Дослідження стратегій виживання штучного життя у динамічному середовищі

Анотація

Це дослідження спрямоване на розробку еволюційних методів для побудови глибоких нейронних мереж, пропонуючи потенційні вдосконалення методів машинного навчання шляхом моделювання адаптивних архітектур під впливом селективного тиску.

Мета. Метою роботи є дослідження динаміки нейронної складності у агентів штучного життя, які взаємодіють із дедалі складнішими умовами середовища.

Методи дослідження. Ми провели двовимірну симуляцію для моделювання популяцій агентів з нейронними мережами та фізичними формами, що еволюціонують. Середовище змінюється від простих умов до більш складних сценаріїв, включаючи статичні стіни, рухомі перешкоди, небезпечні зони та смертельні отрути. Наш підхід базується на фундаментальних системах штучного життя, таких як Tierra, Avida та PolyWorld. Нейронні архітектури еволюціонують на основі принципів, натхненних NeuroEvolution of Augmenting Topologies. Ми застосовуємо міру складності Тононі–Спорнса–Едельмана для оцінки нейронної інтеграції та спеціалізації, що допомагає зрозуміти, як агенти адаптують свої мережі для досягнення балансу між глобальною когерентністю та локалізованою функціональністю.

Результати. Дослідження показало, що, хоча складні середовища можуть тимчасово підвищувати нейронну складність, жорсткіші умови часто сприяють простішим, але більш продуктивним репродуктивним r-стратегіям. У результаті популяції можуть формувати рефлекторні, стимул-реакційні поведінкові моделі, замість розвитку складних нейронних структур.

Висновки. Ці результати поглиблюють наше розуміння адаптивного інтелекту і допомагають у розробці підходів до створення масштабованих систем машинного навчання у робототехніці та розробці архітектур глибоких нейронних мереж, що сприяє досягненню ширшої мети розуміння еволюції штучного інтелекту. Ми пропонуємо використовувати рекурсивний генетичний алгоритм для оптимізації цих балансів викликів, що сприяє довгостроковій нейронній адаптації до динамічних середовищ.