MIT, Rice Üniversitesi ve Lund Üniversitesi'nden oluşan uluslararası bir araştırma ekibi, gözün evrimini simüle ederek doğadaki göz şekilleri çeşitliliğinin tesadüf değil seçilimin sonucu olduğunu gösterdi. Kushagra Tiwary'nin MIT'den ekibi “Ya Göz…?” adlı bir çerçeve geliştirdi. Bu, ajanların bir video oyunundaki oyun karakterlerine benzer şekilde 3 boyutlu bir ortamda gelişmesine olanak tanır, ancak insanlar tarafından kontrol edilmez, daha ziyade öğrenip değişir. Bu, hem böceklerin bileşik gözlerinin, hem de yırtıcı hayvanların ve insanların yüksek çözünürlüklü mercek gözlerinin (harici spesifikasyonlar olmadan) yaratılmasıyla sonuçlandı.
Reklamdan sonra devamını okuyun
Çalışma yakın zamanda “Science Advances” dergisinde yayınlandı; Çalışmanın ön baskı versiyonu bu yılın başından bu yana arXiv'de mevcut.
Tek oyunculu bir oyun olarak evrim
Çalışmanın merkezinde, Somutlaştırılmış Yapay Zeka olarak adlandırılan bir çerçeve yer alıyor. Araştırmacılar, temsilcilerini belirli oyun kurallarına sahip tek oyunculu oyunlar olarak modellediler: Bir temsilci, tıpkı bir oyuncunun puan toplaması gibi, başarılı eylemler için (“ödüller” olarak adlandırılan) ödül puanları alır. Bu ödül yapısı evrimi yönlendirir.
Veritabanlarındaki yalnızca statik görüntüleri sınıflandıran klasik bilgisayarlı görme modellerinin aksine, araştırmacılar tüm aracıları MuJoCo fizik motorunu temel alan fiziksel olarak doğru bir 3 boyutlu ortamda simüle etti. Ajanlar bu dünyada bir video oyunundaki NPC'ler (oyuncu olmayan karakterler) gibi sensörler, vücutlar ve motor becerilerle hareket ediyor.
Bilim adamları metodik olarak karmaşık bir karışım kullandılar: Bir genetik algoritma (CMA-ES), hem gözlerin şeklini hem de beynin mimarisini belirleyen “genom”un mutasyonlarını yüzlerce nesil boyunca kontrol etti. Bireysel ajanlar, “yaşam süreleri” içerisinde, takviyeli öğrenmeyi kullanarak sinir ağlarını eğittiler. Bu süreç aynı zamanda AlphaGo gibi modern video oyunu yapay zekalarında da kullanılıyor. Temsilciler kendilerine verilen donanımla mümkün olan en iyi şekilde başa çıkabilmelidir. Böylece herkes kendi kişisel mini oyununu çözdü ve en iyi oynayanın genlerini aktarmasına izin verildi. Bu ortak evrim yaklaşımı, sistemi donanım ve yazılımı aynı anda optimize etmeye zorladı; sonuçta, eğer beyin veri akışını işleyemiyorsa, yüksek çözünürlüklü bir gözün hiçbir faydası yoktur.
Seçim baskısının gerçekten gözlerin şeklini belirleyip belirlemediğini test etmek için ekip, ajanları temelde farklı iki oyun senaryosuyla karşı karşıya getirdi. İlk senaryoda görev şuydu: Bir labirentte daha hızlı gezinmek. Ödül, tasarruf edilen her saniye için geldi. Evrim, böceklerin bileşik gözlerini fazlasıyla anımsatan bir çözüm üretmiştir. Ajanlar geniş aralıklı, başın etrafında dönen basit gözlerden oluşan bir ağ geliştirdiler. Bu konfigürasyon, engel tespiti için optik akışı kullanmak üzere yaklaşık 135 derecelik muazzam bir görüş alanı lehine detay keskinliğinden fedakarlık etti. Sağdan sola gelenleri göremeyenler duvara çarpıp puan kaybetti.
Reklamdan sonra devamını okuyun
İkinci bir oyun senaryosunda, ajanların yanıltıcı derecede benzer nesnelerden (zehir) kaçınırken, belirli bir hedef nesneyi (yiyecek) belirleyip ona ulaşması gerekiyordu. Yalnızca doğru bulunca bir ödül vardı. Bu baskı altında simülasyon acımasızca “kamera gözü” yönünü seçti: Ajanlar göz sayısını azalttı, onları öne doğru hizaladı ve fotoreseptörlerin yoğunluğunu büyük ölçüde artırdı. Sonuç, işlevsel olarak yırtıcı hayvanların veya primatların gözlerine benzeyen bir tasarımdı. Dolayısıyla simülasyon, evrensel olarak “en iyi” göz şeklinin bulunmadığını, ancak oyun gerekliliklerinin – veya doğada: ekolojik nişin – duyu organının mimarisini belirlediğini gösteren deneysel kanıtlar sağlar.
Fiziksel bir gereklilik olarak lensler
Çalışmanın merceğin oluşturulmasıyla ilgili kısmı özellikle bilgilendiricidir. Araştırmacılar, optik etkiler için gerçekçi bir fizik motoru olan, fiziksel olarak doğru bir ışık dalga modeli uyguladılar. Sorunuz: Oyunun kuralları fiziksel olarak karmaşık olduğunda evrim çözümü nasıl “bulur”?
İlk nesillerde ajanlar iğne deliği kamerasının prensibini basitçe “keşfettiler”: daha küçük gözbebekleri daha keskin görüntüler sağlar. Ancak bu strateji kısa sürede bir çıkmaza, klasik bir oyun bitti senaryosuna yol açtı. Küçük gözbebekleri çok az ışığın geçmesine izin verir, bu da sinyal-gürültü oranını (SNR) o kadar zayıf hale getirir ki ajanlar artık performanslarını iyileştiremez. “Yerel optimum”un tuzağına düşmüşlerdi.
Ancak simülasyon, malzemenin kırılma indisini değiştiren mutasyonlara izin verdiğinde – yani oyunun kuralları yeni içerik eklediğinde – sistem bu ikilemden kurtuldu. Başlangıçta, daha çok dağınık yığınlara benzeyen yapılar ortaya çıktı – başarısız girişimler. Ancak yüzlerce nesil boyunca seçilim bunları pürüzsüz yüzeyli hassas merceklere dönüştürdü. Bu, ajanların görüntü netliğini kaybetmeden daha fazla ışık yakalamak için gözbebeklerini yeniden açmalarına olanak tanıdı. Simülasyonda lens, doğanın rastgele bir ucubesi gibi görünmüyor, daha ziyade ışık hassasiyeti ve çözünürlük arasındaki uzlaşmayı çözecek bariz fiziksel çözüm olarak görünüyor. Doğanın muhteşem bir kullanımı.
Beyin ve sensör ölçeklendirme yasaları
Analize göre, görme keskinliğindeki küçük gelişmeler bile işleme için orantısız derecede daha fazla miktarda sinir kaynağı gerektiriyor. Simülasyon, optik donanımın iyileştirilmesinin ancak sinir ağının aynı anda büyümesi durumunda evrimsel bir avantaj sağladığını gösterdi. Hızlı bir beyni olmayan iyi bir göz size daha yüksek bir puan kazandırmaz.
Bu sonuç, kafadanbacaklılar veya kuşlar gibi yüksek çözünürlüklü görüşe sahip türlerin, yassı kurtlar veya denizanası gibi basit ışık sensörlerine sahip organizmalardan nispeten önemli ölçüde daha büyük beyinlere sahip olduğu biyolojideki gözlemlerle tutarlıdır.
(mack)
Bir yanıt yazın