Douglas Hofstadter (siehe dazu in [Hof, Gödel, Escher, Bach: An Eternal Golden Braid]). Der Ausdruck Strange-Loop bezieht sich auf einen selbstreferenzierenden (rekursiven) Konstrukt. Strange-Loops gleichen nicht-animierten Molekülen oder bedeutungslosen Symbolen und weisen eine gewisse Selbstähnlichkeit auf further likens selves ("Ich"s oder "Seelen", was auch immer animierte Masse von nicht-animierter Masse unterscheidet), bis zu bestimmten gedrehten und verschlungenen, vortex-ähnlichen und bedeutungsvollen Mustern die in bestimmten, zum Teil chaotischen Systemtypen auftreten. Diese mysteriösen, fremden und sich wiederholenden Muster werden Strange-Loops genannt. Diese Muster sind noch wenig untersucht worden, da sie wenig bekannt, unhandlich, nicht intuitiv zu begreifen und von einem Hauch Mysterie umgeben sind. Beispiele für Strang-Loops sind die Gödelianische Strange-Loop die in formalen Systemen der Mathematik auftritt. Die Gödelianische Strange-Loop ist eine Schleife die einem System ermöglicht sich selbst zu "perceive itself", sich selbst zu beschreiben, und benötigt sich selbst um zu existieren.

Oder Strange Loops und auftretendes komplexes Verhalten, wenn ein Netzwerk zwischen zwei individuellen Komponenten innerhalb der confines einer selektierenden Umgebung entstanden ist.

Definition Künstliche Embryologie (Artificial Embryology, Artificial Embryos, Embryological Electronics, Embryonics): Die Kunst der Befehlsgenerierung, so dass eine abstrakte Zelle sich in einem abstrakten Medium reproduzieren und differentieren kann, so dass eine finale Agglomeration von Zellen eine bestimmte Eigenschaft besitzen, wie eine bestimmte Form oder ein gewünschtes Verhalten (siehe [Gar, 1992] Garis, Hugo de: Artificial Embryology: The Genetic Programming of Cellular Differentiation. Artificial Life III Workshop, 1992). Charakteristisch für die künstliche Embryologie ist das sequentielle, zeitabhängige Entfallten einer kodierten Struktur.

Es besteht die Möglichkeit auf der Grundlage von zwei- und drei-dimensionalen zellularen Automaten Formen wachsen zu lassen. Der zellulare Automat ist reproduktiv, das heisst jede Zelle kann bei entsprechender Konfiguration ihrer Nachbarzellen Tochterzellen bilden. Die Reproduktionsregeln werden durch Anwendung eines genetischen Algorithmus gefunden. Die Fitness-Funktion ist definiert wie genau die gewachsene Form der vorgegebenen Form gleicht. Die Arbeit hatte zwischen 1990-1992 begonnen. Später wurde auf der Grundlage der genetischen Algorithmen Chromosome gebildet, die differenzierbar sind und somit auch nicht konvexe Formen wachsen lassen sollen. Das Potential ist vorhanden, um riesige zellulare Automaten in einem Computer-System wachsen zu lassen, die künstliche Embryone im RAM mit enormer Geschwindigkeit bilden.

Genetic Programming: Artificial Nervous Systems, Artificial Embryos and Embryological Electronics

Das Dokument zeigt, dass durch den Einsatz der genetischen Grogrammierung die Möglichkeit besteht, hyperkomplexe Systeme wie künstliche Embryone zu bauen. Die Tatsache das ihre Interaktionen und Dynamiken zu komplex sind, dass diese analysiert werden können, spielt dabei keine Rolle.

Zukünftige Arbeit wird wahrscheinlich zu elektronischen Schaltkreisen führen, die in speziellen "Darwin Maschinen" "gezüchtet" werden. Diese Methode führt zu dem neuen wissenschafltichen Feld Embryological Electronics, kurz Embryonics.

Der Fokus liegt auf dem "Wachsenlassen" von Hardware, so wird vorgeschlagen, die Idee künstliche Embryone wachsen zu lassen, zu erweitern und sie so auch auf elektronische Schaltkreise anzuwenden. Die Schaltkreise sollen in einem zwei- oder dreidimensional Gitter von Zellen gezüchtet werden.

Ein Bit-String-Chromosom kodiert die Geburt und den Tod von Zellen in einem zwei- oder dreidimensionalen zellularen Automaten. Die finale Form der entstehenden Zellkolonie soll möglichst gut die gewünschte Form annähern. Durch das wachsen lassen einer Serie von Formen, soll es möglich sein ein Embryo wachsen zu lassen. Der Algorithmus verändert bestimmte Bereiche eines Chromosoms und bestimmt so welche Zelle stirbt oder sich in welche Richtung reproduzieren darf. Als Demonstration wird die embryonale Entwicklung eines zweidimensionalen Dreiecks gezeigt. Die Genauigkeit war 93% Überlappung des vorgegebenen Dreiecks.

Analog zu dem natürlichen embryologischen Konzept der Induktion, soll dieser Algortihmus erweitert werden. Wenn also eine Gruppe von Zellen auf einer andere Zellgruppe trifft.

Des weiteren wird auf die Unmöglichkeit hingewiesen, dass neue Computer-Hardware basierned auf der Nanotechnologie entwickelt werden kann, ohne die Technik der Embryonics einzusetzen. Die Komponenten müssen sich selbst assemblieren, der Einsatz embryologischer Konzepte ist unausweichlich.

Artificial Embryology / Differentiable Chromosom

Der einsatz der genetischen Programmierung nach de Garis wird vorgeschlagen, um komplexe Systeme herstellen zu können. Komplexe Systeme sind dabei Systeme deren Verhalten und Dynamik zur Zeit weder vorhersehbar noch analysierbar sind. Die genetische Programmierung wird auf reproduktive zellulare Automaten angewandt, um eine Kolonie von Zellen aufzubauen, die eine bestimmte gewünschte Form besitzt. In diesem Dokument wird der Bereich Artificial Embryology genannt. Die Artificial Embryology ist definiert als die Kunst der Befehlsgenerierung, um abstrakte Zellen die Reproduktion und Differentiate in eienm abstrakten Medium zu ermöglichen, so dass ein finale Agglomeration von Zellen bestimmte Eigenschaften besitzt. Zu diesen Eigenschaften zählen zum Beispiel eine gewünschte Form oder ein gewünschtes Verhalten. Weiterhin wird auf die sogenannte Darwin-Maschine hingewiesen. Selbstassemblierung beziehungsweise künstliche embryologische Typsysteme werden als Herstellungsmethode im Bereich der Nanotechnologie angesehen, da eine sequentielle mechanische Assemblierung wegen der vielen Komponenten billionen, trillionen eine Herstellung kleinster Maschinen nicht möglich macht.

Der Fokus des Dokuments ist die embryologische Differentiation und die genetischen Algorithmen zu verbinden. Traditionelle genetische Algorithmen besitzen nicht den Mechanismus einzelne Gene an- oder auszuschalten, wie es in der natürlichen Embryogenese geschieht. Die Idee der Differentiation wird ausserdem genutzt, um nicht-konvexe Formen von Zellkolonien in einem reproduktiven zellularen Automaten wachsen zu lassen.

Jede Zelle beinhaltet das gleich Chromosom. Differenzierbare Chromosome.

Der vorgestellt Algorithmus baut auf einem Chromosomenmodell auf, das aus vier Genen oder Operonen besteht. Jedes Operon besitz ein Konditions- und ein Aktionsfeld und ist ein- und ausschaltbar. Frühere Aktionen von Operonen können andere Operone an- oder aus schalten. Das Aktonsfeld kontrolliert die Reproduktion einer Zelle. Das gewünschte Ergebnis des sequentiellen Operonschaltens ist die kontrollierte Entwicklung eines künstlichen Embryos. Das System wird mit einem traditionellen Produktionssystem der künstlichen Intelligenz verglichen, dass ähnliche Eigenschaften wie das Klassifizierungssystem von Holland aufweist 1986.

Im Gegensatz zu den bisherigen Experimenten, wird in dieser Arbeit auch versucht eine nicht-konvexe Form wachsen zu lassen. Dabei wird entweder ohne oder mit der Shaping-Methode gearbeitet. Die Shaping-Methode ist durch die einfache Aufteilung eines evolutionären Prozesses in aufeinander folgende Phasen, mit aufeinander bauenden Zielen. Die Resultate der vorherigen Phase ist die Startbedingung für die nachfolgende Phase. Es soll erreicht werden, dass die Evolution in eine gewünschte Richtung gesteuert wird indem entsprechende Zwischenziele gewählt werden.

Die Ergebnisse sind enttäuschend, das Verfahren ist noch nicht ausgereift.

Evolving a Replicator: The Genetic Programming of Self Reproduction in Cellular Automata

Im Vordergrund steht die Erforschung eines Rahmenwerks für abstrakte Replikatoren. Insbesondere die nächse Generation von Quantenrechnern benötigen ein auf den Prinzipien der zellularen Automaten aufbauendes Betriebssysteme, da sie nach dem Prinzip des Quanten-Tunnelings arbeiten. Nur die Interaktion in der unmittelbaren Nachbarschaft ist möglich.

Byl, Langton

Der vorgestellte Algorithmus zeigt zwar, dass durch den Einsatz der genetische Programmierung die hier benötigten Chromosomen und die darin kodierten Regeln der Zustandsüberführung einer Zelle gefunden werden können. Andererseits ist die Aufgabe einen abstrakten Replikator an sich zu entwickeln wesentlich schwieriger als es zunächst scheint. Das gilt schon für Replikatoren in einem zellularen Automaten der nur mit zwei Zellzuständen arbeitet. Unter anderem sind zum Beispiel logische Unmöglichkeiten bestimmte Muster durch Zustandsüberführungen von Zellen Hindernisse, die nicht umgangen werden können.

Die reflektiven Eigenschaften

Das Dokument konzentriert sich auf die evolvability der expliziten und impliziten berechenbaren Embryogenie.

Implizite Embryogenie

Neues Modell für die implizit Embryogenie: Isospatial grid system (siehe [Frazer, 1995]), sechs Achsen um einen Punkt im Raum zu definieren. Zellen werden durch Kugeln repräsentiert. Drei-dimensionale Phenotypen

Jede Zelle enthält das gleiche Chromosom mit mehreren Genen. Das System benutzt frei diffundierende Morphogene.

Differenzierbare Chromosomen, Entwicklungsregeln können in ihrer Ausführung andere Regeln an- oder ausschalten.

Musterformationen

Ein Komponenten basierter Ansatz wird ausserdem erwogen (siehe [Bentley, 2000]), sowie der Einsatz von neutralen Netzwerken (nach [Barnett, 1997]).

Three Ways to Grow Designs: A Comparison of Embryogenies for an Evolutionary Design Problem

Das Dokument beschäftigt sich mit der Erforschung von Wachstumsprozessen, der Embryogenie, um Genotypen auf Phenotypen innerhalb eines evolutionären Systems abbilden zu können. Die Antwort für die einfachen Lösungen von komplexen Aufgaben in der Natur wird die entstandene Embryogenie von lebendigen Kreaturen angesehen. Im Unterschied zu den meisten evolutionären Algorithmen in der Computer-Wissenschaft, gebraucht die Natur keine 1-zu-1-Abbildung von Genotypen nach Phenotypen. Multizellulare Organismen wachsen durch die Befehle, die in ihrem genetischen Material gespeichert, kodiert sind. Die nicht handhabbare Konvolution von Interaktionen zwischen allen Teilen des heranwachsenden Kreatur erlaubt eine kleine Menge an Informationen, wesentlich komplexere Formen zu generieren. Implizit werden dabei Konzepte wie der Kompression, der Iteration, der Rekursion, der Adaption und Speicherung genutzt. Die natürliche Embryogenie ist ein skalierbares Konzept. Hatte sie sich erst einmal in der Natur gebildet, so ermöglicht die Embryogenie die Evolution aller Kreaturen, von der Fruchtfliege bis zum Wal.

Die Embryogenie bezeichnet den Prozess des Wachstums, die Embryologie hingegen bezeichnet den wisenschaftlichen Bereich des Studiums von Embryonen und Embryogenesen. Von den vier hauptsächlich genutzten evolutionären Algorithmen, benutzen nur die genetischen Algorithmen einen Abbildungsschritt von dem Anfang ihrer Entwicklung. Die Abbildung von einem Genotyp zu seinem Phenotyp kann baer in jeden anderen evolutionären Algorithmus problemlos eingeführt werden. Die Embryogenie ist ein besonderer Abblidungsprozess. Es besitzt die folgenden Eigenschaften:

• Indirekte Korrespondenz zwischen den Allelen und den phentotypischen Effekten. Der Genotyp wird als Menge von Entwicklungsanweisungen betrachtet, die die Entwicklung eines Phenotyps beschreibt.
• Die Polygenie bezieht sich auf das Zusammenwirken von mehreren Genen.

Die Vorteile der Embryogenie liegen unter anderem in:

• Reduktion des Suchraums. Die Embryogenie erlaubt sehr kompakte Genotypen die Definition von Phenotypen. Diese Kompression erlaubt das Genotypen weniger Parameter als die zugehörigen Phenotypen besitzen. Dies führt zu einer Reduktion der Dimensionalität des Suchraums und resultiert somit in einem kleineren Suchraum für die evolutionären Algorithmen.
• Hohe Komplexität der Lösungen im Suchraum. Die in einem Genotyp enthaltenen Entwicklungsanweisungen können einen hoch komplexen Phenotyp definieren.
• Wiederholungen. Die Embryogenie kann die Fähigkeit der Evolution steigern, Lösungen zu generieren, die eine wiederholende Struktur wie Symmetrie, Segmentation und Unterroutinen.
• Adaption. Die Möglichkeit Phenotypen in Abhängigkeit der Startbedingungen, Einschränkungen bezüglich des Wachstums und der Korrektur von Fehlfunktionen adaptiv wachsen zu lassen.

Nachteile der Embryogenie liegen vor allem in:

• Der Entwurf einer Embryogenie ist schwer. Nur eine gute Embryogenie hat Erfolg.
• Ihre Evolution ist schwer zu entwerfen, insbesondere die genetischen Operatoren müssen genau gefertigt sein.

In der Natur wird die Embryogenie als Interaktion zwischen den Genen, ihrer phenotypischen Effekten und der Umgebund in der der Embryo sich entwickelt definiert. Im Bereich der evolutionären Algorithmen werden drei Embryogenesen unterschieden.

Externe Embryogenie

Viele entwickelte Embryogenien sind global und extern zu ihren Genotypen definiert. So benutzen zum Beispiel evolutionäre künstlerische Systeme Embryogenien die unveränderbare Strukturen haben. Diese Embryogenien spezifizieren, wie Phenotypen aus den Genen des Genotyps konstruiert werden. Der Vorteil liegt in der besseren Kontrollierbarkeit über die entstehende Formen. Nachteilig ist, dass eine externe Embryologie nicht evolviert wird und der Entwickler sichern muss, das der komplexe Abbildungsprozess immer die gewünschte Funktion ausführt. Die externe Embryogenie kann auch adaptiv gestaltet werden. Bestimmte Abhängigkeiten garantieren, dass illegale Genotypen auf legale Phenotypen abbgebildet werden.

Explizite Embryogenie

Wenn jeder Schritt einer Embryogenie ist explizit in einer Datenbasis spezifiziert, dann stellt die Embryogenie ein Computer-Programm dar. Durch Einsatz der genetischen Programmierung erlaubt es solche Embryogenieprogramme evolvieren zu lassen. Typischerweise werden der Genotyp und die Embryogenie kombiniert, wodurch die Evolution beide Teile simultan geschehen kann. Die adaptive Abbildung von Genotyp auf Phenotyp kann auch eingesetzt werden. Das Problem liegt in dem Finden einer geeigneten Repräsentation des Problems und in der Entwicklung zugehöriger genetischer Operatoren, die der Zerstörung entgegen wirken.

Diese Art der Embryogenie wird unter anderem für die Evolution von analogen elektronischen Schaltkriesen genutzt. Dabei wird das zellulare Kodieren als Embryogenie genutzt. Andere Möglichkeit ist die Verwendung eine auf einer Grammatik basierende explizite Embryogenie für die Evolution von Architekturen.

Implizite Embryogenie

Die natürliche Evolution verwendet weder eine extern definierte Embryogenie oder eine explizite Repräsentatonen der Embryogenie in einem Gen. Sie setzt hingegen indirekte Sequenzen von Interaktionsregeln ein, um komplexe Embryogenesen zu entwickeln. Der Informationsfluss und die Reihenfolgen der Aktivitäten ist nicht von Anfang an vorbestimmt, sondern dynamisch, parallel und adaptiv.

Die Methode wurde bisher wenig untersucht. Das grosse Potential liegt jedoch darin begründet, dass die Art und Weise in der Gene aktiviert und unterdrückt werden können, die beliebige Häufigkeit der Aktivierung und Deaktivierung und die Möglichkeit der Verwendung eines Gens zur Spezifizierung mehrere Entwicklungsfunktionen, sowie die Parallelität der Genaktivitäten ermöglicht. Implizite Embrogenesen sind ein Typ von Regel basierten Generierungsprozeduren und können mit neuronalen Netzen, der Spieltheorie und den Klassifizierungssystemen in Beziehung gesetzt werden (siehe [Holland, 1998]. Durch die Anwendung der genetischen Programmierung können Regelmengen gefunden werden, die iterativ an jedes Element der wachsenden Lösung angewendet werden. So wurden zellulare Automaten gefunden, die in der Lage sind Rechenfunktionen auszuführen (nachzulesen in [Mitchell, 1993]). Ein anderes Projekt zeigte, dass künstliche neuronale Netze durch die Anwendung einer auf den zellularen Automaten basierende Embryogenesen in einer enormen Grosse entwickelt werden können (siehe [de Garis, 1994]).

Insgesamt werden vier embryonale Ansätze untersucht. Ein Ansatz benutzt keine Konzepte einer Embryogenie die anderen drei Ansätze verwenden jeweils eine der oben beschriebenen Embryogenesen. Durch die Skalierung eines Zielmusters sollen die verschieden Ansätze bezüglich ihrer Effizienz untersucht werden. Es zeigt sich, dass nur die hier beschriebene implizite Embryogenie das Zielmuster perfekt wachsen lassen konnte. Um so erstaunlicher ist dabei, dass ausserdem die Länge der Genotypen sich nicht signifikant bei der Skalierung des Zielmusters geändert hat. Das bedeutet auch, dass kein Bloat entsteht der durch entsprechende Regeln reduziert werden muss. Auf der anderen Seite fehlt der impliziten Embryogenie Diversivität bezüglich des Outputs, was aber nicht auf die Repräsentation zurückzuführen ist. Die Anzahl der Iterationen und die Startposition sind besonders sensibele Parameter der impliziten Embryogenie.

Genommodell

Das vorgeschlagene Modell versucht das zeitliche Verhalten von Genaktivitäten zu zeigen (siehe [Rei, 1999]). Gene steuern sich gegenseitig indem sie andere Gene an eine regulierende Sequenz binden. Die Basis des Modells stellt ein künstliches Genom dar, das zufällig kreiert wird und alle Information des Modells beinhaltet. Gene sind nicht vorspezifiziert, sie werden erst nach der Kreation eines Genoms indentifiziert. Wird eine Sequenz der Form 0101 im Genom gefunden, werden die nachfolgenden n Zahlen als Gen interpretiert. Das Produkt eines Gens ist eine einfache Transformation der Gensequenz. Bei dieser Transformation wird jede Zahl eines Gens um 1 inkrementiert. Durch das Produkt eines Gens ist man dann in der Lage alle regulierenden Sequenzen des Gens im Genom zu finden. Den regulierenden Sequenzen folgt das zu steuernde Gen.

Jedes Gen wird durch 0 oder beliebig viele regulierende Sequenzen gesteuert, die durch ein Gen, das das passende Genprodukt kodiert, bestimmt werden. Wird ein Genprodukt mit einer regulierenden Sequenz verknüpft, so führt dies zu zwei Ausdrucksstärken des betroffenen Gens. Das regulierenden Element kann entweder als Verstärker agieren und Gene aktivieren. Das regulierende Element kann aber auch als Inhibitor auftreten und somit Genaktivitäten unterdrücken. Die Regulierung ist nicht abhängig von einer Konzentrierung von Genprodukten beziehungsweise von Verstärkern. Das Auftreten eines einzelnen Verstärkers ist ausreichend, um andere Gene zu aktivieren. Die Blockierer haben dabei Vorrang vor den Verstärkern.

Biologische Plausibilität

Das Konzept einer einführenden Standardsequenz zur Identifizierung von Genen in einem Genom steht in Analogie mit der sogenannten TATA-Box. Die TATA-Box ist der Hauptbestandteil in dem Promotor eines jeden Gens. Weiterhin werden Genaktivitäten durch das Verknüpfen von Genprodukten an zugehörige Sequenzen eines Genoms reguliert. Dies korrespondiert mit den Handlungen von Faktoren der Transcription in Genomen, die auf der DNA basieren.

Natürliche Gene werden durch regulative Sequenzen, den sogenannten Cis-Elementen, gesteuert. Die Cis-Elemente befinden sich in einem natürlichen Genom entweder vor oder nach einem aktuell betrachteten Gen. Das hier vorgestellte Modell simplifiziert das natürliche Vorbild, da nur die Lage der regulativen Sequenzen vor einem aktuell betrachteten Gen plaziert werden. Das fundamentelle Prinzip wird dadurch aber nicht verletzt.

Auch die Konzepte von Verstärker und Blockierer kann in DNA-basierten Genomen wiedergefunden werden, wobei aber die natürlichen Konzepte wesentlich komplexer sind. In DNA-basierten Genomen findet neben einer komplexen Interaktion zwischen den regulativen Elementen, auch eine Regulierung von konzentrationsabhängigen Genaktivitäten statt.

Ablauf des Algorithmus

Die Betrachtung der Genaktivitäten bezüglich der Zeit können nach der Initialisierung eines Genoms folgendermassen geführt werden. Zuerst werden alle Gene bis auf ein Gen deaktiviert. Anschliessend werden die Gene als aktiv oder deaktiv markiert, die von dem Produkt des ersten aktiven Gens gekennzeichnet sind. In den folgenden Schritten werden dann die aktiven Gene gewählt und deren Produkte gebildet, um wieder Gene als aktiv oder deaktiv zu markieren. Nach einer gewählten Anzahl von analogen Wiederholungen des Algorithmus kann in einem Graphen ein zugehöriges Aktivitätsmuster der Gene dargestellt werden. Als Parameter des Algorithmus kann die Länge des Genoms, die Länge der Gene, die Menge der benutzten Zahlen und der Grad des Blockierens bestimmt werden. Zusätzlich lassen sich Gene manuell aktivieren beziehungsweise deaktivieren oder sogar für einen gesamten Durchlauf des Algorithmus aussschalten.

Modellverhalten

Das Verhalten des Modells hängt sehr von der Wahl der Parameter ab. Es lassen sich drei verschiedene Klassen von Verhaltensweisen des Modells bilden, nämlich das geordnete, das komplexe und das chaotische Verhalten. Dabei ist insbesondere die durchschnittliche Anzahl K von Genen die ein Gen steuern ein kritischer Wert.

Geordnetes Genverhalten

Das Genverhalten ist geordnet, wenn die Gene kontinuierlich aktiviert und deaktiviert werden. Ein geordnetes Genverhalten kann beobachtet werden, wenn die Anzahl K ein kleiner Wert ist. Das bedeutet anders ausgedrückt, dass ein niedriger Grad an Regulation vorliegt. Für ein geordnetes Verhalten müssen eine niedrige Genomgrösse, eine grosse Menge benutzbarer Zahlen und eine grosse Genlänge gewählt werden. Das geordnete künstliche Genverhalten ist von geringer Bedeutung, da sie nicht die wesentlich grössere Dynamik von dem natürlichen Verhalten der Gene abbilden kann.

Chaotisches Genverhalten

Bei dem chaotischen Verhalten von Genen zeigt sich, dass Gene nur zufällig und ohne erkennbares Muster aktiviert oder deaktiviert werden. Das chaotisches Verhalten kann dann beobachtet werden, wenn die Anzahl der Gene und der regulierenden Sequenzen gross ist. Hierdurch wird ein grösserer Wert für die Anzahl K erreicht, also eine höhere Verknüpfung von Genen. Wie bei dem geordneten Verhalten führt auch hier die Wahl der entsprechenden Parameter das Verhalten sich nicht ändert, sondern chaotisch bleibt. Die zu wählenden Parameter sind eine grosse Genomlänge, eine kleine Menge benutzbarer Zahlen und eine kurze Genlänge. Das chaotische Verhalten von Genen ist von geringem Interesse, da ein chaotisches System unbestimmbar ist und somit keine genetischen Informationen beinhalten kann.

Komplexes Genverhalten

Liegt die Anzahl K zwischen den Werten des geordneten und des chaotischen Verhaltens, so zeigt das Verhalten von Genen eine komplexe Dynamik (siehe auch [Mitchell, 199x] on the edge of chaos). Ein auffallendes Merkmal des komplexen Genverhaltens ist eine beobachtbare Tendenz der Produktion von zyklischen Genaktivitäten. Ein weiteres beobachbares Merkmal ist die scheinbare Verknüpfung von der Anzahl der Gene und der Anzahl der Schritte eines Zyklus. Je grosser die Anzahl von Genen in einem Genom ist, um so Länger ist die Periode des beobachtbaren Zyklus. Für künstliche Genome die zu der Klasse des komplexen Genverhaltens gehören wird ein Zyklus von Genaktivitäten von verschiedenen Startgenen aus erreicht. Dieses Verhalten kann auch als ein begrenzter zyklischer Attraktor betrachtet werden. Jedes Genom weist mehrere zyklische Attraktoren auf, eine Beobachtung die schon zuvor gemacht wurde (siehe [Kau, 1974]). Wird der Algorithmus nach dem Erreichen eines zyklischen Attraktors gestoppt und einzelne Gene manuell aktiviert oder deaktiviert so zeigt sich, dass in dem vorgeschlagenen Modell eine kontrollierte Zelldifferenzierung möglich ist. Je nach Aktivierung oder Deaktivierung einzelne Gene bewegt sich das System um verschiedene Attraktoren. Ausserdem zeigt sich, dass die manuelle Aktivierung und Deaktivierung von einzelnen Genen nur selten zu verschiedenen Aktivitätsmustern der Gene führt. Das System ist häufig robust gegenüber solche Störungen und verfällt schnell seinem vorherigen Attraktor. Auch das gänzliche Ausschalten von Genen kann das robuste Verhalten nicht beeinträchtigen.

Festzuhalten ist, dass bei geordnetem Genverhalten Strange-Loops systemimanent sind. Ausserdem ist die Robustheit des Systems gegenüber Veränderungen offensichtlich. Insbesondere das manuelle Abschalten von Genen zeigt, dass Mutationen nicht immer einen Effekt auf die Embryogenie haben muss. Traditionelle Ansichten vertreten die Meinung, dass die Robustheit eines genetischen Systems durch evolutionäre Prinzipien entstanden sind (vergleiche [Gil, 1994]). Die hier gewonnen Erkenntnisse zeigen aber auch in diesem Punkt, dass Robustheit eine systemimanente Eigenschaft ist. Interessant ist weiterhin, dass es bestimmte Gene gibt, deren Aktivität oder Deaktivität einen Zyklus destabilisieren und somit zu einem anderen Aktivitätsmuster der Gene führt. Dies verstärkt die Ansicht, dass Zelltypen eine Art von Attraktoren darstellen.

Weiterhin auffällig ist die grosse Menge von unbenutzen Sequenzen in einem gegebenen Genom mit komplexen Genverhalten. Damit das System nicht in einen chaotischen Zustand verfällt, muss die Anzahl der Gene und der regulierenden Sequenzen ausreichend gross sein. Grosse Genome steigern die Wahrscheinlichkeit, dass Genprodukte beziehungsweise Transkriptonsfaktoren eine passende regulierende Sequenz finden. Die redundanten und nicht benutzten Sequenzen werden von Systemen mit komplexem Genverhalten akkumuliert. Eine Veränderung der Länge eines Genoms hat Auswirkungen auf das Genverhalten. Falls dies auch in biologischen Systemen der Fall ist, scheint die Komplexität der Embryogenie eines Organismuss in Zusammenhang mit der sogenannten Müll-DNA steht.

Die Simulation einer künstlichen Zelle in molekularer Detailiertheit wird unter anderem seit 1997 ernsthaft erforscht. Die hier vorgestellten Ideen und Theorien sind bereits zwischen 1992 und 1993 entwickelt worden.

Der Fokus liegt in dem Versuch, eine Lösung des Proteinfaltens in mehreren Schritten zu finden.

Die Konstruktion eines Compilers für DNA-Code-Translationen. Da es bereits Compiler gibt wird im weiteren Verlauf das Problem der Faltung von Proteinen attackiert. Der erste Versuch war die Theorie der formalen Sprachen anzuwenden. Doch bevor die notwendigen Regeln und grammatischen Produktionen erstellt werden können müssen die Dynamiken des Faltens untersucht werden.

Zunächst werden Methoden analysiert, die Strukturen vorhersagen, ihre Stärken und Effektivität, sowie neue Möglichkeiten suchen.

Anschliessend wird die Repräsentation eines Proteins in ein Computer-System übertragen um die eigentliche Modellierung einer Zelle zu gestatten.

Philosophy The Big Picture

The Reflections chapter is a look back on the whole idea. It's mainly there to clear up any fuzzy points that might have existed.

The Strange Loops in Biology chapter is an attempt to collate some of the cooler strange loops in biology.

Ein deoxyribsose nucleic acid (kurz DNA) Molekül ist eine doppel-strang Kette von nuklein Säuren, die durch Phospho-Diester- und Hydrogenbindungen zusammen gehalten werden. Die DNA wird als Gehirn einer Zelle betrachtet. Eine zentrale Processoreinhet (kurz CPU) ist eine Interaktion von Flip-Flops, die durch Veränderungen der angelegten Spannung an- und ausgeschaltet werden. Die CPU kann als das Gehirn eines Computer-Systems angesehen werden.

Koderiern in mathematischem Sinn kann als ein Prozess angesehen werden, bei der ein gegebenes Objekt in eine Zahl umgewandelt wird, damit auf dieser Zahl zahlentheoretische Operationen ausgeführt werden können. In einem genetischen Kontext ist das Kodieren ein Prozess durch den ein DNA-Abschnitt in ein Protein durch Transcription und Translation umgewandelt wird. Einige dieser kodierten Proteine werden für die Synthese neuer DNA-Stränge genutzt. Die Beziehung von der Kodierung von Zahlen in Zahlen, so dass mathematische Operationen auf ihnen ausgeführt werden können, und der Kodierung von DNA in Proteine, so dass Proteine wiederum DNA produzieren können, kann in Termen der Strange-Loops beschrieben werden. Eine Strange-Loop ist ein selbstreferenzierender oder rekursiver Konstrukt.

Innerhalb des genetischen Kodierungsschema lassen sich mehrere Instanzen von Strange-Loops wiederfinden. Ein Beispiel ist die rekursive Repräsentation einer palindromische Sequenz von DNA. Ein Palindrom ist ein DNA-Strang bei dem ein Strang den gleichen Inhalt wie sein Gegenstrang besitzt, nur in umgekehrter Reihenfolge, also ein Strang der Form:

A C G C G T

| | | | | |

T G C G C A

Das obige Palindrom kann durch einen Stack dargestellt werden. Wenn der eine Strang auf den Stack gelegt wird, erhält man den anderen Strang indem Elemente vom Stack genommen werden.

Weitere genetische und hardware-technische Konzepte können in Übereienstimmung gebracht werden. Ein Genome eines Organismus kann eindeutig binär kodiert werden, wobei die einzelnen Bits für genetische Ausdrücke in Genen oder der Ativierung von Genen, der Präsenz oder der Abstinenz von Aminosäuren, nukleotide Basenpaare und ähnlichen Bestandteilen einer Zelle stehen. Auf diesen binären Zahlen können dann Funktionen ausgeführt werden. Dazu zählen zum Beispiel eine Abstandsfunktion für den Hamming-Abstand der die genetische Diversifikation ausdrücken soll oder die kodierung von Ezymen und Substraten die die Aktivierung oder Inaktivirung eines Enzyms bei dem Vorhandensein eines bestimmten Substrats darstellt. One should realise that the concept of coding pervades throughout the genetic system and in turn throughout the organism itself. This is particularly noticable when we apply formal language concepts to DNA strands. A "string" of DNA can be formally specified by a grammar, and that string can be parsed according to a set of productions, just as one would parse a natural or programming language string!

Es wird vermutet, dass das Erkennen von Strange-Loops in biologischen Systemen und ihrer Implementierung in Computer-Systemen zu künstlicher Intelligenz und zu künstlichem Leben führt. Durch die Simulation einer Zelle auf molekularer Basis soll wahre künstliche Intelligenz entstehen. Klassische Methoden der künstlichen Intelligenz benutzen ein deterministisches System um Nicht-Determinismus eines menschlichen Verhaltens zu simulieren. Im Gegensatz dazu wird in diesem Ansatz von einer einem Computer-System zugänglich gemachten Form einer DNA ausgegangen, mit den gleichen Eigenschaften die DNA in menschlichen Zellen besitzt. Die Konstruktion von Mechanismen die der Transcription und der Translation entsprechen ist notwendig. Die Replikation einer Zelle sollte entsprechend ihrer rekursiven Natur automatisch geschehen. Damit erhält man den ersten Schritt des Lebens, die primordiale germ Zelle in einem geschlossenen System nämlich einem Computer-System. The rest is up to the information contained in the strand of DNA that we have encoded. Dieser Prozess sollte in der Lage sein, Proteine zu produzieren und DNA und individuelle Zellen zu replizieren. Zusammengefasst wird ein "virtuelller Computer-Klon" eines Menschen vorgeschlagen.

Vor nicht allzu langer Zeit war es undenkbar, dass ein Computer einen Menschen in einem Spiel wie dem Schachspiel schlagen könnte. Dies ist heute nicht mehr der Fall. Während die Gesellschaften immer mehr mit technologischen Anwendungen vertraut ist, wird die Mensch-Maschine-Schnittstelle immer steigender und intensiver benutzt. Neue Mensch-Maschine-Schnittstellen werden zukünftig auch auf molekularer biologischer Ebene auftreten.

Wenn die hier dargestellte Theorie richtig ist, wird sie in der Tat zu der Modellierung von "virtuellen Zellen" und "höheren virtuellen Organismen" führen. Das ist dann wahres künstliches Leben. Es entsteht eine nach biologischen Prinzipien entworfene künstliche Intelligenz, da sie den Prinzipien folgt die in der Natur Intelligenz hervorbringt.

Dies bedeutet aber auch, dass ein "virtueller Klon" auch etwas wie Gefühle und Bewusstsein besitzt. Die Konzepte der Quantenmechanik zeigt, dass das Denken eng mit physikalischen Prozessen verknüpft ist. Gödel's Arbeit wird genutzt, um die Existenz von Bewusstsein zu zeigen. Andere Ideen haben Heisenberg's Prinzip der Unschärfe benutzt und Arbeiten von Hawking die die Existenz eines Gottes irrelevant macht. Ergänzt wird dies durch die Theorie der komplexen adaptiven Systeme, die zeigen, wie die Anwendung von einfachen Regeln zu komplexem Verhalten eines Systems führen kann. Die Zusammenführung dieser Ideen stellen die Grundlage für eine Theorie des Bewusstseins dar.

Ob die virtuellen Kreaturen mit einem Benutzer kommunizieren ist zur Zeit nicht beantwortbar. Zunächst kann ein Entwickler nur durch Beobachtungen des "virtuellen Organismus" Erkenntnisse über dessen Verhalten erlangen. Zeit wie Menschen sie wahrnehmen ist für die "virtuellen Kreaturen" irrelevant. Theoretisch sind diese virtuellen Kreaturen unsterblich.

Bentley, P. J.; Kumar, S.: Implicit Evolvability: An Investigation into the Evolvability of an Embryogeny. Second Genetic and Evolutionary Computation Conference (GECCO), 2000.

Bentley, P. J.: Representations Are More Important Than Algorithms: Why Evolution Needs Embryology. ICES2000, Keynote speech, 2000.

Ghosh and Tsutsui: Theory and Application of Evolutionary Computation: Recent Trends. Springer, 2000.

Darin enthalten ist:

Bentley, P. J.; Kumar, S.: Computational Embryology: Past, Present and Future.

Bentley, P. J.; Kumar, S.: The ABCs of Evolutionary Design: Investigating the Evolvability of Embryogenies for Morphogenesis. First Genetic and Evolutionary Computation Conference (GECCO), 1999.

Bentley, P. J. and Kumar, S.: Three Ways to Grow Designs: A Comparison of Embryogenies for an Evolutionary Design Problem. Genetic and Evolutionary Computation Conference (GECCO), 1999.

Bentley, P. J.: Evolutionary Design by Computers. Morgan Kaufman oder Academic Press Ltd., 1999.

de Garis, H.: Artificial Embryology and Cellular Differentiation.

Sims, K.: Evolving three-dimensional Morphology and Behaviour.

de Garis, H.: Genetic Programming: Artificial Nervous Systems, Artificial Embryos and Embryological Electronics. In Parallel Problem Solving from Nature, Lecture Notes in Computer Science 496, Springer, 1991.

Soucek, B.: Dynamic, Genetic, and Chaotic Programming. Wiley, 1992.

de Garis, H.: Artificial Embryology: The Genetic Programming of an Artificial Embryo.

de Garis, H.: Artificial Embryology: The Genetic Programming of Cellular Differentiation. Artificial Life III Workshop, Santa Fe, New Mexico, USA, 1992.

de Garis, H.; Iba, H.; Furuya, T: Differentiable Chromosomes: The Genetic Programming of Switchable Shape-Genes. International Conference on Parallel Problem Solving from Nature, 1992.

de Garis, H.: Evolving a Replicator: The Genetic Programming of Self Reproduction in Cellular Automata. Second European Conference on Artificial Life, 1993.

de Garis, H.: An Artificial Brain. New Generation Computing v12:2. Springer, 1994.

Lawrence, P. A.: The Making of a Fly: The Genetics of Animal Design. Blackwell Science Ltd., The Alden Press, 1995.

Kumar, S.: Lessons from Nature: The Benefits of Embryology. Genetic and Evolutionary Computation Conference (GECCO), 1999.

Sipper, M.: A Phylogenetic, Ontogenetic, and Epigenetic View of Bio-Inspired Hardware Systems. In IEEE Transactions On Evolutionary Computation, Volume 1, Nummer 1, February 4, 1997.

Slack, J. M.: From Egg to Embryo. Cambridge University Press, 1991.

Wolpert, L.: Principles of Development. Oxford University Press, 1998.