Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Для научного журнала см. Natural Computing (журнал) .

Природные вычисления , [1] [2] также называется естественным вычисление , являются терминология введена , чтобы охватить три класса методов: 1) те , которые берут вдохновение от природы для разработки новых методов решения задач; 2) основанные на использовании компьютеров для синтеза природных явлений; и 3) те, в которых для вычислений используются природные материалы (например, молекулы). Основными областями исследований, которые составляют эти три ветви, являются искусственные нейронные сети , эволюционные алгоритмы , интеллект роя , искусственные иммунные системы , фрактальная геометрия, искусственная жизнь , вычисления ДНК иквантовые вычисления , среди прочего.

Вычислительные парадигмы, изучаемые с помощью естественных вычислений, абстрагируются от таких разнообразных природных явлений, как самовоспроизведение , функционирование мозга , дарвиновская эволюция , групповое поведение , иммунная система , определяющие свойства форм жизни, клеточные мембраны и морфогенез . Помимо традиционного электронного оборудования , эти вычислительные парадигмы могут быть реализованы на альтернативных физических средах, таких как биомолекулы (ДНК, РНК) или устройства квантовых вычислений с захваченными ионами .

По сути, процессы, происходящие в природе, можно рассматривать как обработку информации. Такие процессы включают самосборку , процессы развития , сети регуляции генов, сети межбелкового взаимодействия, сети биологического транспорта ( активный транспорт , пассивный транспорт ) и сборку генов в одноклеточных организмах.. Попытки понять биологические системы также включают разработку полусинтетических организмов и понимание самой Вселенной с точки зрения обработки информации. Более того, была даже выдвинута идея, что информация более фундаментальна, чем материя или энергия. В тезисе Цузе-Фредкина, датируемом 1960-ми годами, говорится, что вся вселенная представляет собой огромный клеточный автомат, который постоянно обновляет свои правила. [3] [4] Недавно было высказано предположение, что вся Вселенная представляет собой квантовый компьютер, который вычисляет свое собственное поведение. [5] Вселенная / природа как вычислительный механизм рассматривается, [6] исследуя природу с помощью идей вычислимости, и [7] изучение природных процессов как вычислений (обработка информации).

Модели вычислений, вдохновленные природой [ править ]

Наиболее устоявшимися «классическими» моделями вычислений, вдохновленными природой, являются клеточные автоматы, нейронные вычисления и эволюционные вычисления. Более современные вычислительные системы, абстрагированные от естественных процессов, включают интеллект роя, искусственные иммунные системы, мембранные вычисления и аморфные вычисления. Подробные обзоры можно найти во многих книгах. [8] [9]

Клеточные автоматы [ править ]

Основная статья: Клеточный автомат

Клеточный автомат - это динамическая система, состоящая из массива ячеек. Пространство и время дискретны, и каждая из ячеек может находиться в конечном числе состояний . Клеточный автомат обновляет состояния своих клеток синхронно в соответствии с правилами переходных данных априори . Следующее состояние ячейки вычисляется правилом перехода и зависит только от ее текущего состояния и состояний ее соседей.

«Игра жизни» Конвея - один из самых известных примеров клеточных автоматов, универсальный в вычислительном отношении . Клеточные автоматы применялись для моделирования различных явлений, таких как общение, рост, воспроизводство, конкуренция, эволюция и другие физические и биологические процессы.

Нейронные вычисления [ править ]

Дополнительная информация: Искусственная нейронная сеть.

Нейронные вычисления - это область исследований, которая возникла в результате сравнения вычислительных машин и нервной системы человека . [10] В этом поле цели и понять , как мозг из живых организмов работ ( теория мозга или вычислительной нейробиологии ), а также для разработки эффективных алгоритмов , основанных на принципах , как информация о процессах человеческого мозга (искусственные нейронные сети, ANN [11] ) .

Искусственная нейронная сеть представляет собой сеть искусственных нейронов . [12] Искусственный нейрон A снабжен функцией , получает n действительных входов с соответствующими весами и выдает . Некоторые нейроны выбираются в качестве выходных нейронов, а сетевая функция - это векторная функция, которая связывает с n входными значениями выходы m выбранных выходных нейронов. Обратите внимание, что при выборе разных весов для одних и тех же входов создаются разные сетевые функции. Обратное распространение - это контролируемый метод обучения с помощью которого веса соединений в сети повторно регулируются, чтобы минимизировать разницу между вектором фактических выходов и вектором желаемых выходов. Алгоритмы обучения, основанные на обратном распространении ошибок, могут использоваться для нахождения оптимальных весов для данной топологии сети и пар ввода-вывода.

Эволюционные вычисления [ править ]

Основная статья: Эволюционные вычисления

Эволюционные вычисления [13] - это вычислительная парадигма, вдохновленная дарвиновской эволюцией .

Искусственная эволюционная система - это вычислительная система, основанная на понятии моделируемой эволюции. Он включает в себя популяцию людей постоянного или переменного размера, критерий пригодности и генетически вдохновленных операторов, которые производят следующее поколение из текущего. Начальная популяция обычно создается случайным образом или эвристически, и типичными операторами являются мутация и рекомбинация . На каждом этапе индивидуумы оцениваются в соответствии с заданной функцией приспособленности ( выживаемость наиболее приспособленных). Следующее поколение получается от выбранных людей (родителей) с помощью генетически вдохновленных операторов. При выборе родителей может руководствоваться оператор выбора, который отражает биологический принцип выбора партнера . Этот процесс смоделированной эволюции в конечном итоге сводится к почти оптимальной популяции особей с точки зрения функции приспособленности.

Изучение эволюционных систем исторически развивалось по трем основным направлениям: Стратегии эволюции обеспечивают решение задач оптимизации параметров для действительных, а также дискретных и смешанных типов параметров. Первоначально эволюционное программирование было направлено на создание оптимальных «интеллектуальных агентов», моделируемых, например, в виде конечных автоматов. Генетические алгоритмы [14]применил идею эволюционных вычислений к проблеме поиска (почти) оптимального решения данной проблемы. Генетические алгоритмы изначально состояли из входной популяции индивидов, закодированных как битовые строки фиксированной длины, мутации генетических операторов (перевороты битов) и рекомбинации (комбинация префикса одного родителя с суффиксом другого) и проблемно-зависимой приспособленности. функция. Генетические алгоритмы использовались для оптимизации компьютерных программ, называемых генетическим программированием , и сегодня они также применяются к задачам оптимизации вещественных параметров, а также ко многим типам комбинаторных задач .

С другой стороны, алгоритм оценки распределения (EDA) - это эволюционные алгоритмы, которые заменяют традиционные операторы воспроизведения операциями на основе модели. Такие модели изучаются у населения с помощью методов машинного обучения и представляются в виде вероятностных графических моделей, из которых могут быть взяты образцы новых решений [15] [16] или созданы с помощью управляемого кроссовера. [17] [18]

Рой разведки [ править ]

Swarm разведки , [19] иногда называют коллективным интеллектом , определяется как поведение решения задачи , которая возникает из - за взаимодействия отдельных агентов (например, бактерии , муравьи , термиты , пчелы , пауки , рыбы , птицы ) , которые взаимодействуют с другими агентами воздействуя на свою местную среду .

Оптимизация роя частиц применяет эту идею к проблеме поиска оптимального решения данной проблемы путем поиска в (многомерном) пространстве решений . Первоначальная установка - это рой частиц , каждая из которых представляет собой возможное решение проблемы. Каждая частица имеет свою собственную скорость, которая зависит от ее предыдущей скорости (компонент инерции), тенденции к прошлому личному лучшему положению (компонент ностальгии) и ее тенденции к глобальному оптимуму соседства или оптимуму локального соседства (социальный компонент). Таким образом, частицы движутся в многомерном пространстве и в конечном итоге сходятся к точке между лучшими в миреи их личный рекорд. Алгоритмы оптимизации роя частиц применялись к различным задачам оптимизации, а также к неконтролируемому обучению , игровому обучению и приложениям планирования .

В том же духе алгоритмы муравьев моделируют поведение колоний муравьев при поиске пищи. Чтобы найти лучший путь между гнездом и источником пищи, муравьи полагаются на непрямое общение, прокладывая феромоновый след на обратном пути к гнезду, если они нашли пищу, соответственно, следя за концентрацией феромонов, если они ищут пищу. Алгоритмы Ant были успешно применены к множеству задач комбинаторной оптимизации над дискретными пространствами поиска.

Искусственные иммунные системы [ править ]

Искусственные иммунные системы (также известные как иммунологические вычисления или иммунокомпьютинг ) - это вычислительные системы, вдохновленные естественными иммунными системами биологических организмов.

Рассматриваемая как система обработки информации, естественная иммунная система организмов выполняет множество сложных задач в параллельных и распределенных вычислениях . [20] Они включают различение между собой и чужим , [21] нейтрализацию чужеродных патогенов ( вирусов , бактерий, грибов и паразитов ), обучение , память , ассоциативный поиск , саморегуляцию и отказоустойчивость . Искусственная иммунная системаявляются абстракциями естественной иммунной системы, подчеркивающими эти вычислительные аспекты. Их применения включают в себя обнаружение компьютера от вирусов , обнаружения аномалий во временной последовательности данных, диагностики неисправностей , распознавания образов , машинного обучения, биоинформатики , оптимизация, робототехника и контроль .

Мембранные вычисления [ править ]

Мембранные вычисления исследуют компьютерные модели, абстрагированные от разделенной на части структуры живых клеток, на которые воздействуют мембраны . [22] Общая мембранная система (P-система) состоит из клеточно-подобных компартментов (областей), ограниченных мембранами , которые помещены во вложенную иерархическую структуру. Каждая окруженная мембраной область содержит объекты, правила преобразования, которые изменяют эти объекты, а также правила передачи, которые определяют, будут ли объекты перемещаться за пределы области или оставаться внутри нее. Регионы общаются друг с другом посредством передачи объектов. Расчет мембранной системой начинается с начальной конфигурации, в которой число ( кратность) каждого объекта устанавливается на некоторое значение для каждой области ( мультимножество объектов ). Он осуществляется путем недетерминированного и максимально параллельного выбора, какие правила применяются к каким объектам. Выходные данные вычислений собираются из заранее определенной выходной области.

Приложения мембранных систем включают машинное обучение, моделирование биологических процессов ( фотосинтез , определенные сигнальные пути , определение кворума у бактерий, клеточный иммунитет ), а также приложения для компьютерных наук, такие как компьютерная графика , криптография с открытым ключом , алгоритмы аппроксимации и сортировки. , а также анализ различных вычислительно сложных задач .

Аморфные вычисления [ править ]

В биологических организмах морфогенез (развитие четко определенных форм и функциональных структур) достигается посредством взаимодействий между клетками, управляемыми генетической программой, закодированной в ДНК организма.

Вдохновленный этой идеей, аморфные вычисления нацелены на разработку четко определенных форм и паттернов или когерентного вычислительного поведения на основе локальных взаимодействий множества простых ненадежных, нерегулярно размещенных, асинхронных, идентично запрограммированных вычислительных элементов (частиц). [23] Как парадигма программирования, цель состоит в том, чтобы найти новые методы программирования, которые будут хорошо работать в аморфных вычислительных средах. Аморфные вычисления также играют важную роль в качестве основы для « клеточных вычислений » (см. Темы синтетической биологии и клеточных вычислений ниже).

Морфологические вычисления [ править ]

Понимание того, что морфология выполняет вычисления, используется для анализа взаимосвязи между морфологией и контролем и для теоретического руководства проектированием роботов с пониженными требованиями к управлению, использовалось как в робототехнике, так и для понимания когнитивных процессов в живых организмах, см. Морфологические вычисления и . [24]

Когнитивные вычисления [ править ]

Когнитивные вычисления CC - это новый тип вычислений, как правило, с целью моделирования функций человеческого восприятия, рассуждений и реакции на стимул, см. Когнитивные вычисления и. [25]

Когнитивные возможности современных когнитивных вычислений далеки от человеческого уровня. Тот же информационно-вычислительный подход может быть применен к другим, более простым живым организмам. Бактерии являются примером когнитивной системы, смоделированной с помощью вычислений, см. Eshel Ben-Jacob and Microbes-mind .

Синтезировать природу с помощью вычислений [ править ]

Искусственная жизнь [ править ]

Искусственная жизнь (ALife) - это область исследований, конечной целью которой является понимание основных свойств живых организмов [26] путем создания в электронных компьютерах или других искусственных средах систем ab initio , которые проявляют свойства, обычно связанные только с живыми организмами. Ранние примеры включают системы Линденмайера (L-системы), которые использовались для моделирования роста и развития растений. L-система - это система параллельной перезаписи, которая начинается с начального слова и применяет свои правила перезаписи параллельно ко всем буквам слова. [27]

Новаторские эксперименты в области искусственной жизни включали разработку развивающихся «виртуальных блочных существ», действующих в смоделированных средах с реалистичными характеристиками, такими как кинетика , динамика , гравитация , столкновения и трение . [28] Эти искусственные существа были отобраны за их способности плавать, ходить или прыгать, и они соревновались за общий ограниченный ресурс (контроль над кубом). Моделирование привело к эволюции существ, проявляющих удивительное поведение: одни развили руки, чтобы схватить куб, другие развили ноги, чтобы двигаться к кубу. Этот вычислительный подход был дополнительно объединен с технологией быстрого производства для создания фактически эволюционировавших физических роботов. [29] Это ознаменовало появление области механической искусственной жизни .

Область синтетической биологии исследует биологическое воплощение подобных идей. Другие направления исследований в рамках области искусственной жизни включают искусственную химию , а также традиционно биологических явления исследуются в искусственных системах, начиная от вычислительных процессов , таких как коэволюционная адаптация и развитие физических процессов , таких как рост, самовоспроизведению и само- ремонт .

Новое железо, вдохновленное природой [ править ]

Все упомянутые выше вычислительные методы, хотя и вдохновлены природой, до сих пор реализовывались в основном на традиционном электронном оборудовании . Напротив, две представленные здесь парадигмы, молекулярные вычисления и квантовые вычисления , используют совершенно разные типы оборудования.

Молекулярные вычисления [ править ]

Молекулярные вычисления (также известные как биомолекулярные вычисления, биокомпьютеры, биохимические вычисления, вычисления ДНК ) - это вычислительная парадигма, в которой данные кодируются в виде биомолекул, таких как цепи ДНК , а инструменты молекулярной биологии воздействуют на данные для выполнения различных операций (например, арифметических или логических операций ).

Первой экспериментальной реализацией специального молекулярного компьютера стал прорывный эксперимент Леонарда Адлемана 1994 года, который решил 7-узловой пример проблемы гамильтонова пути исключительно путем манипулирования нитями ДНК в пробирках. [30] Вычисления ДНК начинаются с начального ввода, закодированного как последовательность ДНК (по существу, последовательность из четырехбуквенного алфавита {A, C, G, T}), и продолжаются последовательностью биоопераций, таких как разрезание и -паста (с помощью рестрикционных ферментов и лигаз ), экстракция цепей, содержащих определенную подпоследовательность (с использованием комплементарности Уотсона-Крика), копирование (с использованием полимеразной цепной реакции с использованием фермента полимеразы) и считывание.[31] Недавние экспериментальные исследования преуспели в решении более сложных примеров NP-полных задач, таких как экземпляр 3SAT с 20 переменными , и реализации мокрой ДНК конечных автоматов с потенциальными приложениями для разработки интеллектуальных лекарств .

Самосборка плитки ДНК треугольника Серпинского, начиная с семени, полученного методом ДНК-оригами [32]

Один из наиболее заметных вкладов исследований в этой области - понимание самосборки . [33] Самосборка - это восходящий процесс, при котором объекты автономно объединяются в сложные структуры. В природе существует множество примеров, включая атомы, связывающиеся химическими связями с образованием молекул , и молекулы, образующие кристаллы или макромолекулы . Примеры тем исследования самосборки включают самособирающиеся наноструктуры ДНК [34], такие как треугольники Серпинского [35] или произвольные наноформы, полученные с помощью ДНК-оригами [36]техники и ДНК-наномашин [37], таких как схемы на основе ДНК ( двоичный счетчик , побитовое кумулятивное XOR ), рибозимы для логических операций, молекулярные переключатели ( пинцет для ДНК ) и автономные молекулярные моторы ( ходунки для ДНК ).

Теоретические исследования в области молекулярных вычислений дали несколько новых моделей вычислений ДНК (например, системы сплайсинга, представленные Томом Хедом еще в 1987 году), и их вычислительная мощность была исследована. [38] В настоящее время известно, что различные подмножества биоопераций могут обеспечить вычислительную мощность машин Тьюринга [ цитата необходима ] .

Квантовые вычисления [ править ]

Основная статья: Квантовые вычисления

Квантовый компьютер [39] обрабатывает данные, хранящиеся в виде квантовых битов ( кубитов ), и использует квантово-механические явления, такие как суперпозиция и запутанность, для выполнения вычислений. Кубит может содержать «0», «1» или их квантовую суперпозицию. Квантовый компьютер работает на кубитах с квантовыми логическими вентилями . С помощью полиномиального алгоритма Шора для факторизации целых чисел и алгоритма Гровера для квантового поиска в базе данных, который имеет квадратичное преимущество по времени, квантовые компьютеры потенциально обладают значительным преимуществом по сравнению с электронными компьютерами.

Квантовая криптография основана не на сложности вычислений , а на особых свойствах квантовой информации , таких как тот факт, что квантовая информация не может быть надежно измерена, и любая попытка ее измерения приводит к неизбежным и необратимым нарушениям. В 2007 году было сообщено об успешном эксперименте под открытым небом в квантовой криптографии, когда данные передавались на расстояние 144 км. [40] Квантовая телепортация - еще одно многообещающее приложение, в котором квантовое состояние (не материя или энергия) передается в произвольное удаленное место. Реализации практических квантовых компьютеров основаны на различных подложках, таких как ионные ловушки , сверхпроводники., ядерный магнитный резонанс и т. д. По состоянию на 2006 год в крупнейшем эксперименте по квантовым вычислениям использовались жидкостные процессоры квантовой информации ядерного магнитного резонанса в жидком состоянии, и он мог работать с максимум 12 кубитами. [41]

Природа как обработка информации [ править ]

Двойной аспект естественных вычислений состоит в том, что они нацелены на понимание природы, рассматривая природные явления как обработку информации. Еще в 1960-х Зузе и Фредкин предложили идею о том, что вся Вселенная представляет собой вычислительный механизм (обработка информации), смоделированный как клеточный автомат, который постоянно обновляет свои правила. [3] [4] Недавний квантово-механический подход Ллойда предлагает Вселенную как квантовый компьютер, который вычисляет свое собственное поведение, [5] в то время как Ведрал [42] предполагает, что информация является самым фундаментальным строительным блоком реальности.

Вселенная / природа как вычислительный механизм разрабатывается в [6], исследуя природу с помощью идей вычислимости, в то время как [7] основывается на идее природы как сети сетей информационных процессов на разных уровнях организации. изучение природных процессов как вычислений (обработка информации).

Основные направления исследований в этой области - системная биология , синтетическая биология и клеточные вычисления .

Системная биология [ править ]

Основная статья: Системная биология

Вычислительная системная биология (или просто системная биология) - это интегративный и качественный подход, который исследует сложные коммуникации и взаимодействия, происходящие в биологических системах. Таким образом, в системной биологии в центре внимания исследования находятся сами сети взаимодействия и свойства биологических систем, которые возникают из-за этих сетей, а не отдельные компоненты функциональных процессов в организме. Этот тип исследований органических компонентов сосредоточен в основном на четырех различных сетях взаимозависимого взаимодействия: [43] сети регуляции генов, биохимические сети, транспортные сети и углеводные сети.

Сети регуляции генов включают взаимодействия генов и генов, а также взаимодействия между генами и другими веществами в клетке. Гены транскрибируются в информационную РНК (мРНК), а затем транслируются в белки в соответствии с генетическим кодом . Каждый ген связан с другими сегментами ДНК ( промоторами , энхансерами , или глушителями ) , которые действуют как сайты связывания для активаторов или репрессоров для транскрипции гена. Гены взаимодействуют друг с другом либо через свои генные продукты (мРНК, белки), которые могут регулировать транскрипцию генов, либо через небольшие виды РНК, которые могут напрямую регулировать гены. Эти взаимодействия генов вместе с взаимодействиями генов с другими веществами в клетке образуют основную сеть взаимодействия: сети регуляции генов . Они выполняют задачи обработки информации внутри ячейки, включая сборку и обслуживание других сетей. Модели сетей регуляции генов включают случайные и вероятностные булевы сети , асинхронные автоматы и сетевые мотивы .

Другая точка зрения состоит в том, что вся геномная регуляторная система - это вычислительная система, геномный компьютер . Эта интерпретация позволяет сравнивать электронные вычисления, созданные человеком, с вычислениями, которые происходят в природе. [44]

Сравнение геномных и электронных компьютеров
Геномный компьютерЭлектронный компьютер
АрхитектураСменныйжесткий
Конструкция компонентовпо мере необходимостиот начала
Координацияпричинная координациявременная синхронность
Различие между аппаратным и программным обеспечениемНетда
Транспортные СМИмолекулы и ионыпровода

Кроме того, в отличие от обычного компьютера, надежность в геномном компьютере достигается за счет различных механизмов обратной связи, с помощью которых плохо функциональные процессы быстро разрушаются, плохо функциональные клетки убиваются апоптозом , а плохо функциональные организмы вытесняются более приспособленными видами.

Биохимические сети относятся к взаимодействиям между белками, и они выполняют различные механические и метаболические задачи внутри клетки. Два или более белка могут связываться друг с другом через связывание сайтов их взаимодействия и образовывать динамический белковый комплекс ( комплексообразование ). Эти белковые комплексы могут действовать как катализаторы других химических реакций или могут химически модифицировать друг друга. Такие модификации вызывают изменения доступных сайтов связывания белков. В клетке десятки тысяч белков, и они взаимодействуют друг с другом. Чтобы описать такие массовые взаимодействия, Кон отображает [45]были введены в виде графических обозначений для изображения молекулярных взаимодействий в сжатой форме. Другие подходы к точному и лаконичному описанию межбелковых взаимодействий включают использование текстового био-исчисления [46] или пи-исчисления, обогащенного стохастическими характеристиками. [47]

Транспортные сети относятся к разделению и транспортировке веществ через липидные мембраны. Некоторые липиды могут самоорганизовываться в биологические мембраны. Липидная мембрана состоит из липидного бислоя, в который встроены белки и другие молекулы, способные перемещаться по этому слою. Через липидные бислои вещества транспортируются между внутренней и внешней частью мембран, чтобы взаимодействовать с другими молекулами. Формализмы, изображающие транспортные сети, включают мембранные системы и брановые камни . [48]

Синтетическая биология [ править ]

Основная статья: Синтетическая биология

Синтетическая биология направлена ​​на конструирование синтетических биологических компонентов с конечной целью сборки целых биологических систем из составляющих их компонентов. История синтетической биологии восходит к 1960-м годам, когда Франсуа Жакоб и Жак Моно открыли математическую логику регуляции генов. Методы генной инженерии, основанные на технологии рекомбинантных ДНК , являются предшественником современной синтетической биологии, которая распространила эти методы на целые системы генов и генных продуктов.

Наряду с возможностью синтеза более длинных и длинных цепей ДНК, реальностью стала перспектива создания синтетических геномов с целью создания полностью искусственных синтетических организмов . Действительно, быстрая сборка химически синтезированных коротких цепей ДНК позволила создать синтетический геном вируса размером 5386 п.н. [49]

В качестве альтернативы Smith et al. найдено около 100 генов, которые можно удалить индивидуально из генома Mycoplasma Genitalium . Это открытие открывает путь к созданию минимального, но все же жизнеспособного искусственного генома, состоящего только из основных генов.

Третий подход к конструированию полусинтетических клеток - это конструирование одного типа РНК-подобной молекулы со способностью к саморепликации. [50] Такая молекула может быть получена путем управления быстрой эволюцией начальной популяции РНК-подобных молекул путем отбора по желаемым характеристикам.

Еще одна попытка в этой области направлена ​​на разработку многоклеточных систем путем разработки, например, модулей межклеточной связи, используемых для координации популяций живых бактериальных клеток. [51]

Сотовые вычисления [ править ]

Вычисления в живых клетках (также известные как клеточные вычисления или вычисления in-vivo ) - еще один подход к пониманию природы как вычислений. Одним из конкретных исследований в этой области является изучение вычислительной природы сборки генов в одноклеточных организмах, называемых инфузориями . Инфузории хранят копию своей ДНК, содержащую функциональные гены, в макронуклеусе , а другую «зашифрованную» копию - в микронуклеусе . Конъюгация двух инфузорий заключается в обмене их микроядерной генетической информацией, что приводит к образованию двух новых микроядер, после чего каждая инфузория повторно собирает информацию из своего нового микроядра, чтобы построить новое функциональное макроядро. Последний процесс называетсясборка генов или реорганизация генов. Он включает переупорядочение некоторых фрагментов ДНК ( перестановки и, возможно, инверсии ) и удаление других фрагментов из микроядерной копии. С вычислительной точки зрения, изучение этого процесса сборки генов привело к появлению многих сложных исследовательских тем и результатов, таких как универсальность Тьюринга различных моделей этого процесса. [52] С биологической точки зрения была предложена правдоподобная гипотеза о «биологическом ПО», реализующем процесс сборки генов, на основе рекомбинации, управляемой шаблоном . [53] [54]

Другие подходы к сотовым вычислениям включают разработку в естественных условиях программируемого и автономном конечное состояние автомат с кишечной палочкой , [55] проектирования и строительством в естественном клеточных логических вентилях и генетических схемах, использующей все существующие биохимические процессы клетки (смотрите, например , [56] ) и глобальная оптимизация отверстия устьиц в листьях по набору локальных правил, напоминающих клеточный автомат . [57]

См. Также [ править ]

  • Вычислительный интеллект
  • Биологические вычисления
  • ДНК-вычисления
  • Журнал Natural Computing
  • Квантовые вычисления
  • Синтетическая биология

Ссылки [ править ]

  1. ^ G.Rozenberg, T.Back, J.Kok, редакторы, Справочник Естественной Computing, Springer Verlag, 2012
  2. ^ A.Brabazon, M.O'Neill, S.McGarraghy. Алгоритмы естественных вычислений , Springer Verlag, 2015 г.
  3. ^ a b Фредкин, Ф. Цифровая механика: информационный процесс на основе обратимого универсального СА. Физика Д 45 (1990) 254-270
  4. ^ a b Цузе, К. Рехнендер Раум. Elektronische Datenverarbeitung 8 (1967) 336-344
  5. ^ a b Ллойд, С. Программирование Вселенной: ученый-квантовый компьютер в космосе . Кнопф, 2006 г.
  6. ^ a b Зенил, Х. Вычислимая Вселенная: понимание и изучение природы как вычислений . Мировая научная издательская компания, 2012 г.
  7. ^ a b Додиг-Црнкович, Г. и Джованьоли, Р. ВЫЧИСЛЕНИЕ ПРИРОДЫ . Springer, 2013 г.
  8. ^ Олариус С., Зомая А.Ю., Справочник по алгоритмам и приложениям , созданным с помощью биоинспекций , Chapman & Hall / CRC, 2005.
  9. ^ де Кастро, Л.Н., Основы естественных вычислений: основные концепции, алгоритмы и приложения, CRC Press, 2006.
  10. ^ фон Нейман, J. Компьютер и мозг . Издательство Йельского университета, 1958 г.
  11. ^ Арбиб, М., редактор. Справочник по теории мозга и нейронных сетей. MIT Press, 2003.
  12. ^ Рохас, Р. Нейронные сети: систематическое введение. Спрингер, 1996 г.
  13. ^ Bäck Т. Фогель, Д., Michalewicz, Z., редакторы. Справочник по эволюционным вычислениям. Издательство IOP, Великобритания, 1997 г.
  14. ^ Коза, Дж. Генетическое программирование: программирование компьютеров с помощью естественного отбора . MIT Press, 1992 г.
  15. ^ Пеликан, Мартин; Голдберг, Дэвид Э .; Канту-Пас, Эрик (1 января 1999 г.). BOA: байесовский алгоритм оптимизации . Труды 1-й ежегодной конференции по генетическим и эволюционным вычислениям - Том 1 . Gecco'99. С. 525–532. ISBN 9781558606111.
  16. ^ Пеликан, Мартин (2005). Иерархический алгоритм байесовской оптимизации: к новому поколению эволюционных алгоритмов (1-е изд.). Берлин [ua]: Springer. ISBN 978-3-540-23774-7.
  17. ^ Thierens, Dirk (11 сентября 2010). Генетический алгоритм дерева сцепления . Параллельное решение проблем с натуры, PPSN XI . С. 264–273. DOI : 10.1007 / 978-3-642-15844-5_27 . ISBN 978-3-642-15843-8.
  18. ^ Мартинс, Жан П .; Fonseca, Carlos M .; Дельбем, Александр CB (25 декабря 2014 г.). «О производительности генетических алгоритмов дерева сцепления для многомерной задачи о рюкзаке». Нейрокомпьютеры . 146 : 17–29. DOI : 10.1016 / j.neucom.2014.04.069 .
  19. ^ Энгельбрехт, А. Основы вычислительного интеллекта роя. Уайли и сыновья, 2005.
  20. ^ Дасгупта, Д. редактор. Искусственные иммунные системы и их применение. Спрингер, 1998 г.
  21. ^ де Кастро, Л., Тиммис, Дж. Искусственные иммунные системы: новый подход к вычислительному интеллекту . Спрингер, 2002.
  22. ^ Паун, Г. Мембранные вычисления: Введение . Спрингер, 2002 г.
  23. ^ Абельсон, Х., Аллен, Д., Coore Д., Hanson, К., Homsy Г., Найт младший, Т., Nagpal, Р., Раух, Е., Сассмен, Г. Вайс, Р. Аморфные вычисления . Сообщения ACM 43, 5 (май 2000 г.), 74-82
  24. ^ Пфейфер Р. и Фюхслин Р. Морфологические вычисления . (начинается со стр.11), 2013
  25. ^ Пфейфер Р. и Бондгард Дж. Как тело формирует образ нашего мышления: новый взгляд на интеллект . MIT Press, 2006 г.
  26. ^ Лэнгтон, К., редактор. Искусственная жизнь. Эддисон-Уэсли Лонгман, 1990
  27. ^ Розенберг, Г. и Саломаа, А. Математическая теория L-систем . Academic Press, 1980 г.
  28. ^ Брукс. R. Искусственная жизнь: от мечты робота к реальности . Nature 406 (2000), 945-947
  29. ^ Липсон, П., Поллак, Дж. Автоматическое проектирование и производство роботизированных форм жизни . Nature 406 (2000), 974-978
  30. ^ Адлеман, Л. Молекулярное вычисление решений комбинаторных задач. Архивировано 6 февраля 2005 г. в Wayback Machine . Наука 266 (1994), 1021-1024
  31. ^ Кари, Л. ДНК-вычисления - прибытие биологической математики . The Mathematical Intelligencer 19, 2 (1997) 9-22.
  32. ^ Fujibayashi, K., Hariadi, R., Park, SH., Winfree, E., Murata, S. К надежной алгоритмической самосборке фрагментов ДНК: шаблон клеточного автомата фиксированной ширины . Нано Письма 8 (7) (2007) 1791-1797.
  33. ^ Reif, J. и LaBean, T. Автономные программируемые биомолекулярные устройства, использующие самособирающиеся наноструктуры ДНК . Сообщения ACM 50, 9 (сентябрь 2007 г.), 46-53
  34. ^ Seeman, Н. Нанотехнологии и двойная спираль . Scientific American Reports, 17. 3 (2007), 30-39.
  35. ^ Ротемунд, П., Пападакис, Н., Винфри, Э. Алгоритмическая самосборка треугольников Серпинского ДНК . PLoS Biology 2, 12 (декабрь 2004 г.)
  36. ^ Ротемунд, П. Складывание ДНК для создания наноразмерных форм и узоров . Природа 440 (2006) 297-302.
  37. ^ Бат, Дж., Турберфилд, А. ДНК-наномашины . Nature Nanotechnology 2 (май 2007 г.), 275-284
  38. ^ Паун, Г., Розенберг, Г., Саломаа, А. ДНК-вычисления: новые вычислительные парадигмы. Спрингер, 1998 г.
  39. Перейти ↑ Hirvensalo, M. Quantum Computing, 2nd Ed. Springer, 2004 г.
  40. ^ Ursin, R. et al. Квантовая связь на основе Entanglemen на 144 км . Природа Физика 3 (2007) 481-486
  41. ^ Negrevergne, C. et al. Тестирование методов квантового управления на 12-кубитной системе . Письма о физическом контроле 96: art170501, 2006
  42. ^ Ведрал, В. [Декодирование реальности: Вселенная как квантовая информация]. Издательство Оксфордского университета, 2010 г.
  43. ↑ Cardelli, L. Абстрактные машины системной биологии. Архивировано 19 апреля 2008 г. в бюллетене Wayback Machine Bulletin EATCS 93 (2007), 176-204.
  44. ^ Истрал, С., Де-Леон, Б.Т., Дэвидсон, Э. Регуляторный геном и компьютер . Биология развития 310 (2007), 187-195
  45. ^ Кон, К. Карта молекулярного взаимодействия систем контроля клеточного цикла млекопитающих и репарации ДНК . Молекулярная биология клетки 10 (8) (1999) 2703-2734.
  46. ^ Нагасаки, М., Онами, С., Мияно, С., Китано, Х. Био-исчисление: его концепция и молекулярное взаимодействие [ постоянная мертвая ссылка ] . Геномная информатика 10 (1999) 133-143.
  47. ^ Регев, А., Шапиро, Э. Клеточные абстракции: клетки как вычисление . Природа 419 (2002) 343
  48. ^ Карделли, L. Brane исчисления: взаимодействия биологических мембран . В LNCS 3082, страницы 257-280. Спрингер, 2005.
  49. ^ Смит, Х., Хатчисон III, С., Пфаннкоч, С., и Вентер, С. Создание синтетического генома путем сборки всего генома: бактериофаг {phi} X174 из синтетических олигонуклеотидов . PNAS 100 , 26 (2003), 15440-15445.
  50. ^ Сазани П., Ларральде Р., Шостак Дж . Небольшой аптамер с сильным и специфическим распознаванием трифосфата АТФ . Журнал Американского химического общества , 126 (27) (2004) 8370-8371
  51. ^ Вайс, Р., Найт, младший, Т. Разработанные коммуникации для микробной робототехники . В LNCS 2054, страницы 1-16, Springer, 2001
  52. ^ Ландвебер, Л. и Кари, Л. Эволюция клеточных вычислений: природное решение вычислительной проблемы [ постоянная мертвая ссылка ] . Биосистемы , 52, 1/3 (1999) 3-13.
  53. ^ Анжелеска, А .; Йоноска, Н .; Сайто, М .; Ландвебер, Л. (2007). «РНК-управляемая сборка ДНК». Журнал теоретической биологии . 248 (4): 706–720. DOI : 10.1016 / j.jtbi.2007.06.007 . PMID 17669433 . 
  54. ^ Прескотт, Д., Эренфойхт, А., и Розенберг, Г. Управляемая шаблоном рекомбинация для устранения IES и дескремблирования генов у стихотриховых инфузорий [ мертвая ссылка ] . J. Теоретическая биология 222, 3 (2003), 323-330.
  55. ^ Накагава, Х., Сакамото, К., Сакакибара, Ю. Разработка компьютера in vivo на основе Escherichia Coli . В LNCS 3892, страницы 203-212, Springer, 2006 г.
  56. ^ Забет Н.Р., Хоун А.Н., Чу Д.Ф. Принципы проектирования схем транскрипционной логики. Архивировано 7 марта 2012 года в Wayback Machine . В «Искусственной жизни» XII Труды Двенадцатой Международной конференции по синтезу и моделированию живых систем, страницы 186-193. MIT Press, август 2010 г.
  57. ↑ Duran-Nebreda S, Bassel G (апрель 2019 г.). «Поведение растений в ответ на окружающую среду: обработка информации в твердом состоянии» . Философские труды Королевского общества B . 374 (1774): 20180370. DOI : 10.1098 / rstb.2018.0370 . PMC 6553596 . PMID 31006360 .  

Дальнейшее чтение [ править ]

Эта статья написана на основе следующих ссылок с любезного разрешения их авторов:

  • Лила Кари, Гжегож Розенберг (октябрь 2008 г.). «Многогранность естественных вычислений» . Коммуникации ACM . 51 (10): 72–83. DOI : 10.1145 / 1400181.1400200 .
  • Леандро Нуньес де Кастро (март 2007 г.). «Основы естественных вычислений: обзор». Обзоры физики жизни . 4 (1): 1–36. Bibcode : 2007PhLRv ... 4 .... 1D . DOI : 10.1016 / j.plrev.2006.10.002 .

Многие из составляющих областей исследований естественных вычислений имеют свои собственные специализированные журналы и серии книг. Журналы и серии книг, посвященные широкой области естественных вычислений, включают в себя журналы International Journal of Natural Computing Research (IGI Global), Natural Computing (Springer Verlag), Theoretical Computer Science, Series C: Theory of Natural Computing (Elsevier), Natural Серия книг по вычислительной технике (Springer Verlag) и Справочник по естественным вычислениям (Г. Розенберг, Т. Бэк, Дж. Кок, редакторы, Springer Verlag).

  • Ridge, E .; Куденко, Д .; Казаков, Д .; Карри, Э. (2005). «Перенос природных алгоритмов в параллельные, асинхронные и децентрализованные среды». Самоорганизация и автономная информатика (I) . 135 : 35–49. CiteSeerX  10.1.1.64.3403 .
  • Swarms and Swarm Intelligence Майкла Г. Хинчи, Роя Стерритта и Криса Раффа,