Может ли структура искусственного интеллекта стать ключом к пониманию коллективного клеточного интеллекта?

Группы клеток способны на сложные задачи

Давно известно, что группы клеток могут выполнять сложные задачи, например, перемещаться по лабиринтам или стратегически колонизировать новые среды обитания, даже несмотря на то, что отдельные биологические клетки имеют ограниченную способность реагировать на сигналы, такие как химические соединения в непосредственном окружении.

Теоретическая основа коллективного интеллекта

Учёные из Японии разработали теоретическую основу, которая может объяснить, как удивительно интеллектуальное поведение возникает в природе у таких групп.

Исследовательская группа из Института промышленных наук Токийского университета обнаружила, что ключ заключается в том, как клетки используют своё окружение для поэтапной обработки информации и принятия решений распределённым образом. Исследование опубликовано в журнале PRX Life.

«Мы можем подробно описать эти явления, используя хорошо известные физические модели, — говорит Масаки Като, первый автор исследования. — Но понимание вычислительных принципов, лежащих в основе, — это другое дело».

Использование парадигмы обучения с подкреплением

Для этого исследовательская группа использовала парадигму обучения с подкреплением, применяемую в искусственном интеллекте. Обучение с подкреплением, в отличие от контролируемого и неконтролируемого машинного обучения, идеально подходит в этом случае, поскольку оно основано на взаимодействии с окружающей средой.

Вместо того чтобы действовать по заранее заданным инструкциям, отдельный агент просто исследует окружающую среду несколько раз и видит, что происходит. Затем он корректирует свою внутреннюю политику, чтобы максимизировать вознаграждение в долгосрочной перспективе.

Моделирование коллективного клеточного интеллекта

Команда рассмотрела популяцию клеток, которые совместно стремятся переместиться к редко распределённым целям (например, к пище), модулируя химические сигналы, указывающие на близость цели.

Вся популяция клеток действует как агент, который использует обучение с подкреплением для постепенного определения оптимальной стратегии навигации без необходимости руководства единого лидера.

Тецуя Дж. Кобаяши, старший исследователь, говорит, что эта теория является ключом к пониманию того, как работает этот тип распределённой обработки информации.

«В определённом смысле окружающая среда играет роль рабочей памяти для последствий; она запоминает и отражает прошлые действия агента и его исследования в виде изменённых состояний», — отмечает он.

Результаты моделирования

С помощью моделирования исследователи продемонстрировали, что даже агенты с ограниченным интеллектом могут выполнять сложные задачи в группе, например, находить путь через лабиринт, посредством децентрализованной обработки информации и обмена ею (то есть без лидера).

Они сравнили эти популяции агентов с одним более интеллектуальным агентом с рабочей памятью и обнаружили, что простые организмы действовали более устойчиво, чем одиночный агент.

Эта работа показывает, что децентрализованные стаи или группы простых агентов могут координировать свою деятельность для эффективной обработки информации — принцип, который может быть использован для решения проблем в различных областях, включая медицину, искусственный интеллект и робототехнику.

Источник