Γράφει: Δημήτριος Ηλιάδης

Τεχνολογικός Δαρβινισμός

Εξελίσσοντας τις απαντήσεις

Η θεωρίες του Δαρβίνου δεν επηρέασαν μονάχα την σύγχρονη βιολογία, αλλά και την ίδια την τεχνολογία. Στο άρθρο «Intelligent Machinery» του 1948, ο κορυφαίος μαθηματικός και θεμελιωτής της επιστήμης των υπολογιστών, Alan Turing, έγραφε ότι για την επίλυση προβλημάτων με εξαιρετικά μεγάλο αριθμό πιθανών λύσεων, θα μπορούσε να χρησιμοποιηθεί «γενετική ή εξελικτική αναζήτηση με την οποία αναζητείται ένας συνδυασμός γονιδίων, με κριτήριο τον βαθμό επιβίωσης». Η ιδέα της φυσικής επιλογής ως το κατεξοχήν μέσο για την επιβίωση των πιο ικανών οργανισμών στο περιβάλλον, οδήγησε στην άνθιση μιας εξαιρετικά δημοφιλούς ερευνητικής περιοχής, της εξελικτικής υπολογιστικής, η οποία εδράζεται στα πλαίσια της υπολογιστικής νοημοσύνης. Η εξελικτική υπολογιστική έχει βρει ευρεία εφαρμογή σε ένα μεγάλο αριθμό προβλημάτων μηχανικής και είναι ιδιαίτερα αγαπητή λόγω της απλότητας και της αποτελεσματικότητάς της.

Στην φυσική επιλογή, οι οργανισμοί που είναι πιο επιτυχείς στην επιβίωση, μεταφέρουν τα γονίδιά τους μέσω των παιδιών τους στις επόμενες γενεές. Ως αποτέλεσμα, η δεξαμενή των γονιδίων που είναι καλύτερα προσαρμοσμένα για επιβίωση αυξάνονται, ενώ μειώνονται αυτά τα οποία δεν προσφέρουν καλές προϋποθέσεις για την επιβίωση. Κάτι αντίστοιχο συντελείται στην εξελικτική υπολογιστική, όπου τα «χρωματοσώματα» είναι η κωδικο-ποίηση μιας λύσης ενός προβλήματος και ο βαθμός επιβίωσης εξαρτάται από το πόσο καλά επιλύεται το πρόβλημα αυτό. Με την δημιουργία ενός μεγάλου τυχαίου πληθυσμού πιθανών λύσεων, οι καλύτερες λύσεις επιλέγονται σε ζευγάρια ώστε να δημιουργήσουν απογόνους και οι καινούργιες λύσεις να συναγωνιστούν με τις υπόλοιπες. Όποιες λύσεις επιβιώσουν, δηλαδή όποιες είναι καλύτερες από τις άλλες, θα επιλεχθούν ξανά την επόμενη φορά με αποτέλεσμα, μετά από πολλές επαναλήψεις, να επιβιώνουν μονάχα οι καλύτερες λύσεις. Επιπρόσθετα, για την καλύτερη μεταφορά του παραδείγματος της φυσικής επιλογής, τυχαίες μεταλλάξεις στην κωδικοποίηση των λύσεων μπορούν να εισαγάγουν καινούργιους συνδυασμούς οι οποίοι μπορεί να δίδουν πλεονέκτημα έναντι άλλων λύσεων.

Αναζητώντας την ιδανική κεραία

Η εξελικτική υπολογιστική έχει ήδη χρησιμοποιηθεί για την εξεύρεση καλύτερων λύσεων σε απλά ή εξαιρετικά σύνθετα προβλήματα, όπως η δρομολόγηση φορτηγών για μετακινήσεις φορτίων σε μια πόλη ή στην επιλογή μετοχών με την καλύτερη απόδοση και το μικρότερο ρίσκο κ.λπ. Για να επιδείξουμε την δύναμη της φυσικής επιλογής σε ένα πραγματικό πρόβλημα θα αναφερθούμε σε ένα πείραμα σχεδιασμού κεραιών από την Ομάδα Εξελικτικών Συστημάτων της NASA στις ΗΠΑ. Το πρόβλημα ήταν ο σχεδιασμός εξαιρετικά εξειδικευμένων κεραιών για μια σειρά δορυφόρων, στα πλαίσια του προγράμματος Space Technology 5, με τις οποίες θα επικοινωνούν με την Γη. Το έργο ανατέθηκε σε έναν εξωτερικό κατασκευαστή, ο οποίος σχεδίασε τις κεραίες χρησιμοποιώντας κλασικές τεχνικές. Παράλληλα όμως, η Ομάδα Εξελικτικών Συστημάτων διερεύνησε την χρήση μεθόδων βασισμένων στην εξελικτική υπολογιστική, για εξεύρεση καλύτερων σχεδίων. Για έναν άνθρωπο, η σχεδίαση μιας κεραίας απαιτεί εξειδικευμένες γνώσεις και εκτεταμένες δοκιμές, ώστε να ικανοποιούνται οι αυστηρές απαιτήσεις της NASA. Αντίθετα, για την «εξελιγμένη» κεραία, ένας αρχικός πληθυσμός από τυχαία σχέδια κεραιών ήταν αρκετός, ώστε να ξεκινήσει ένας συναγωνισμός στον οποίο τα καλύτερα σχέδια κεραιών «επιβίωναν» και αναπαράγονταν, με κάποιες τυχαίες μεταλλάξεις. Το τελικό σχέδιο (βλ. Φωτογραφία), με την πραγματικά ιδιαίτερη τοπολογία, κρίθηκε καλύτερο από τον συμβατικό σχεδιασμό, καθώς καταναλώνει λιγότερη ισχύ, ικανοποιεί καλύτερα τις αρχικές προδιαγραφές και χρειάζεται λιγότερο χρόνο για την κατασκευή του.

Αντί επιλόγου

Για πολλά προβλήματα στα οποία η ανθρώπινη ευφυία δυσκολεύεται να απαντήσει, υπάρχουν απλοί, θεμελιώδεις μηχανισμοί στην φύση, οι οποίοι μπορεί να προσφέρουν απαντήσεις. Η φυσική επιλογή, τελικά, φαίνεται ικανή να απαντήσει πολύ περισσότερα ερωτήματα, από όσα περιμέναμε.