December 13th, 2019

  • mns2012

Термодинамическая эффективность вычислений в биосистемах

... близка к порогу Ландауэра (всего на порядок выше). Но даже этот множитель, похоже, объясняется (в другой публикации) требованием надёжности (защитой от тепловых шумов). Так что генетическая память -- прекрасная иллюстрация в пользу гипотезы дизайна, ибо не видеть здесь инженерной целенаправленности надо постараться.

Вот аннотация статьи, где говорится об эффективности генетической памяти на биополимерах. Ожидаемо, что авторы исходят из предпосылок дарвиновской эволюции, но об этом чуть позже. Так или иначе, как и везде, результаты говорят сами за себя. То, что демонстрируется, и то, какой механизм предполагается для получения всего этого хозяйства, -- две большие разницы.

The thermodynamic efficiency of computations made in cells across the range of life

Christopher P. Kempes, David Wolpert, Zachary Cohen and Juan Pérez-Mercader

Collapse )

Ну, вот, а кто-то (уже не помню, кто из комментаторов) переживал, что вопрос о связи трд энтропии и информационной энтропии дискуссионен. Эта связь вполне ощутима.

Энергия Шеннона-Неймана-Ландауэра -- минимальная энергия, необходимая для обработки 1 бита (минимальная высота барьера, необходимая для разделения двух состояний электрона):

ESNL = kB * T * ln 2,

где постоянная Больцмана kB = Дж/K, T -- абсолютная температура.

Collapse )



Кто-то задал хороший вопрос в комментариях здесь: Но если всё это достигнуто отбором, то почему генетические алгоритмы на основе дарвиновской эволюционной модели так плохо работают?

Действительно, они начинают 'играть' только при выполнении определенных условий. Успех ГА как направления комбинаторной оптимизации связан с дарвиновской эволюцией лишь общими фразами. Обычно отмечают, что дарвиновская эволюция вдохновила развитие ГА. Согласимся на этот ни к чему не обязывающий вариант. Эволюционные алгоритмы, эффективно работающие на практике, моделируют не естественный отбор среды, а искусственный отбор селекционера. Само по себе существование алгоритмов искусственной селекции никак не может демонстрировать гипотетические возможности неинтеллектуальных (ненаправленных) эволюционных процессов. Как правило, ГА имеет точную информацию о градиентах функции цели при движении по параметрическому пространству, что по сути и является моделью искусственной селекции: селекционер отбраковывает по малейшим изменениям в сторону от желаемого признака (уровня биофункции). Дарвиновская же модель не может активно управлять составом популяций по градиенту функции цели. Программист имеет возможность управлять операторами мутаций. В реальности такого нет: что выросло, то выросло. Успех искусственного отбора обусловлен как раз тем, что это интеллектуальный процесс, позволяющий осуществлять тонкую фильтрацию нужного признака путем настроек многочисленных параметров и многократно усиливать сигнал с помощью интеллектуального управления. Среда такими возможностями не обладает. Фильтр естественного отбора значительно менее чувствителен, что и отражается на качестве работы алгоритма, построенного на дарвиновской модели (качество никакое). На практике ни один ГА не является моделью дарвиновской эволюции. К другим проблемам дарвиновской модели можно отнести наличие дрейфа генов и связанную с ним потерю полезных мутаций, обладающих селективным преимуществом, через несколько поколений, а также взаимное ослабление селективного преимущества нескольких полезных мутаций (см. здесь).

У меня ранее уже были записи по эффективности биосистем:Дополнительно можно посмотреть следующие материалы: