gooブログはじめました!

写真付きで日記や趣味を書くならgooブログ

生物進化は学習によって加速されるか?

2018-03-18 08:38:09 | ブログ
 参考文献を読んでいて、生物進化にとって「学習」という認知活動が不可欠なのではないか、と思えてきた。以下、この結論に達するまでの思考の道筋について順を追って説明する。

 例えば、クモは、ハエなどの小虫を効率よく捕るための巣を上手につくることができる。ダーウィン説によれば、クモが多くの世代を重ねて進化し、効率のよい巣をつくる個体のみが環境に適応できるため自然選択されて今日生き残っているとする。

 クモの巣を進化させるコンピュータ・シミュレーションの例が知られている。多世代に亘ってダーウィン説に基づく遺伝的アルゴリズムを適用することによって、クモの巣は進化していき、およそ200世代ほどで糸の密度と巣の大きさが最適に近いものができるという。

 また、眼について進化論的に考えたとき、「眼のような複雑な器官が果たして突然変異で生じるのか?」という疑問が生じ、ダーウィンを悩ませたようだ。

 近年になって、この問題に対して進化のシミュレーションによる解明が行われ、突然変異と自然選択だけで眼の進化を説明できることが明らかになった。シミュレーションは、透明な保護層と平らな感光細胞からなる原始的な眼からスタートし、40万世代もかからない内に光学的に性能のよい眼をつくり上げた。

 多くの生物は、眼を獲得したが、獲物となる生物、仲間の個体、天敵となる生物などを識別するためには、認知機能をもつ脳が発達する必要があった。特に、複雑に変化する環境の中に住む陸上哺乳類にとって、脳の発達は生存を左右するものであったはずである。それは、ヒトが地球上のヒト以外の生物の生死をも支配できる存在となったことからも理解できる。

 脳が外界の事物を認知するということは、個体が一世代の間に認知能力を学習することを意味する。哺乳類の中でヒトの脳が急激に進化したことから、脳の学習能力は多世代に亘って遺伝するのではないかという疑問が常にあったと思われる。

 しかし、ダーウィン説が広く信じられることになった結果、「獲得形質が遺伝する」とするラマルク説が否定されてきたこと、遺伝学の進歩にもかかわらず「学習能力をつかさどる遺伝子」のようなものを特定できないこと、そもそも「学習」とは何なのか科学的に定義できないことなどにより、生物進化は学習によって加速されるのか否かという問題は、容易には統一的な解答に到達できなかった。

 最近の脳科学の進歩と、人工知能に関する技術、特に画像認識や音声認識に関する技術の急速な進歩とによって、脳が外界の事物を認知し学習するとはどういうことか、いかに高度な能力なのかが、ようやく広く理解されるようになってきた。

 ヒントンらが行った脳のニューロンに関するシミュレーションがある。ある行動をとるときには、関与するニューロンのスイッチが正しく設定されていなくてはならない。このスイッチは、遺伝的にも、あるいは学習によっても設定できる。遺伝のみに頼っていると、ランダムな突然変異で正しい設定が出てくる可能性は極めてまれである。一方、個体が一生のあいだに学習できるとするとき、遺伝的に設定されていないスイッチに対しては、多数の試みを試すことができる。すると、一生の早い時期に(生殖可能な時期に)、正しい組合せを学習した個体ほど次の世代に多くの個体を残すであろう(適合度が高い)。

 人間界に広く見られる卑近な例も、この事実をよく説明している。一般的に言えば、多くの学習経験のある人は、学習経験の少ない人に比べてより多くの収入を得ることができるだろう。これによって学習経験の多い人は、より多く結婚の機会に恵まれ、より多くの子供を残すであろう(昔は貧乏人の子だくさんなどと言われたものだが、今の時代にはほとんど当てはまらないだろう)。また、高収入の親は、その子供に多くの教育費をかけることができ、子供も多くの学習機会というアドバンテージを得る可能性が高いだろう。すなわち、親の学習経験という獲得形質があたかも子供に遺伝したかのような結末となるであろう。

 ビッグデータが投入されて学習を行い、与えられた範囲の環境に対して頑強なものに最適化された人工知能のように、目まぐるしい環境の変化に適応するための生存技術と集団の中でコミュニケーションするための言語を操る能力を発達させ、学習能力によって、突然変異に依存するだけでは遅々とした進化しかしない生命体が格段の能力を備えるようになったのがヒトということになるのであろう。

 この機会を利用し、遺伝的アルゴリズムの応用について考えてみたい。ここで言う遺伝的アルゴリズムとは、生物の進化をシミュレーションするときに用いられるものに限定されず、目的に応じてその遺伝子型の遺伝子コードと表現型を自由に設定できるが、進化計算の手順が「遺伝的」なアルゴリズムに準拠しているものを指す。

 現在の人工知能を実装するための技術として、勾配降下法という技法が主流となっているようである。この方法は、しばしば局所解に陥るという欠点があることが指摘されている。最適解の探索のために遺伝的アルゴリズムを利用すれば、広域の探索が可能であるとされる。素人にとって、人工知能にビッグデータを投入して学習させ、充分に頑強な人工知能を構築することは無理であるが、少量の入力データを用いて、遺伝的アルゴリズムを適用する人工知能の技法を体験するのは有益かも知れない。

 遺伝的アルゴリズムは、すでに図形のデザインやロボットの行動制御などの分野にも利用されている。

 そこで、例えば図形のデザインに遺伝的アルゴリズムを利用するような体験ができないものかと考える。この分野の進化計算をするには、遺伝子コードを設定し、各遺伝子コードに対応して表現型となる図形を設定する必要がある。進化計算は、色々な遺伝子コードをもつ個体(図形)の集団に対して、遺伝子コードの変異を起こさせ、生成される個体を何らかの尺度をもつ適合度に従って人間が評価し、望ましい個体を選択するという手順になる。遺伝子コードと対応する表現型に関するアーキテクチャを構築するのは難しいが、集団の個体数は比較的少量で、入力データの量はビッグデータにならないのではないか。

 参考文献
 伊庭斉志著「進化計算と深層学習」(オーム社)
 レスリー・ヴァリアント著「生命を進化させる究極のアルゴリズム」(青土社)

液体窒素の中に赤熱した鉄球を沈める

2018-03-04 08:13:01 | 日記
 テレビで、米村でんじろうさんが演ずるサイエンス・ショウを見た。その中に興味深い実験があったので、この際、その考察を記録しておくことにした。

 実験は、1000度Cまで真っ赤に熱した鉄球を-200度Cの液体窒素が入ったガラス容器の中に沈めるものである。鉄球は、容易には冷却されず、かなり長い時間、赤熱した鉄球の姿が見えていた。

 容器の中には、液体の窒素と、気体となって鉄球の周囲に付着した気体窒素と、固体の鉄球との3相に分かれた物質が同時に存在することになる。ここで、気体窒素の熱伝導性が悪いために、鉄球の熱量が容易には液体窒素まで伝わらず、鉄球は容易には冷却されない。気体窒素は、ある程度、断熱材の役割を果たすことになる。

 気体窒素は熱平衡の状態にないため、その温度を推測することは難しい。鉄球の周囲の気体窒素の分子は、熱せられてその速度が速くなると、表面張力に打ち勝って鉄球を離れ、液体窒素の粘性抵抗に打ち勝って上昇し、大気中に流出する。そうすると、脱出した窒素分子に代わってより温度の低い気体窒素が鉄球の周囲に付着することになる。このような気体窒素の上昇対流も、熱の伝導を妨げる要因となるのであろう。また、液体窒素が蒸発するとき気体窒素から蒸発熱を奪うが、これも熱の伝導にとってマイナス要因である。

 気体窒素分子のダイナミックスをコンピュータ・シミュレーションすることは難しいが、実験によって気体窒素の平均的な温度伝導係数を測定することは、比較的容易であるとみる。液体窒素中の鉄球温度の時間変化は、光高温計のような測定装置を使えば容易に測定できる。この測定結果と、液体窒素の減少量の測定結果とから、気体窒素の熱伝導性能を推定できるだろう。

 最後に、熱伝導に関する基礎的な理論に基づいて気体窒素の熱伝導性能を議論しておこう。

 熱伝導による温度変化の伝わり方をきめる周知の微分方程式がある。この式に現れる定数が温度伝導係数kであり、物質の熱伝導特性を示す数値である(ギリシャ文字のカッパーで表現されることが多いが、ここではkで代用しよう)。

 k(気体窒素)/k(鉄)は、鉄のkを1としたときの気体窒素の係数比率を示している。また、この値は、鉄の熱伝導に関する時間スケールを1としたときの気体窒素の時間スケールを示している、と言い換えてもよい。

 そこで、ざっくりとした値ではあるが、気体窒素の係数比率を計算してみると、1000分の1のオーダーなので、鉄球と比較して同一熱量を伝導するに要する時間が1000倍程度になることが分かる。