Pesquisadores do MIT, Sakana AI, OpenAI e Swiss AI Lab IDSIA propõem um novo algoritmo chamado Busca Automática de Vida Artificial (ASAL) para automatizar a descoberta de vida artificial usando modelos baseados em visão de linguagem.

A Artificial Life Research (ALife) examina a evolução do comportamento semelhante ao da vida através de simulações de computador, fornecendo uma estrutura única para estudar “a vida como ela poderia ser”. No entanto, o campo enfrenta limitações importantes: dependência de regras de simulação manual e otimização. Este processo leva muito tempo e é dificultado pela intuição humana, deixando muitas descobertas potenciais por testar. Os pesquisadores muitas vezes dependem de tentativa e erro para identificar os gatilhos que levam a fenômenos como a auto-replicação, a dinâmica do ecossistema ou o comportamento emergente. Estes desafios limitam o progresso e o âmbito das descobertas.

Outro problema é a dificuldade de avaliar coisas como saúde. Embora métricas como complexidade e novidade forneçam alguns insights, muitas vezes elas não conseguem capturar uma visão humana diferenciada do que torna os eventos “interessantes” ou “realistas”. Esta lacuna sublinha a necessidade de abordagens sistemáticas e escaláveis.

Para enfrentar esses desafios, pesquisadores do MIT, Sakana AI, OpenAI e Swiss AI Lab IDSIA desenvolveram a Pesquisa Automatizada de Vida Artificial (ASAL). Este algoritmo inovador suporta modelos baseados em linguagem (FMs) para automatizar a detecção de formas de vida artificiais. Em vez de projetar cada regra manualmente, os pesquisadores podem definir um ambiente de simulação e a ASAL avalia-o automaticamente.

ASAL integra FMs de linguagem visual, como CLIP, para combinar a saída visual com informações textuais, permitindo testes de simulação em um ambiente de representação semelhante ao humano. O algoritmo funciona de três maneiras diferentes:

1. Pesquisa guiada: Identifica simulações que produzem determinados eventos.
2. Abrir pesquisa: Ele encontra simulações que produzem padrões novos e temporalmente persistentes.
3. Pesquisa de iluminação: Os mapas são uma simulação de diversidade, mostrando a variedade de formas de vida possíveis.

Esta abordagem muda o foco dos pesquisadores da configuração de baixo nível para questões de alto nível sobre os resultados desejados, aumentando enormemente o escopo dos experimentos ALlife.

Detalhes técnicos e benefícios

ASAL usa FMs de linguagem visual para explorar espaços de simulação definidos por três componentes principais:

• Distribuição dos primeiros estados: Especifica as condições iniciais.
• Função de etapa: Domina o poder da imitação ao longo do tempo.
• Função de fornecimento: Converte regiões de simulação em imagens interpretáveis.

Ao incorporar os resultados da simulação em um ambiente de representação alinhado ao homem, o ASAL permite:

1. Teste Funcional: Automatizar o processo de pesquisa economiza tempo e esforço computacional.
2. Desempenho amplo: ASAL é compatível com vários sistemas ALlife, incluindo Lenia, Boids, Particle Life e Neural Cellular Automata.
3. Métricas aprimoradas: Os FMs de linguagem visual preenchem a lacuna entre o julgamento humano e a avaliação calculada.
4. Descoberta aberta: O algoritmo é altamente eficaz na identificação de padrões novos e persistentes, centrais para os objetivos de pesquisa da ALife.

Principais resultados e observações

Os testes mostraram o desempenho do ASAL em vários substratos:

• Pesquisa guiada: A ASAL descobriu com sucesso simulações que correspondem a instruções como “moléculas autorreplicantes” e “redes de neurônios”. Por exemplo, em Neural Cellular Automata, ele identificou as regras que permitem a auto-replicação e dinâmicas semelhantes às de um ecossistema.
• Abrir pesquisa: O algoritmo revela as regras celulares dos autômatos que superam o brilho do Jogo da Vida de Conway. Essas simulações mostraram padrões dinâmicos que mantêm a complexidade sem estagnar ou entrar em colapso.
• Pesquisa de iluminação: ASAL mapeia vários comportamentos em Lenia e Boids, identificando padrões anteriormente invisíveis, como mutações anormais e estruturas celulares auto-organizadas.

A análise quantitativa adicionou informações adicionais. Nas simulações da Vida de Partículas, a ASAL destacou como certas condições, como um número crítico de partículas, eram necessárias para o aparecimento de substâncias semelhantes a “névoa”. Isto é consistente com o princípio de “muitas exceções” na ciência complexa. Além disso, a capacidade de combinar simulações esclarece a natureza caótica dos substratos ALife.

A conclusão

ASAL representa um avanço significativo na investigação da ALife, abordando desafios de longa data através de soluções sistemáticas e escaláveis. Ao descobrir e implementar automaticamente métricas de avaliação alinhadas às pessoas, o ASAL fornece uma ferramenta eficaz para avaliar comportamentos emergentes relacionados à saúde.

As direções futuras do ASAL incluem aplicações além do ALlife, como física de baixo nível ou pesquisa em ciência de materiais. Dentro da ALife, a capacidade da ASAL de explorar mundos hipotéticos e mapear a paisagem de possíveis formas de vida pode levar a avanços na compreensão das origens da vida e dos mecanismos que criam complexidade.

Concluindo, o ASAL capacita os cientistas a irem além do design manual e a se concentrarem em questões mais amplas do potencial de vida. Oferece uma maneira cuidadosa e sistemática de explorar “a vida como ela poderia ser”, abrindo novas oportunidades de descoberta.

Confira Papel de novo Página GitHub. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 60k + ML.

🚨 Tendências: LG AI Research Release EXAONE 3.5: Modelos de três níveis de IA bilíngue de código aberto oferecem seguimento de comando incomparável e insights profundos de conteúdo Liderança global em excelência em IA generativa….

Asif Razzaq é o CEO da Marktechpost Media Inc. Como empresário e engenheiro visionário, Asif está empenhado em aproveitar o poder da Inteligência Artificial em benefício da sociedade. Seu mais recente empreendimento é o lançamento da Plataforma de Mídia de Inteligência Artificial, Marktechpost, que se destaca por sua ampla cobertura de histórias de aprendizado de máquina e aprendizado profundo que parecem tecnicamente sólidas e facilmente compreendidas por um amplo público. A plataforma possui mais de 2 milhões de visualizações mensais, o que mostra sua popularidade entre o público.