит читателя в круг наиболее интригующих вопросов эволюционной биологии. До сих пор эволюционный прогресс остается предметом бурных, даже ожесточенных споров. По существу, всех биологов можно разделить на сторонников и противников идеи этой формы прогресса. Эволюцию живых организмов обычно связывают с ростом их сложности и степени совершенства, однако до сих пор нет строгих критериев этой оценки. Главная мысль, развиваемая автором, состоит в том, что основные атрибуты прогресса — усложнение строения и повышение уровня надклеточной организации — являются лишь следствием постоянно идущего отбора на повышение эволюционной пластичности видов.

Книга предназначена для биологов широкого профиля, а также всех интересующихся вопросами эволюции живых существ.

Книга: Эволюция и прогресс

Глава 6. Мобилизующий отбор

Глава 6. Мобилизующий отбор

Эволюция подотряда Ammonitina протекала необычайно бурно. Все морфологические особенности раковины — и внешняя форма, и скульптура, и перегородки — проявляли при этом сильнейшую мобильность. Способы усложнения лопастной линии были также необычайно многообразны.

Мутабильность

К проблеме генетической сложности структуры можно подойти еще с одной стороны. Дело в том, что специальные гены, как и всякие другие, обязаны мутировать, порождая внутрипопуляционную изменчивость по мощности соответствующих рабочих структур. Заметим, что мощность морфологической структуры, с точки зрения генетика, следует отнести к мерным (количественным) признакам, для которых типичен непрерывный характер изменчивости. Мутации по этим признакам можно разделить на две четко очерченные категории — с качественным и количественным эффектом. Первые вызывают настолько резкое изменение значения признака, что наблюдатель видит их эффект без всяких измерений. Примерно также проявляет себя и потеря гена, поэтому в основе мутаций с качественным эффектом обычно лежит серьезное повреждение функции гена.

Мутации второй категории ведут к небольшому (на несколько процентов) сдвигу величины признака, и этот эффект, как правило, меньше шума среды. Еще одна особенность данных мутаций заключается в том, что они могут не только снижать, но и повышать значение признака. Поэтому природные популяции нередко хорошо отвечают на отбор по мерным признакам в обоих направлениях. За мутациями этого типа и за возникающими в результате их действия аллелями исторически закрепилось несколько неудачное название полигенных.

В гл.4 мы рассмотрели аддитивную модель наследования количественных признаков. Суть ее сводилась к тому, что величина признака складывается из суммы примерно равных вкладов большого числа генов. Обширный опыт биометристов показывает, что реальная картина наследования количественных признаков весьма часто начинает неплохо соответствовать аддитивной модели, если их измерять логарифмической, а не обычной (арифметической) шкалой. Особенно четко «улучшающий» эффект логарифмирования проступает, когда значение признака у родителей отличается в несколько раз. Столь большая разница обычно бывает у форм, разделенных или длительной эволюцией, или длительной селекцией. Следовательно, разность логарифмов величины признака родительских форм можно трактовать как сумму соизмеримых эффектов аллельных замещений по значительному числу локусов (см. (5.6)). Аддитивность логарифма отражает мультипликативность величины признака, измеренного арифметической шкалой. Иными словами, эта величина представима в виде произведения близких по значению сомножителей, за каждым из которых стоит отдельный ген.

В предыдущем разделе мы показали, что мультипликативный характер генетического контроля размеров и мощности рабочей структуры возникает в результате весьма длительного движущего отбора, направленного на интенсификацию ее функции. При этом идет аккумуляция генов (названных нами специальными), управляющих программой развития структуры.

Наши знания о скоростях полигенных мутаций базируются на данных, полученных при исследовании очень важного количественного признака — жизнеспособности. Мы уже знаем (гл.4), что мутации по этому признаку разделяются также на две категории: 1) рецессивные летали и полулетали, снижающие жизнеспособность не менее чем в 10 раз; 2) слегка вредящие мутации, снижающие в гомозиготном состоянии жизнеспособность всего на 2–4 %. Напрашивается явная аналогия с только что рассмотренным делением на две категории мутаций по обычным мерным признакам. Летали и полулетали подобны мутациям с качественным эффектом, а слегка вредящие мутации можно считать аналогами полигенных. Т. Мукаи так и назвал их «полигенными мутациями по жизнеспособности». Напомним, что этот японский генетик, следя за возникновением мутаций обеих категорий, сделал важное открытие — он установил, что у дрозофилы полигенные мутации по жизнеспособности возникают в 20–30 раз чаще, чем летали и полулетали.

С эволюционной точки зрения наибольший интерес представляют именно полигенные мутации. Во-первых, они относительно безвредны, т. е. незначительно сказываются на основных показателях приспособленности, и, во-вторых, по скорости возникновения, по-видимому, не менее чем на порядок превосходят мутации с качественным эффектом.

Молекулярная природа генов с количественным эффектом

Здесь мы коснемся сложного вопроса, еще далекого от полной ясности, однако весьма немаловажного для последующего изложения, — молекулярной организации наследственного вещества. Хромосома многоклеточных — это очень длинная (до нескольких сантиметров) единая молекула ДНК. Хотя она и является носителем наследственной информации, из этого совсем не следует, что любая нуклеотидная последовательность генома обязательно влияет на приспособленность. Анализ строения ДНК многоклеточных показывает, что генетическая информация (по крайней мере, доступная нашему пониманию) размещена вдоль этой гигантской молекулы далеко не равномерно. Более того, нет сомнений, что гены занимают в ней только небольшую часть. При этом сам ген состоит из совершенно разных по информационному содержанию сегментов — экзонов и интронов. Первые чаще всего кодируют первичную структуру какого-нибудь белка, а вторые обычно ничего не кодируют (рис. 26).

В межгенных промежутках (а иногда и в интронах) разбросаны нуклеотидные последовательности, имеющие отношение к генной регуляции. Активность гена проявляется в производстве им своего слепка — молекулы РНК, из которой затем вырезаются участки, соответствующие интронам. Заметим, что транскрипция РНК является лишь одним из этапов экспрессии гена. Другие этапы включают в себя синтез, сборку и созревание белковых молекул, а также их транспорт и встраивание в соответствующие субклеточные структуры.

В многоклеточном организме большое число генов находится под жестким контролем программ развития всевозможных морфологических структур, и многие из них активны только в клетках определенного типа. Многочисленные данные, полученные в последнее время, свидетельствуют, что такой контроль осуществляется согласованным взаимодействием регуляторных белков (транс-факторов) с довольно короткими и весьма специфичными последовательностями ДНК (цис-элементами). Большинство цис-элементов расположено невдалеке от точки начала транскрипции гена; одни из них ответственны за тканеспецифичность генной экспрессии, другие — за ее уровень.

Рис. 26. Строение сегмента хромосомы эукариот. а — неактивный, б — активный ген. 1 — экзоны; 2 — интроны; 3 — межгенные участки; 4 — цис-элементы; 5 — транс-факторы; 6 — РНК-полимераза.

Для включения гена (т. е. для инициации транскрипции РНК) необходимо образование комплекса транс-факторов с белками транскрипционной машины (представленной прежде всего субъединицами РНК-полимеразы). При этом цис-элементы сближаются, а отрезки ДНК между ними сгибаются в петли. Таким образом, большой сегмент хромосомы с геном и протяженными (до нескольких тысяч нуклеотидов) соседними последовательностями выступает как единая матрица для сборки мультимолекулярного ансамбля, инициирующего транскрипцию. Понятно, что изменение числа цис-элементов и даже изменение расстояния между ними может отразиться на скорости сборки такого ансамбля, т. е. в конечном счете на уровне генной экспрессии.

Хромосомы многоклеточных буквально начинены так называемыми мобильными элементами — всевозможными последовательностями ДНК, способными к независимому «размножению» и передвижению внутри генома. По-видимому, именно эти перемещения ответственны за возникновение большей части так называемых спонтанных мутаций, составляющих основу генетической изменчивости природных популяций. Легко представить, что встраивание довольно крупного отрезка чужеродной ДНК в экзонный участок гена приведет к инактивации последнего, а соответствующая мутация пополнит ряды рецессивных леталей, подлежащих удалению очищающим отбором. Однако гораздо чаще мобильные элементы должны попадать в протяженные межгенные промежутки, что может отразиться лишь на экспрессии расположенных по соседству генов. На уровне фенотипа такие изменения наследственного материала будут выглядеть скорее всего как полигенные мутации.

Мукаи проследил за уровнем экспрессии гена алкогольдегидрогеназы (фермента, восстанавливающего спирт) у дрозофилы в течение 300 поколений. Хромосома с этим геном была выведена из-под контроля очищающего отбора, что позволяло проследить за накоплением спонтанных мутаций, затрагивающих активность фермента. За время наблюдения межлинейная дисперсия по ферментативной активности возросла в 27 раз, хотя среднелинейное значение активности осталось прежним. Также не изменились и физико-химические свойства алкогольдегидрогеназы, обусловленные первичной структурой белка. Мукаи предположил, что мутации затронули какие-то районы, расположенные за пределами гена.

Мобильность


По Дарвину, эволюция основана на отборе особей с едва заметными уклонениями фенотипа. Поскольку отбор направлен на изменение величины определенного количественного признака, принципиальное значение имеет не мутабильность генов, а мутабильность признаков. Существует несколько способов измерения последней. Например, каждая особь изогенной линии самоопыляющихся растений может стать основательницей дочерней сублинии. Если все особи-основательницы имеют тождественные генотипы, то средние значения количественных признаков в сублиниях будут совпадать. Если же особь-основательница несет мутацию, затрагивающую развитие одного из количественных признаков, то среднее значение данного признака у потомков мутантною индивида скорее всего будет смещено. Следовательно, определяя генотипические значения признака в большой совокупности дочерних сублиний, можно оценить уровень его мутабильности. Такого рода анализ был проведен у кукурузы и у мыши, в обоих случаях получена удивительно высокая величина мутабильности — около 0,01 мутаций на признак на геном за поколение.

Таким образом, в результате мутирования в любой крупной популяции за одно поколение должна возникать новая генетическая дисперсия по любому количественному признаку. Получается, что даже изогенная линия может отвечать на отбор. Как мы помним (см. уравнение (4.19)), величина этого ответа пропорциональна наследуемости признака, т. е. доле генетической компоненты в его фенотипической дисперсии. В экспериментах по отбору на число щетинок в изогенных линиях дрозофилы скорость появления мутационной дисперсии оценена в несколько тысячных от величины фенотипической дисперсии. Длительный и интенсивный отбор должен вести к постепенному исчерпанию запасов генетической изменчивости в популяции. Поэтому ответ на отбор в конце концов будет определяться лишь скоростью возникновения мутационной дисперсии.

Процесс мутирования по разным генам независим, поэтому в первом приближении можно считать, что мутационная дисперсия по величине признака, возникающая за поколение, равна сумме мутационных дисперсий по каждому локусу. Выходит, что с ростом генетической сложности признака должна расти и мутационная дисперсия его величины. В предыдущей главе мы установили, что увеличение числа специальных генов ведет к росту размеров и мощности рабочей структуры. В связи с этим приобретает особое значение вопрос, как будут соотноситься между собой обе характеристики структуры (мощность и мутационная изменчивость) при увеличении числа специальных генов.

В качестве меры изменчивости структуры, обусловленной мутированием одного локуса, удобно взять сигму мутационного эффекта (?), которую можно трактовать как наиболее вероятное значение сдвига мощности структуры при мутировании одного из ее специальных генов. Так как естественный отбор «измеряет» эффект мутационных замен логарифмической линейкой, то имеет смысл оценивать величину ? в долях от мощности интактной структуры (напомним, что ?lnP ? ?Р/Р).

Если бы мощность органа определялась суммой вкладов его специальных генов, то величина относительного прироста мощности при добавлении к программе развития еще одного гена была бы тем меньше, чем выше генетическая сложность органа. Очевидно, что в данном (аддитивном) случае генетического контроля накопление специальных генов вело бы к созданию рабочих структур, мало чувствительных к мутациям, так как величина сигмы мутационного эффекта уменьшалась бы с увеличением числа их специальных генов.

Однако обычно мощность органа представима в виде произведения сомножителей, олицетворяющих собой вклады отдельных специальных генов, поэтому добавление еще одного такого гена увеличивает мощность органа в некоторое число раз (вне зависимости от его мощности или от числа специальных генов), т. е. величина относительного прироста мощности рабочей структуры не зависит от ее генетической сложности. В данном (мультипликативном) случае генетического контроля увеличение числа специальных генов не снижает чувствительности органа к мутациям, поскольку любой сдвиг (в процентах) вклада отдельного гена представляет собой сдвиг на тот же процент мощности органа. Таким образом, сигма мутационного эффекта на мощность рабочей структуры не должна зависеть от числа ее специальных генов.

Начиная с Дарвина неоднократно используется метафора, что естественный отбор как бы лепит новые формы, поэтому сам собою возник вопрос о пластичности материала, с которым имеет дело эволюция. Часто высказывалось, по-видимому, совершенно правильное мнение, что биологический материал не пластилин, что формирование структур подчиняется своим законам и т. д. Не входя в дискуссию о «законах» образования биологических структур, заметим, что с функциональной точки зрения имеет значение только их мощность. В связи с этим вместо несколько неопределенной пластичности биологического материала лучше говорить об эволюционной изменчивости мощности рабочих структур. Эту изменчивость назовем мобильностью и будем ее оценивать по скорости, с которой под действием длительного движущего отбора изменяется мощность структуры. А учитывая «логарифмические очки» естественного отбора (т. е. его «склонность» оценивать не абсолютный, а относительный сдвиг величины признака), назовем мобильностью скорость, с которой изменяется логарифм мощности рабочей структуры под действием длительного движущего отбора определенного давления. Еще раз напомним, что небольшой относительный сдвиг величины признака (измеренный в долях от его исходного значения) можно трактовать как сдвиг логарифма величины признака.

Как ответ на длительный отбор мобильность (М) должна прямо зависеть от скорости возникновения мутационной дисперсии логарифма мощности структуры, что, в свою очередь, определяется числом специальных генов (N), их средней мутабильностью и средней дисперсией мутационного эффекта 2 >. Поскольку мощность структуры определяется мультипликативным действием ее специальных генов, то сигма мутационного эффекта ?, измеренная в долях от мощности интактной структуры, не зависит от числа этих генов. Кроме того, число специальных генов любой морфологической структуры довольно велико, поэтому значение 2 > для разных структур, по-видимому, различается незначительно. Наконец, по средней мутабильности специальных генов рабочие структуры также не могут существенно различаться. Таким образом, с достаточной точностью должно выполняться соотношение

т. е. мобильность структуры пропорциональна числу ее специальных генов.

Перевернув назад несколько страниц, можно убедиться в том, что совсем недавно мы установили почти тривиальную связь между мощностью структуры у среднестатистического вида филетической группы, с одной стороны, и числом его специальных генов — с другой (см. (5.10)). Сопоставив это соотношение с (6.1), получаем, что

т. е. в пределах филетической группы средневидовой логарифм мощности рабочей структуры пропорционален ее средневидовой мобильности.

Дифференциальное выживание филетических линий

Представим себе совокупность родственных видов, обитающих в сходных экологических условиях. Пусть все особи этих видов снабжены набором гомологичных рабочих структур. Отличия касаются лишь их размеров и деталей строения. Вообразим, что в среде обитания данной таксономической группы начались однонаправленные изменения какого-то жизненно важного фактора. В таких условиях мощность одной из рабочих структур может стать недостаточной для сохранения прежней численности популяций. Теперь любой вид должен успеть скомпенсировать ухудшение среды усилением мощности лимитирующей структуры, иными словами, судьба вида попадает в зависимость от скорости усиления этой структуры. Если данная скорость не сможет затормозить процесс падения абсолютной приспособленности вида, то он вымрет.

Пусть перед каждым видом поставлена одна и та же задача — увеличить мощность гомологичной структуры на один и тот же процент (скажем, на 30 %). Быстрее всего эту задачу можно решить, усилив экспрессию нескольких специальных генов, но для этого вид должен успеть за отведенный ему судьбою срок зафиксировать несколько благоприятных мутаций. Темп фиксации последних при прочих равных условиях пропорционален скорости их возникновения, а она тем выше, чем больше генов участвует в контроле развития структуры. Таким образом, мы получаем удивительный результат: чем сложнее устроена лимитирующая структура, тем больше шансов у обладающего ею вида на филетическое выживание, и, наоборот, чем проще она устроена, тем больше у вида шансов на вымирание. Напомним, что для равенства всех прочих условий степень благоприятности мутаций не должна зависеть от числа специальных генов, а это выполняется при мультипликативном характере генетического контроля.

Генетически сложная структура может быстро изменить свою мощность и в противоположном направлении, т. е. снизить ее. Для этого достаточно ослабить экспрессию нескольких специальных генов. Поэтому сложно устроенная структура сообщает виду повышенные шансы на выживание даже в ситуации, когда среда как бы благоприятствует более примитивным. Вид — обладатель генетически примитивной структуры не может быстро сделать ее еще примитивнее, так как слишком мало генов контролирует ее развитие. Таким образом, вне зависимости от того, чего требует окружающая среда от рабочей структуры — усиления или ослабления — главное, что определяет судьбу вида, заключается в скорости изменения мощности лимитирующей структуры. Во всех случаях больше шансов на выживание имеют виды, у которых такая структура управляется большим числом генов.

Это обстоятельство можно выразить в терминах более обычных для теории эволюции: на виды, эволюционирующие в одной адаптивной зоне, постоянно действует отбор, благоприятствующий увеличению генетической сложности структур, от которых среда регулярно требует усиления или ослабления функции. Такой отбор имеет смысл назвать мобилизующим, так как главная «цель», которую он преследует, заключается в увеличении мобильности структур, наиболее часто лимитирующих скорость адаптации.

Итак, мобилизующий отбор ведет к постоянному увеличению числа специальных генов лимитирующей структуры. Откуда эти гены берутся? Создать совершенно новый ген за короткое время невозможно. Может быть где-то в геноме хранится запас готовых к употреблению генов? Однако такого запаса нет и быть не может, так как если ген не работает, то он не проверяется на качество очищающим отбором. Аллельный состав такого гена подчиняется только законам нейтральной эволюции, поэтому под действием мутационного давления через несколько миллионов лет все локусы генного резерва были бы замещены бессмысленными аллелями, превратились бы, как говорят, в хлам из ДНК.

Однако для увеличения числа специальных генов, контролирующих развитие лимитирующей структуры, можно воспользоваться вполне исправными генами, которые в данный момент обслуживают другие структуры. Такой ген (из сферы обслуживания других функций) можно было бы удвоить (дуплицировать), а его дополнительную копию, снабдив новыми контролирующими элементами, направить в распоряжение лимитирующей структуры. Хотя этот путь вполне реален, у него есть один недостаток — он ведет к увеличению наследственной информации генома, а следовательно, и к росту мутационного генного груза.

Конечно, добавление одного лишнего гена — пустяк, и очищающий отбор этого даже не заметит. Но надо полагать, объем наследственной информации генома был доведен до предельной черты еще на заре эволюции многоклеточных. Мы уже упоминали о гипотезе А.С. Кондрашова, по которой даже разделение особей на два пола, несмотря на все связанные с этим энергетические и информационные издержки, служит главным образом цели снижения мутационного груза. Таким образом, генные дупликации как стратегическое направление едва ли перспективны. Куда изящнее выглядит просто смена геном своей специализации (его перепрофилирование), когда ген, управлявший ранее развитием одной структуры, после соответствующей мутации начнет повышать мощность другой, лимитирующей, структуры.

Кроме того, вполне вероятно, что в измененной среде мощность некоторых структур может оказаться избыточной. На первый взгляд, это может показаться странным, но достаточно вспомнить о видах, заброшенных эволюционной судьбой в подземные пещеры. Многочисленные структуры зрительного анализатора, покровительственная окраска, формы поведения, рассчитанные на зрительное восприятие, — все это в полной темноте становится избыточным, излишним. Временная избыточность структур открывает путь к перепрофилированию их специальных генов. Развивая эту мысль, можно допустить, что изменение среды ведет к «перекачке» генов из системы обслуживания структур с избыточной мощностью в состав специальных генов лимитирующей структуры.

Илон Маск рекомендует:  Что такое код imagesetthickness

Генная специализация

Организм представляется нам совокупностью взаимодействующих друг с другом морфологических рабочих структур, при этом на клетки мы смотрим как на элементарные единицы нескольких типов, которые могут размножаться и производить молекулярные продукты, нужные не им самим, а организму в целом. Такими продуктами могут быть и пищеварительные ферменты, и гормоны, и эмбриональные индукторы. Поскольку функция генов, управляющих синтезом этих продуктов, заключается в создании над клеточного уровня организации, мы можем назвать их генами межклеточного взаимодействия.

В то же время нам хорошо известно, что клетки далеко не атомы. Для реализации основных клеточных процессов — репликации ДНК, синтеза и созревания РНК, синтеза белков, производства и запасания энергии, работы митотического аппарата и многого другого — задействованы тысячи генов. Их принято называть генами домашнего хозяйства. Таким образом, все гены многоклеточного организма можно разделить на два обширных класса — гены межклеточного взаимодействия, ответственные за создание надклеточных структур, и гены домашнего хозяйства, нужные для работы любой клетки.

Гены с новой молекулярной функцией появляются в процессе эволюции очень редко, поэтому рядовой эволюционный сдвиг межвидового ранга связан не с появлением качественно новых генов, а с изменением времени, места и, главное, уровня экспрессии уже имеющихся. Для увеличения числа специальных генов необходимо выполнение двух условий. Во-первых, какой-нибудь «посторонний» ген нужно снабдить новым цис-элементом, чтобы он мог работать в клетках, формирующих рабочую структуру, во-вторых, перепрофилированный ген должен включиться в программу развития лимитирующей структуры, т. е. он увеличит ее мощность. Правда, события подобного рода не могут происходить часто, так как в окрестности специального гена должна появиться вполне конкретная, хотя и короткая, последовательность ДНК.


Вместе с тем уже простого изменения взаимного расположения цис-элементов вблизи кодирующих последовательностей может хватить для ощутимого сдвига уровня генной экспрессии. Очевидно, что такого рода мутации могут происходить не так уж редко. Однако какой бы малой ни казалась нам вероятность перепрофилирования локусов, прямой анализ строения генов, обслуживающих морфологические структуры, часто указывает на их происхождение от генов домашнего хозяйства. Особенно впечатляют в этом отношении белки хрусталика глаза — кристаллины. ?-кристаллины явно родственны белкам теплового шока, а ?-кристаллин птиц и рептилий фактически является одной из форм фермента метаболизма глюкозы — лактатдегидрогеназы.

Основные функции многоклеточного организма в значительной мере обеспечиваются его надмолекулярными структурами. Каждая из них возникает в ходе индивидуального развития под контролем своих специальных генов, работа которых так тонко увязана между собой (в программу развития), что изменение экспрессии любого из них немедленно отражается на функции взрослой структуры. Фактически это означает, что возникающие с повышенной частотой мутации по генной экспрессии начинают выступать в роли мутаций, ослабляющих или усиливающих мощность рабочих структур. Отметим, что изменения наследственного материала, ведущие к увеличению числа специальных генов надклеточных рабочих структур, можно с полным основанием отнести к мутациям, повышающим «выход» благоприятных мутаций.

Математическая модель мобилизующего отбора

Попробуем более формально проанализировать механизм действия мобилизующего отбора. Представим себе, что в какой-то адаптивной зоне обитает большое число родственных видов, обладающих одним и тем же признаком — гомологичной и изофункциональной рабочей структурой. Пусть величина этого признака (под которым в данном случае мы понимаем логарифм мощности структуры) определяется суммарным вкладом его специальных генов. Каждый из них может находиться в двух аллельных состояниях 1 и 0. Аллель 1 соответствует активному состоянию гена (когда он экспрессируется), аллель 0 — отсутствию экспрессии. Таким образом, величина признака (Z) определяется числом специальных генов, находящихся в активном состоянии. Полное число генов (G) в геноме разных видов постоянно, тогда как число специальных генов (N), определяющих степень развития признака, различно. Гены, не вошедшие в состав специальных (их число равно G — N), будем называть «сторонними». Они определяют развитие каких-то других (сторонних) признаков.

В среде обитания время от времени происходят медленные однонаправленные изменения, когда над каждым видом нависает реальная угроза гибели. Избежать вымирания вид может за счет компенсаторного изменения величины признака на какое-то число единиц. (Что соответствует увеличению мощности рабочей структуры в какое-то число раз.) Увеличение признака на одну единицу может произойти за счет фиксации мутаций двух типов. Во-первых, это могут быть мутации, активирующие специальные гены, и, во-вторых, мутации, переводящие ген из разряда «сторонних» в разряд специальных (с аллельным состоянием 1). Точно так же сдвиг признака в сторону его уменьшения может быть достигнут либо инактивацией одного специального гена, либо переводом активного специального гена в состав «сторонних».

Для своего филетического выживания каждый вид должен за единицу макроэволюционного времени осуществить фиксацию нескольких благоприятных мутаций (любого типа), изменяющих признак на требуемую величину ?Z. Донорами этих мутаций являются чаще всего специальные гены признака, так как изменение экспрессии гена — более вероятное событие, чем его перепрофилирование. Соответственно вероятность филетического выживания вида (его адаптируемость) будет расти с увеличением числа специальных генов (N). Это создает предпосылки роста генетической сложности признака.

Такая простая модель позволяет осуществить машинный эксперимент. На каждом шаге модели в окружающей среде каждого вида происходят случайные изменения, которые никак не связаны с изменением среды обитания остальных видов. От одних видов среда требует увеличения признака, а от других — уменьшения. Всю эту картину можно передать типом распределения величины ?Z. В данном эксперименте мы остановились на биномиальном симметричном распределении. С подробностями вычисления вероятностей выживания видов в новых условиях среды можно ознакомиться в книге «Основные факторы макроэволюции».

Рис. 27. Моделирование динамики видовых распределений по величине признака (а) и числу его специальных генов (б). Приведенные распределения (слева направо) соответствуют 20, 50, 100, 200, 800-му шагу модели. Последнее распределение финальное.

Проследим за изменением видовых распределений по величине признака (рис. 27, а). В начальный момент все виды обладают минимальным значением признака, поскольку его развитие обеспечивает всего один специальный ген. Однако завершается машинная эволюция широким финальным распределением со средним значением, равным 18,4. Таким образом, несмотря на то, что среда с равной вероятностью благоприятствует как увеличению, так и уменьшению значения признака, его средневидовая величина ( ) неуклонно растет. Правда, параллельно с этим нарастает и уровень межвидовых различий по степени развития признака (?z) (рис. 28). В итоге даже в финальном распределении после долгой эволюции сохраняется довольно много видов с «архаичной», «примитивной», величиной признака.

По-иному ведет себя распределение видов по числу специальных генов (рис. 27, б). По скорости роста среднего значения оно значительно опережает рассмотренное выше распределение по величине признака. Напомним, что рост числа специальных генов отражает усложнение генетической программы развития признака. Своеобразие динамики распределения видов по числу специальных генов состоит в том, что его размах стабилизируется гораздо раньше, чем среднее значение; поэтому в течение длительного отрезка времени мы наблюдаем практически параллельный снос вправо всего распределения. Следовательно, аккумуляция специальных генов идет со сходной скоростью во всех филетических линиях нашей эволюционирующей группы. Финальное распределение соответствует крайней специализации видов в отношении данного признака, поскольку большая часть генов генома попадает в разряд специальных (их среднее число равно 36,2). Ясно, что завершение процесса специализации обусловлено исчерпанием возможностей генома, число генов которого в данной модели неизменно (G=50).

Рис. 28. Изменение среднего значения ( ) и сигмы (?) распределений, представленных на рис. 27.

Так как мобильность признака определяется прежде всего числом специальных генов, то рост их среднего числа можно интерпретировать как рост мобильности признака. Мы видим, что модель вполне адекватно передает суть мобилизующего отбора.

Сравнивая оба типа финальных распределений (по N и по Z), следует отметить, что виды «архаичные» и «примитивные» в отношении величины признака оказываются вполне «продвинутыми» по его генетической сложности. Кажущаяся архаичность, очевидно, обусловлена низким уровнем экспрессии большинства специальных генов. Однако мобильность признака у этих «псевдоархаичных» видов довольно высока, поэтому, если начать эволюцию именно с них, финальное распределение достигается гораздо быстрее.

При сравнении данных модельных распределений с реальными распределениями аммоноидей по сложности сутуры нельзя не отметить их разительного сходства, которое распространяется даже на пропорциональность среднего значения и сигмы. Все это позволяет нам предположить, что сущность прогресса лопастной линии состояла в увеличении ее мобильности и, по-видимому, эта цель была достигнута аммоноидеями к началу юры, когда они «освоили» все способы рассечения сутуры.

Принцип максимальной адаптируемости

За долгие 700–800 миллионов лет истории многоклеточных предки каждого современного вида прошли через сотни (а может быть, и тысячи) актов проверки на адаптируемость. В связи с этим на каждую особенность строения современных организмов мы можем взглянуть как на приспособление, повышающее шансы вида на филетическое выживание. Иными словами, организация современных живых существ в какой-то степени должна отвечать принципу максимальной адаптируемости, т. е. максимальной скорости фиксации благоприятных мутаций.

Рассмотрим филетическую группу гипотетических организмов, обладающих всего двумя функционально независимыми рабочими структурами А и Б. Во внешней среде временами случаются два типа изменений: один «требует» усиления (или ослабления) мощности структуры А, а другой предъявляет аналогичные требования к структуре Б. Хотя эти изменения происходят совершенно случайно, их можно охарактеризовать своими частотностями (вероятностями). Например, изменения первого типа могут случаться в 2 раза чаще, чем второго, тоща суммарное время, в течение которого мобилизующий отбор «увеличивает» число специальных генов структуры А, будет в 2 раза больше, чем время, когда он «добавляет» гены к структуре Б. Если число генов в геноме постоянно, то через некоторое время между специальными генами обеих структур должно установиться динамическое равновесие в соответствии с вероятностями требований к ним среды. При этом структура А «перетянет» на себя в 2 раза больше генов, чем структура Б.

Заметим, что именно специальные гены и являются основными поставщиками благоприятных аллелей для движущего отбора, когда среда «требует» изменения той или иной структуры. Очевидно, что по «выходу» благоприятных мутаций структура A в 2 раза превосходит структуру Б, точно отражая соотношение численностей их специальных генов (а стало быть, и мобильностей). Иными словами, при одном и том же давлении отбора на обе структуры благоприятные мутации по структуре А будут возникать и фиксироваться вдвое чаще, чем по структуре Б.

Теперь снабдим наши гипотетические организмы большим числом функционально независимых структур, при этом будем считать, что адаптивная зона предъявляет к каждой из них требования со своей характерной частотой.

Совершенно ясно, что после длительной эволюции между численностями специальных генов отдельных структур установятся равновесные соотношения, которые будут соответствовать вероятностям требований среды к изменению их мощности. Фактически это можно трактовать как приобретение организмами знаний о своей адаптивной зоне. Филетическая линия как бы изучает среду обитания и приобретенные знания воплощает в генетическую сложность морфологических структур. Чем чаще структура лимитировала адаптацию в прошлом, тем она сложнее, тем выше выход благоприятных мутаций при отборе, направленном на ее изменение, и тем легче будет вид преодолевать в грядущем изменения среды, типичные для его адаптивной зоны. В итоге максимальной мобильности достигает орган, чья мощность чаще всего оказывается недостаточной (или избыточной) для проникновения вида в соседнюю экологическую нишу. Это означает, что в филетических линиях, вполне освоивших свое экологическое пространство, выход благоприятных мутаций достигает максимума.

Более того, сам характер генного контроля мощности рабочих структур (мультипликативный) отвечает принципу максимальной адаптируемости. Во-первых, эффект мутации по любому специальному гену одинаково хорошо заметен для отбора и, во-вторых, величина этого эффекта не зависит от числа специальных генов. Такой тип генного контроля, очевидно, является следствием длительного движущего отбора, способного «видеть» лишь, во сколько раз (т. е. на какой процент) рабочая структура у особи с благоприятным аллелем развита сильнее (или слабее), чем у остальных членов популяции (см. гл.5). Повышенная чувствительность структуры к мутациям достигается при подчинении ее специальных генов единой программе развития, когда активность более поздних генов определяется активностью более ранних. Таким образом, привычный для нас характер возникновения структур в ходе онтогенеза соответствует принципу максимальной адаптируемости.

Мобилизующий отбор в простой среде

Мы всегда склонны считать окружающий мир сложным. Выражение «жизнь сложна» воспринимается нами как аксиома. Однако посмотрим на нашу жизнь попристальнее. За выполнение довольно простой и монотонной работы мы получаем деньги, которые затем обмениваем на пищу и кров. Кроме того, существующая плотность населения вполне достаточна для гарантии случайной встречи с особью другого пола. Теперь посмотрим, как решал те же проблемы первобытный человек. Попробуйте-ка выследить оленя и застрелить его из лука или найти в лесу съедобные растения и прокормить ими себя и своих детей. Да и спутника жизни обычно приходилось искать за тридевять земель на территории, занятой другим, нередко агрессивно настроенным родом. Сколько опасностей нужно было избежать при решении всех этих задач. Ясно, что жизнь современного человека намного проще.


Адаптивные зоны филетических групп также различаются по степени сложности. В простых зонах повышенные требования предъявляются к одной из основных функций, поэтому действие мобилизующего отбора направлено на специализацию генов в отношении ограниченного круга рабочих структур. В итоге данные структуры усложняются, а большинство других упрощается (деградирует). Такая эволюционная стратегия традиционно называется специализацией и не считается прогрессом, хотя, с чисто структурной точки зрения, некоторые органы достигают удивительной сложности. Повышенная мобильность небольшого числа структур обеспечивает соответствующие филетические группы высоким темпом ветвления в простых адаптивных зонах. Беда только, что сами эти зоны не отличаются долговечностью, а с их исчезновением гибнет и все многообразие специализированных форм. По-видимому, именно эта стратегическая обреченность специализации не позволяет нам признать ее структурные успехи за прогресс.

В отличие от прогресса проблема деградации привлекает к себе меньше внимания, что, вероятно, связано с оптимистичностью нашей натуры. Под деградацией обычно понимают вторичное упрощение рабочих структур. Так, переход к паразитизму ведет к ликвидации большинства структур, ранее обслуживавших функции доставки, удаления, гомеостаза и охраны. Червь, проникший в наш кишечник, получает доступ к уже переваренной пище. Ему не надо бояться хищников, поскольку это наша забота. От него же требуется только защититься от пищеварительных ферментов с помощью специальной кутикулы, прикрепиться с помощью крючков и присосок к стенке нашего кишечника и все. Единственной неудовлетворенной потребностью остается размножение. Правда, структуры, призванные для разрешения этой проблемы, достигают здесь необыкновенной сложности.

Важнейшим приспособлением к паразитическому образу жизни обычно является колоссальная плодовитость. Так, у трематод мало того, что взрослые черви производят огромное число яиц, но и их личинки, проходя несколько стадий, могут на любой из них размножаться бесполым путем. При этом нередко каждая личиночная стадия протекает только в организме специфичного промежуточного хозяина.

В то же время, если среда обитания вида-хозяина стала изменяться катастрофическим образом, то виды-паразиты должны успеть покинуть его (как крысы тонущий корабль) и подобрать себе другого хозяина. Адаптируемость для них — это прежде всего легкость смены видов-хозяев. Поэтому «деградацию» в данном случае можно рассматривать как колоссальный прогресс функции воспроизведения, «оттянувшей» на себя большую часть генов межклеточного взаимодействия. Эффективность такой стратегии демонстрирует и таксономический успех паразитов. Например, тип плоских червей насчитывает около 12,5 тысячи видов, из которых свободный образ жизни в сложных средах ведет всего около трех тысяч, остальные (9,5 тысячи) — паразиты.

Мобилизущий отбор в сложной среде

Иная судьба складывается у филетических групп, эволюционирующих в сложных адаптивных зонах, где регулярно предъявляются требования к гораздо большему числу рабочих структур. В этих условиях мобилизующий отбор не может обеспечить одну из них большим числом специальных генов, поэтому рабочие структуры чаще всего сохраняют «примитивный», «архаичный» вид. Эволюцию таких форм нельзя назвать бурной, их скромные структурные успехи теряются на фоне ярких достижений специализированных филетических групп. Зато овладение сложной средой обеспечивает архаичные (неспециализированные) формы весьма продолжительным существованием.

Вместе с тем для этих «прозябающих» неспециализированных групп существует одна возможность — под давлением мобилизующего отбора резко поднять уровень адаптируемости. Она состоит в объединении специальных генов двух (или большего числа) рабочих структур для контроля развития одной новой, мобильность которой после такого объединения должна существенно возрасти. Данные сравнительной морфологии свидетельствуют о весьма широком распространении эволюционной тенденции к созданию морфологически сложных (составных) органов, возникших после интеграции нескольких более простых.

Рис 29. Зубы акулы (по: [Оммани, 1975]).

Случайные эволюционные стратегии в машинном обучении

Нейронные сети учатся совсем не так как люди. Оптимизация нейронной сети — на самом деле градиентный спуск по некоторой функции потерь , где переменными являются веса слоёв . Это очень мощный подход к подстройке системы, который применяется также в физике, экономике и многих других областях. На данный момент предложено немало конкретных методов градиентного спуска, но все они предполагают, что градиент хорошо себя ведёт: нет обрывов, где он скачкообразно возрастает, или плато, где он обращается в ноль. С первой проблемой можно разобраться при помощи gradient clipping, но вторая заставляет тщательно подумать. Кусочно-линейную или дискретную функцию нетривиально ограничить более приятной функцией

Под катом много формул и гифок.

Около пяти лет назад начали появляться статьи, исследующие другой подход к обучению: вместо сглаживания целевой функции, давайте в таких случаях приближённо считать градиент. Определённым образом сэмплируя значения , можно предположить, куда следует двигаться, даже если в текущей точке производная ровно ноль. Не то чтобы подходы с сэмплированием были особо новы — Монте-Карло уже много времени дружит с нейронными сетями — но недавно были получены новые интересные результаты.

За основу этой статьи были взяты записи в блоге Ferenc Huszár.

Random Evolution Strategy (ES)

Идея довольно проста. При стандартном градиентном спуске мы на каждом шаге смотрим наклон поверхности, на которой находимся, и двигаемся в сторону наибольшего уклона. В ES мы «обстреливаем» близлежащую окрестность точками, куда мы можем предположительно двинуться, и перемещаемся в сторону, куда попало больше всего точек с наибольшей разницей высот (причём, чем дальше точка, тем больший ей придаётся вес).

Доказательство тоже несложное. Предположим, что на самом деле функцию потерь можно разложить в ряд Тейлора в :

Умножим обе стороны на :

Отбросим и возьмём матожидание от обоих сторон:

Но нормальное распределение симметрично: , , :

Поделим на и получим исходное утверждение.

В случае кусочно-ступенчатой функции получившаяся оценка будет представлять градиент сглаженной функции без надобности вычислять конкретные значения этой функции в каждой точке; в статье даны более строгие утверждения. Также в случае, когда функция потерь зависит от дискретных параметров (т.е. ), можно показать что оценка остаётся справедливой, так как при доказательстве можно поменять местами порядок взятия матожидания

Что часто невозможно для обычного SGD.

Посмотрим на функцию, сглаженную при помощи сэмплирования из . Ещё раз: в действительности нет смысла считать , нам нужны лишь производные. Однако, подобные визуализации помогают понять, по какому ландшафту реально производится градиентный спуск. Итак, зелёный график — исходная функция, синий — как она выглядит для алгоритма оптимизации после оценки градиента сэмплированием:

Илон Маск рекомендует:  Запуск нескольких задач одновременно

Чем больше сигма распределения, тем меньше проявляет себя локальная структура функции. При слишком большом размахе сэмплирования алгоритму оптимизации не видны узкие минимумы и ложбины, по которым можно перейти из одного хорошего состояния в другое. При слишком малом — градиентный спуск может так и не стартовать, если точка инициализации была выбрана неудачно.


Градиентный спуск автоматически находит самый устойчивый минимум на середине плато и «туннелирует» сквозь резкий пик.

Достоинства такого подхода по сравнению с обычным градиентным спуском:

  • Как уже упоминалось, не обязана быть дифференцируемой. В то же время, никто не запрещает применять ES даже когда можно честно посчитать градиент.
  • ES тривиально параллелится. Хоть и существуют параллельные версии SGD, они требуют пересылать веса между нодами-рабочими или нодами и центральным сервером. Это очень затратно, когда слоёв много. В случае эволюционных стратегий каждая из рабочих станций может считать свой набор . Переслать довольно просто — обычно это просто скаляры. пересылать так же сложно как и , однако делать этого нет надобности: если всем нодам известен алгоритм сэмплирования случайных чисел и seed генератора, они могут симулироватьдруг друга! Производительность такой системы увеличивается почти что линейно при масштабировании, что делает распределенную версию ES просто невероятно быстрой, когда доступно большое число станций для проведения обучения. OpenAI рапортует об обучении MuJoCo за 10 минут на 80 машинах с 1440 CPU.
  • Сэмплирование вносит шум в вычисление градиента, что делает обучение более устойчивым. Сравните с dropout’ом при обучении нейронных сетей обычным образом.
  • ES не зависит от frame-skip при RL (см. например здесь) — одним гиперпараметром меньше.
  • Также утверждается, что эволюционные стратегии позволяют проводить обучение легче, чем обычный SGD, когда между действием в RL и положительным откликом может пройти большое количество времени, и в шумных условиях, когда непонятно, какое изменение помогло улучшить результат (меньше проявляет себя ситуация, когда сеть в начале обучения долго не может понять, что нужно делать в виртуальном окружении и лишь дёргается на месте).

Какие же недостатки?

  • Графики в статье OpenAI выглядят не так уж чтобы лучезарно. Обучение при помощи ES занимает в 2-10 раз больше эпох, чем обучение при помощи TRPO. Авторы защищаются тем, что когда доступно большое число рабочих машин затраченное реальное время оказывается в 20-60 раз меньше (хоть каждое обновление приносит меньше пользы, мы можем делать их гораздо чаще). Здорово, конечно, но где бы ещё взять 80 рабочих нод. Плюс, как будто бы итоговые результаты немного хуже. Наверное, можно «добить» сеть более точным алгоритмом?
  • Шум в градиентах — палка о двух концах. Даже при одномерной оптимизации они оказываются слегка нестабильными (см. шум на синих кривых на графиках выше), что уж там говорить, когда очень многомерный. Пока что непонятно, насколько серьёзную проблему это представляет, и что с этим можно сделать, кроме как увеличить размер выборки сэмплирования.
  • Неизвестно, можно ли эффективно применить ES в обычном обучении с учителем. OpenAI честно сообщает, что на обычном MNIST ES может быть в 1000 (!) раз медленнее, чем обычная оптимизация.

Вариации ES

Дополнительное положительное качество эволюционных стратегий — что они лишь подсказывают нам, как считать производную, а не заставляют переписывать алгоритм обратного распространения ошибки начисто. Всё, что можно применить к backprop-SGD, можно применить и к ES: импульс Нестерова, Adam-подобные алгоритмы, batch normalization. Есть несколько специфичных дополнительных приёмов, но пока что нужно больше исследований, при каких обстоятельствах они работают:

  • ES позволяет оценивать не только первую, но и вторую производную . Чтобы получить формулу достаточно расписать ряд Тейлора в доказательстве выше до пятого члена, а не до третьего и отнять от него полученную формулу для первой производной. Впрочем, похоже, что делать это стоит лишь из научного любопытства, так как оценка получается ужасно нестабильной, а Adam и так позволяет эмулировать действие второй производной в алгоритме.
  • Не обязательно использовать нормальное распределение. Очевидные претенденты — распределение Лапласа и t-распределение, но можно придумать и более экзотические варианты.
  • Не обязательно сэмплировать лишь вокруг текущего . Если запоминать предысторию движения по пространству параметров, можно сэмплировать веса вокруг точки немного по направлению движения.
  • Во время обучения можно периодически перепрыгивать не по направлению градиента а просто в точку с наименьшим . С одной стороны, это дестабилизирует обучение ещё больше, с другой стороны, такой подход хорошо работает в сильно нелинейных случаях с большим количеством локальных минимумов и седловых точек.
  • Статья Uber от декабря 2020 предлагает novelty reward seeking evolution strategies (NSR-ES): в формулы обновления весов добавляется дополнительный член, поощряющий новые стратегии поведения. Идея внедрения разнообразия в reinforcement learning не нова, очевидно, что её попытаются приткнуть и сюда. Получившиеся алгоритмы обучения дают заметно более хорошие результаты на некоторых играх датасета Atari.
  • Также есть статья, утверждающая, что необязательно пересылать результаты со всех нод всем остальным нодам: прореженный граф общения между рабочими станциями не только быстрее работает, но и выдаёт более хорошие результаты (!). По свей видимости, общение не со всеми собратьями по обучению работает как дополнительная регуляризация наподобие dropout’а.

См. также эту статью, дополнительно размышляющую о разнице поведения ES и TRPO в ландшафтах параметров разного типа, эту статью, более подробно описывающую взаимоотношения между ES и SGD, эту статью, доказывающее внеземное происхождение египетских пирамид, и эту статью, сравнивающую ES от OpenAI с более старой классической ES.

Variational optimisation (VO)

Хм, но почему ни слова не сказано про изменение во время обучения? Было бы логично уменьшать его, ведь чем дольше идёт обучение, тем ближе мы к желаемому результату, следовательно нужно больше обращать внимание на локальный ландшафт . Вот только как именно менять среднеквадратичное отклонение? Не хочется изобретать какую-то хитрую схему…

Оказывается, всё уже придумано! Evolution strategies — это частный случай вариационной оптимизации для фиксированного .

Вариационная оптимизация зиждется на вспомогательном утверждении о вариационном ограничении сверху: глобальный минимум функции не может быть больше, чем среднее по значениям , как бы мы эти ни сэмплировали:

Где — вариационный функционал, глобальный минимум которого совпадает с глобальным минимумом . Заметьте, что теперь минимизация идёт не по исходным параметрам , а по параметрам распределения, из которого мы семплировали эти параметры — . Кроме того, обратите внимание, что даже если была недифференцируема, дифференцируема, если дифференцируемо распределение , и производную можно выразить как:

Если — распределение Гаусса с фиксированной дисперсией, из этой формулы легко получить формулу для ES. Но что если не фиксирована? Тогда на каждый вес в у нас получается два параметра в : центр и среднеквадратичное отклонение соответствующей гауссианы. Размерность задачи увеличивается вдвое! Проще всего показать на одномерном примере. Вот вид сверху на получившийся после преобразования ландшафт для функции из предыдущей секции:

И спуск по нему:

Его значения в точке соответствуют средним по значениям, сэмплированным из точки при помощи нормального распределения со среднеквадратичным отклонением . Отметим, что

  • Снова: в реальной жизни нет смысла считать считать эту функцию. Как и в случае ES нам нужен только градиент.
  • Теперь мы минимизируем , а не .
  • Чем меньше , тем больше сечение напоминает исходную функцию
  • Глобальный минимум достигается при . В конечном итоге нам понадобится только , а можно отбросить.
  • В глобальный минимум одномерной функции довольно сложно попасть — он огорожен высокими стенками. Однако если начать из точки с большим , сделать это становится гораздо проще, так как чем больше сглаживание, тем сильнее сечение функции напоминает обычную квадратичную функцию.
  • Тем не менее, лучше воспользоваться Adam, чтобы попасть в узкую ложбину минимума.

Какие преимущества даёт введение вариационной оптимизации? Оказывается, из-за того что в ES был фиксированный , его формула могла вести нас в сторону субоптимальных минимумов: чем больше , тем менее на ландшафте сглаженной функции заметны глубокие, но узкие минимумы.

Так как в VO перменный, у нас есть хотя бы шанс попасть в настоящий глобальный минимум.

Недостатки очевидны: даже в самом простом случае размерность задачи увеличивается вдвое, что уж говорить про случай, когда мы хотим иметь по на каждое направление. Градиенты становятся ещё более нестабильными.

Вспомните график выше со «стенкой» посередине. VO ощущает её ещё меньше:

(бывшая стенка — это маленькая штучка снизу посередине)


Хоть сходимость в глобальный минимум не гарантирована даже для простых случаев, у нас больше шансов попасть хоть куда-нибудь при неидеальной инициализации:

Или даже выбраться из участка плохой пространственной инициализации:

Заключение

Статья в OpenAI принесла в вариационную оптимизацию трюк с общим seed’ом генераторов случайных чисел различных нод. Но пока что (кажется?) нет статей, в которых оценивается реальное ускорение от него. Сдаётся мне, в ближайшем будущем, мы их увидим. Если они будут обнадёживающи, и если ES и VO будут распространены на обучение с учителем, быть может, нас ждёт смена парадигмы в машинном обучении.

Скачать код, с помощью которого были построены визуализации, можно здесь. Посмотреть на другие визуализации и узнать про связь вышеописанных методов с генетическими алгоритмами, Natural Evolution Strategies и Covariance-Matrix Adaptation Evolution Strategy (CMA-ES) можно здесь. Пишите в комментариях, если кому-то интересно посмотреть, как поведут себя ES и VO на какой-то определённой функции. Спасибо за внимание!

Эволюция автомобилей (длиннопост)

Дубликаты не найдены

И все же стоит заметить, что очень много старых машин красиво смотрятся и сейчас.

З.Ы. но к российскому автопрому это не относится.

так, меня тут печенько потдерживает. что за школоло делало пост? там где скаи, нихуя не скай в 2012. это GT-R и нихера не скай, отдельная модель, вот последний, 35скай, очень уж похож на тиану. а вот что пишут на вики про гт р «GT-R[править | править исходный текст]

Основная статья: Nissan GT-R
В 2008 году в продажу вышел спорткар, получивший название Nissan GT-R. Компания Nissan решила назвать свой «заряженный» автомобиль просто GT-R, так как все предыдущие спортивные авто были лишь модификацией Skyline, а теперь это совершенно другой автомобиль, не имеющий с ним ничего общего.» и хочу заметить что совсем не 12 год, а 8, и если я нашёл это, то что можно думать об остальном?

Физик Алексей Мелких бросает вызов Чарлзу Дарвину

Неожиданный подход к изучению ДНК: уральский ученый утверждает, что в этой молекуле записан код, согласно которому развивается все живое на Земле. «Огонек» поговорил с физиком, который взялся поправить теорию эволюции.

Беседовала Елена Кудрявцева

Доклад о «направленной эволюции», прозвучавший на конференции «Развитие жизни: вопросы эволюции и развитие организмов» наделал шума. Профессор Уральского университета, доктор физико-математических наук Алексей Мелких презентовал свою теорию, которая, по его мнению, должна прийти на смену дарвиновской. До этого основные аспекты своего 20-летнего исследования он изложил в уважаемых журналах — Origin of Life and Evolution of Biospheres, Biosystems, Progress in Biophysics and Molecular Biology. О том, куда и, главное, зачем движется эволюция, «Огонек» расспросил автора теории.

Профессор Уральского университета, доктор физико-математических наук Алексей Мелких

Фото: Из личного архива

— Расскажите, почему вы, физик по образованию, занимаетесь эволюцией?

— После окончания Уральского технического университета я занимался проблемой транспортировки веществ через мембрану клеток и статистической физикой. Однажды в кулуарах услышал чью-то точку зрения, что если эволюция действительно происходила путем случайных мутаций и естественного отбора, то время, необходимое для подобного перебора полезных вариантов, не сопоставимо со всем временем существования нашей Вселенной.

Но в целом я не первопроходец, есть серьезные работы на этот счет — скажем, «Номогенез» российского биолога Льва Берга. Он говорил об эволюции как о процессе, протекающем по определенным законам, не сводимым к воздействиям среды обитания.

— Давайте начнем с начала в буквальном смысле. Согласно популярной теории Опарина и Холдейна, 4 млрд лет назад на древней Земле самопроизвольно зародились органические вещества. А затем из них каким-то образом сложились первые организмы. Вы, если я правильно понимаю, утверждаете, что никакой случайности в этом не было?

— Если говорить о самых ранних стадиях эволюции, то там больших противоречий нет. Противоречия возникают, когда появляются сложные системы и проблема перебора вариантов, когда первые молекулы, например мРНК или ДНК, начинают что-то кодировать. И вот уже с этого этапа теория Дарвина не работает. Я не отрицаю, что случайные мутации и отбор существуют, но они не могут быть главной причиной эволюции.

— Астроном Фред Хойл как-то сказал: вероятность случайного получения живой клетки примерно равна вероятности самосборки «Боинга-747» от торнадо на мусорной свалке.


«Огонек» разобрался как представляли развитие жизни ученые прошлого

— Совершенно верно. Представьте, даже простейшая бактерия имеет миллион нуклеотидов — это те «кирпичики», из которых состоят гены. Таких нуклеотидов — четыре вида, соответственно полное число вариантов равно 4 в степени миллион. Так что, если бы простейшая бактерия появилась методом простого перебора, для этого действительно не хватило бы времени жизни Вселенной. Что уж говорить о более сложных организмах, об обилии видов и о самом человеке, у которого геном — 3 млрд нуклеотидов. Это и есть основной аргумент. То есть в целом с увеличением длины ДНК число вариантов генома растет экспоненциально, и когда число нуклеотидов становится больше, чем 102–103, перебор вариантов становится невозможным за то время, какое существует Вселенная. Эволюция должна иметь направленность, иначе никакие виды не могли бы появиться.

— Что же ею движет?

— Направленность эволюции обусловлена квантовыми эффектами в биологически важных молекулах — в белках, ДНК и РНК. Внутри них в квантовых степенях свободы зашита вся информация, которая постепенно разворачивалась и включалась в процессе эволюции. Хорошую аналогию можно привести из ботаники: если вы посадите семечко березы, то у вас вырастет именно береза, а не что-то другое, потому что в семечке есть программа ее развития. Примерно такие же процессы мы наблюдаем в эволюции Вселенной. Именно квантовая механика (нетривиальные квантовые эффекты) позволяет решить парадокс Левинталя, который до сих пор не разрешен в биологии.

— Можно поподробнее про парадокс?

Какой эволюционный процесс влияет на птичий окрас

— Речь идет о работе белков. Дело в том, что белок состоит из очень большого количества аминокислот, которые в живой клетке могут соединиться невероятно большим количеством способов. Но для продолжения жизни подходит одна-единственная комбинация. Перебор всех возможных вариантов укладки белковой цепи займет время, также превышающее время жизни Вселенной. Однако белок успевает найти верный вариант в течение считаных секунд или долей секунды. Мы можем это объяснить, если предположим, что в белке изначально закодировано определенное количество квантовых степеней свободы и только из них он может «выбирать».

— Что же является носителем этих квантовых эффектов?

— До конца это не ясно, я предположил, что это квантовые поля. Чтобы ответить на этот вопрос, нужно провести большое число экспериментов. Например, нужно наблюдать за изменениями генома в клетке в режиме реального времени, то есть на очень малых расстояниях и временах, равных фемтосекундам. Когда мы сможем это сделать, то увидим, что мутации в генах происходят в основном не случайно, а направленно, в соответствии с силами, которые в них действуют. В настоящее время наши эксперименты очень грубые: мы видим лишь то, что с геномом происходит сейчас и что было раньше. Но как именно одни нуклеотиды заменились на другие — мы не знаем.

— Какие эксперименты это могут показать?

Как в Китае бросили вызов законам репродукции

— Сейчас в Гамбурге построен мощнейший Европейский рентгеновский лазер на свободных электронах. Это очень дорогостоящая установка, в которую, кстати, порядка 25 процентов стоимости вложила Россия. Длина волны рентгеновского лазерного излучения здесь будет меняться от 0,05 до 6 нм, что позволит проводить измерения на атомном масштабе длины. Так что, в принципе, такие исследования станут возможны.

— Откуда вообще этот код взялся? Похоже на подтверждение христианской концепции о сотворении мира разумным Творцом.

— Я не отношу себя ни к одной конфессии и рассуждаю исключительно как ученый. Эволюционный код — это такая же природная сила, которая априорно заложена в физических объектах. Мы же не говорим, что сила Ньютона была заложена кем-то свыше.

— Сила Ньютона — это простая величина, характеризующая взаимодействие объектов. Вы же говорите о гигантском коде, содержащем информацию о развитии всего живого. Чтобы его создать, нужно приложить огромное количество энергии. А если такой код все-таки возник, то каким образом попал в биологические молекулы?

Разгадать жизнь

Происхождение самой жизни и эволюция живого — самые популярные и одновременно самые спорные направления науки. «Огонек» собрал парадоксы, которые пока не могут разрешить ученые.

— Скорее всего он возник еще на ранних этапах развития Вселенной. Согласно современным космологическим теориям (например, теории большого отскока) до Большого взрыва Вселенная существовала. Я предложил модель, согласно которой Вселенная находилась в чистом квантовом состоянии. В этом состоянии закодированы все природные свойства — мировые константы, массы частиц и т.д. А после Большого взрыва они уже реализовались. Получается, первые молекулы вещества уже появились в соответствии с изначальным кодом. Затем они образовали необходимые биологические молекулы и так далее. Значит, законы направленной эволюции в конечном итоге являются следствием законов физики и начальных условий, характеризующих Вселенную.

— Что это меняет в нашей картине мира?

— Это означает для нас новые знания в картине жизни. Тот факт, что человек как высокоорганизованное существо, наделенное сознанием, появился не случайно, может кардинальным образом изменить наше мировоззрение.

— Тогда мы можем сказать, от чего к чему движется направленная эволюция. Если ею управляют мутации, то конечный результат непредсказуем. А здесь?

— Ну, это довольно сложный вопрос для ученых. В 1970-х известный ученый Джеймс Лавлок выдвинул гипотезу Геи, которая утверждает, что совокупность организмов биосферы тесно связана с физическими условиями в ней. Эту совокупность можно трактовать как единый организм с саморегулирующимися свойствами. Судя по всему, направленная эволюция должна вести к возникновению все более сложных биологических систем, наделенных сознанием, которые со временем достигнут размеров Галактики. Это что-то вроде гипотезы Геи по отношению к Вселенной как к целому.

Курс лекций по предмету «Основы проектирования систем с искусственным интеллектом»

Данный курс лекций является результатом моей лекторской работы в Днепродзержинском Государственном Техническом Университете. Курс ориентирован прежде всего на программистов, но я надеюсь, будет полезен всем интересующимся искусственным интеллектом. При составлении, автор ориентировался на уровень студентов 2-5 курсов технических специальностей. Очень надеюсь, что мне удалось соблюсти в лекциях такой уровень детализации описания алгоритмов, при котором, с одной стороны они остаются практически полезными (т.е. на основании лекций можно программировать практически работающие программы), а с другой стороны избежать излишней детализации, при которой курс становится необъятным и неоправданно раздутым.

Понравилась статья? Поделиться с друзьями:
Кодинг, CSS и SQL