... 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
Biological organisms must perform computation as they grow, reproduce and evolve. Moreover, ever since Landauer’s bound was proposed, it has been known that all computation has some thermodynamic cost—and that the same computation can be achieved with greater or smaller thermodynamic cost depending on how it is implemented. Accordingly an important issue concerning the evolution of life is assessing the thermodynamic efficiency of the computations performed by organisms. This issue is interesting both from the perspective of how close life has come to maximally efficient computation (presumably under the pressure of natural selection), and from the practical perspective of what efficiencies we might hope that engineered biological computers might achieve, especially in comparison with current computational systems. Here we show that the computational efficiency of translation, defined as free energy expended per amino acid operation, outperforms the best supercomputers by several orders of magnitude, and is only about an order of magnitude worse than the Landauer bound. However, this efficiency depends strongly on the size and architecture of the cell in question. In particular, we show that the useful efficiency of an amino acid operation, defined as the bulk energy per amino acid polymerization, decreases for increasing bacterial size and converges to the polymerization cost of the ribosome. This cost of the largest bacteria does not change in cells as we progress through the major evolutionary shifts to both single- and multicellular eukaryotes. However, the rates of total computation per unit mass are non-monotonic in bacteria with increasing cell size, and also change across different biological architectures, including the shift from unicellular to multicellular eukaryotes.
This article is part of the themed issue ‘Reconceptualizing the origins of life’.
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.Более подробно.
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). В дарвиновской же модели отбраковка -- это только смерть. 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:
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
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.
 |
| Рис.1. Скриншот: Е.А.Краснопевцев "Спецглавы физики: статистическая физика равновесных систем", Новосибирский ун-т, 2017 г. с.104-10. |
 |
| Рис.2. Скриншот: Е.А.Краснопевцев "Спецглавы физики: статистическая физика равновесных систем", Новосибирский ун-т, 2017 г. с.104-10. |
 |
| Рис.3. Энергия Шеннона-Неймана-Ландауэра |
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). В дарвиновской же модели отбраковка -- это только смерть. 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:
- Банкротство игрока -- банкротство Дарвина (вольный перевод статьи с uncommondescent.com);
- ТРИЗ-овские графики для сравнения эффективности современных технологий и биосферы;
- Ещё о том же;
- Строение глаза позвоночных -- разбор критики самособойщиков;
- Парето-оптимальность в биосистемах;
- Отличия случайного блуждания от поиска;
- Разбор давней статьи с матмоделью дарвиновской эволюции;
- Цифры по эффективности организации генетической памяти на биополимерах.
No comments:
Post a Comment