ในช่วงไม่กี่ปีที่ผ่านมา แบบจำลองพื้นฐาน (FMs) ถูกนำมาใช้มากขึ้นในการวิจัยทางวิทยาศาสตร์ ซึ่งนำมาซึ่งความหวังในการเปลี่ยนแปลงในหลายสาขา อย่างไรก็ตาม การใช้ประโยชน์จาก FMs ในด้านชีวิตประดิษฐ์ (ALife) ยังอยู่ในช่วงเริ่มต้น และศักยภาพในการพัฒนาขนาดใหญ่ยังคงต้องถูกแตะต้อง บทความนี้แนะนำวิธีการใหม่ที่เรียกว่า "การค้นหาชีวิตประดิษฐ์อัตโนมัติ" (ASAL) ซึ่งใช้แบบจำลองพื้นฐานของภาษาภาพอย่างชาญฉลาด เพื่อลดภาระของการพึ่งพาการออกแบบด้วยตนเองและการลองผิดลองถูกในระยะยาวในการวิจัยชีวิตเทียมได้อย่างมาก และ สาขานี้นำเสนอกระบวนทัศน์การวิจัยใหม่
ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าครั้งสำคัญในการค้นพบโปรตีนที่ส่งผลให้ได้รับรางวัลโนเบล ศักยภาพของแบบจำลองพื้นฐาน (FMs) ในการสำรวจพื้นที่รวมขนาดใหญ่ได้ค่อยๆ ปรากฏออกมา เพื่อประกาศการเปลี่ยนแปลงที่เป็นไปได้ในสาขาวิทยาศาสตร์หลายสาขา อย่างไรก็ตาม สาขาวิชาสิ่งมีชีวิตประดิษฐ์ (ALife) ยังไม่ได้ใช้ประโยชน์จากแบบจำลองพื้นฐานเหล่านี้อย่างเต็มที่ ซึ่งทำให้สาขาวิชานี้มีโอกาสในการพัฒนาอย่างมาก
ด้วยเหตุนี้ ทีมวิจัยจึงได้เสนอวิธีการที่เรียกว่า "การค้นหาชีวิตประดิษฐ์อัตโนมัติ" (ASAL) เป็นครั้งแรก โดยผ่านโมเดลพื้นฐานของภาษาภาพ จึงสามารถลดภาระในการออกแบบด้วยตนเอง และการลองผิดลองถูกในภาคสนามได้อย่างมีประสิทธิภาพ ของชีวิตประดิษฐ์ได้อาศัยมายาวนาน
ความสามารถหลักของวิธี ASAL ได้แก่ ประการแรก สามารถค้นหาการจำลองที่ก่อให้เกิดปรากฏการณ์เฉพาะ ประการที่สอง มันสามารถค้นพบการจำลองที่สร้างสิ่งแปลกใหม่ที่เปิดกว้างชั่วคราว และสุดท้าย ก็สามารถแสดงพื้นที่การจำลองที่หลากหลายและน่าสนใจได้อย่างครอบคลุม ความอเนกประสงค์ของแนวทางนี้ทำให้สามารถนำไปใช้กับสารตั้งต้นสิ่งมีชีวิตประดิษฐ์ที่หลากหลายได้อย่างมีประสิทธิภาพ รวมถึง Boids, Particle Life, Game of Life, Lenia ” และ “Neuronal Cellular Automata” เป็นต้น
ผลการวิจัยแสดงให้เห็นว่าวิธี ASAL ประสบความสำเร็จในการค้นพบรูปแบบชีวิตของเลเนียและบอยด์ที่ไม่เคยเห็นมาก่อน รวมถึงออโตมาตาเซลล์เปิดที่คล้ายกับเกมแห่งชีวิตของคอนเวย์ นอกจากนี้ การประยุกต์ใช้แบบจำลองพื้นฐานทำให้สามารถหาปริมาณปรากฏการณ์ที่เคยวัดได้ในอดีตเท่านั้น แบบจำลองการวิจัยใหม่นี้คาดว่าจะก้าวข้ามความคิดสร้างสรรค์ของมนุษย์ และเร่งความก้าวหน้าของการวิจัยเกี่ยวกับชีวิตเทียม
การศึกษานี้ยังนำเสนอการใช้งาน ASAL แบบง่ายๆ ซึ่งช่วยให้นักวิจัยเริ่มต้นได้อย่างรวดเร็ว โค้ดถูกนำไปใช้โดยใช้เฟรมเวิร์ก Jax ซึ่งมีความสามารถในการประมวลผลที่รวดเร็วตั้งแต่ต้นจนจบ โค้ดหลักประกอบด้วยการสร้างแบบจำลองพื้นฐาน วัสดุพิมพ์ การขยายการจำลองอย่างมีประสิทธิภาพ และการคำนวณเมตริก ASAL ทีมวิจัยได้นำสารตั้งต้นสิ่งมีชีวิตเทียมมาใช้ และผู้ใช้สามารถประเมินความเปิดกว้างของการจำลองได้โดยการรันโค้ดที่ให้มา
สำหรับนักวิจัยที่ต้องการดำเนินโครงการในเครื่อง ขอแนะนำให้โคลนฐานโค้ดก่อน ตั้งค่าสภาพแวดล้อม Python และติดตั้งไลบรารี่ที่เกี่ยวข้อง ในเวลาเดียวกัน ทีมวิจัยยังจัดเตรียมสมุดบันทึกที่พร้อมใช้งานบนแพลตฟอร์ม Google Colab เพื่ออำนวยความสะดวกให้ผู้ใช้เริ่มต้นได้อย่างรวดเร็ว
ทางเข้าโครงการ: https://github.com/sakanaai/asal
ไฮไลท์:
ทีมวิจัยเสนอวิธี "ค้นหาชีวิตประดิษฐ์อัตโนมัติ" (ASAL) เพื่อใช้แบบจำลองพื้นฐานเพื่อลดภาระของการออกแบบแบบดั้งเดิม
ASAL ช่วยให้ค้นพบการจำลองเฉพาะปรากฏการณ์ การจำลองนวนิยายปลายเปิด และการนำเสนอพื้นที่จำลองที่หลากหลาย
ผลการวิจัยประสบความสำเร็จในการค้นพบรูปแบบชีวิตใหม่และปริมาณปรากฏการณ์เชิงคุณภาพก่อนหน้านี้ ซึ่งส่งเสริมการพัฒนาการวิจัยชีวิตเทียม
การเกิดขึ้นของวิธี ASAL แสดงให้เห็นว่าการวิจัยเกี่ยวกับชีวิตเทียมได้เข้าสู่ยุคใหม่ของระบบอัตโนมัติ วิธีการนี้ไม่เพียงปรับปรุงประสิทธิภาพการวิจัยเท่านั้น แต่ที่สำคัญกว่านั้นคือขยายขอบเขตความเข้าใจของมนุษย์เกี่ยวกับปรากฏการณ์ชีวิตเทียม มอบเครื่องมืออันทรงพลังและมุมมองใหม่ในการพัฒนาการวิจัยเกี่ยวกับชีวิตเทียมในอนาคต ฉันเชื่อว่าด้วยความก้าวหน้าทางเทคโนโลยีอย่างต่อเนื่อง วิธี ASAL จะทำให้เราค้นพบสิ่งที่ไม่คาดคิดมากขึ้น