Menü Kapat

ERL Hücresel Otomata Modeli

Özet

Bu çalışmada, hücresel otomata ile hücre yenilenmesini inceliyoruz. Her şeyden önce belirtmeliyiz ki bu çalışmanın temel kaynağı ve referansı Growing CA (https://distill.pub/2020/growing-ca/) çalışmasına aittir. Fakat geliştirdiğimiz modelin kaynak kodları incelendiğinde büyük fark olduğunu anlayacaksınız. Hücresel otomata ilk olarak, biyolojik varlıkların kendini yenileme yeteneklerini modellemek için günümüzün bilgisayar mimarisinin çalışma prensiplerini belirleyen Von Neumann tarafından tanıtıldı. Hücresel otomata, ızgara düzlemindeki hücrelerin etrafındaki hücrelerle etkileşim nedeniyle durum güncelleme mantığına dayalı bir hesaplama modeli içerir. Hücresel otomata üzerine yapılan çalışmalar, bazı durumların diğer durumlarla dinamik olarak etkileşime girdiğini göstermiştir. Morfogenez, bir organizmanın şeklini oluşturma sürecidir ve Morfogenez, kendi kendine organizasyon adı verilen bir olgunun en çarpıcı örneklerinden biridir. Morfogenetik kod bulmacasını çözmeye yardımcı olmak ve aynı zamanda gerçek hayattaki kendi kendini iyileştirme sistemleri oluşturmak için biyolojinin içgörülerinden yararlanmak için yaptığımız bu yapay zeka modeli ile istenen özelliklerin bir kısmını kopyalamaya çalışıyoruz.

Giriş

Çoğu organizma (çok hücreli), yaşamına tek bir hücre ile başlar, daha sonra bu hücre çoğalarak kendi vücutlarını inşa eder. Kendi vücutlarını inşa etme yeteneği, muhtemelen her canlı canlının sahip olduğu en temel beceridir. Morfogenez (bir organizmanın şekil geliştirme süreci), kendi kendine organizasyon adı verilen bir olgunun en çarpıcı örneklerinden biridir. Minik yapı taşları olan hücreler; organlara, her bir organın ne kadar büyüyeceğine ve onları nasıl birbirine bağlayacağına karar verir. Ve tüm bunları yapabilmek için komşu hücre ile iletişim kurar. Basit kurallardan ve homeostatik geribildirim döngülerinden karmaşık sonuçların ortaya çıkışının karşılıklı etkileşimini anlamak aktif bir araştırma alanıdır. Burada açık olan şey ise evrimin, genom kodlu hücresel donanım üzerinde çalışan oldukça güçlü morfogenetik yazılımı uygulamak için fizik ve hesaplama yasalarından yararlanmayı öğrendiğidir.

Bu süreç karışıklığa karşı son derece dayanıklıdır. Organizma tam olarak geliştiği zaman bile, bazı türler hala hasarı onarma yeteneğine sahiptir. Bu sürece rejenerasyon denir. Semenderler gibi bazı canlılar hayati organları, uzuvları, gözleri ve hatta beynin bazı kısımlarını tamamen yenileyebiliyorlar. Morfogenez, şaşırtıcı derecede uyarlanabilir bir süreçtir. Bazen çok atipik bir gelişim süreci bile yaşayabilir bir organizma ile sonuçlanabilir. Örnek vermek gerekirse, erken bir memeli embriyosu ikiye bölündüğünde, her bir yarısı tam bir birey oluşturur bu olaya monozigotik ikizler adı verilir.

Bu alandaki en büyük karmaşıklık, hücre kolektifinin neyi inşa edeceğini ve ne zaman bu inşayı durduracağını nasıl bildiğini öğrenmektir. Genom bilimleri ve kök hücre biyolojisi, her bir hücredeki belirli bileşenlerin dağılımını ve farklı hücre türlerinin oluşumunu açıkladıkları için bulmacanın yalnızca bir parçasıdır. Yenilenme süreci için gerekli olan birçok geni bildiğimiz halde, hücrelerin karmaşık organları çok özel bir anatomik amaç için nasıl inşa edeceklerini veya yeniden şekillendireceklerini bilmeleri için yeterli olan algoritmayı hala bilmiyoruz. Bu nedenle, biyotıpta gelecekteki çalışmaların önemli bir dayanak noktası, hücre kolektifleri içinde büyük ölçekli anatominin belirlendiği sürecin keşfi ve bu bilgiyi büyüme ve form üzerinde rasyonel bir kontrole sahip olmak için nasıl yeniden yazabileceğimizdir. Ayrıca, yaşam yazılımının, basit sinyal tetikleyicileriyle etkinleştirilebilen “buraya bir göz inşa et” gibi çok sayıda modül veya alt yordama sahip olduğu da anlaşılmaktadır [3]. Bu tür alt yordamların keşfi ve gelişimsel mantığın haritalanması, gelişim biyolojisi ve bilgisayar biliminin kesişme noktasında daha yeni bir alandır. Bir sonraki önemli adım, hem biyologların kavramsal araç setini zenginleştirmek hem de biyolojinin keşiflerini daha iyi robotik ve hesaplama teknolojisine dönüştürmeye yardımcı olmak için bu sürecin hesaplama modellerini formüle etmeye çalışmaktır. Elimizde bulunan yapay zeka teknolojisini, biyolojiye entegre ederek gen konusunda yapılacak çalışmaları desteklenebilir ve hesaplamaların simüle edilmesinde kolaylık sağlanabilir.

Morfogenetik kod bulmacasını çözmeye yardımcı olmak ve aynı zamanda gerçek hayatta kendi kendini onaran sistemler oluşturmak için biyolojinin içgörülerinden yararlanmak için, istenen özelliklerin bazılarını yaptığımız bu yapay zeka modeli ile kopyalamaya çalışıyoruz.

Model

Araştırmacılar ve mühendisler söz konusu hücresel Otomata ise genellikle kısmi türev denklem sistemleri (PDE’ler), parçacık sistemleri ve çeşitli Hücresel Otomata (CA) sistemleri de dahil olmak üzere birçok türde simülasyon kullanırlar. Bizim yapmak istediğimiz şey bölünme aşamasına bu yöntemleri kullanarak ters mühendislik yapmayı denemek. Yenileyici davranışına yol açan hücresel kuralları belirlemek için “Hücresel Otomata” modellerine odaklanacağız ve üzerinde çalışacağız. Bu görevde hücre büyümesi ve yenilenmesi üzerinde çalışacağız. CA’lar tipik olarak, bir hücre bütününden oluşurlar. Her bir hücreye aynı kurallar uygulanır ve yinelenir. Bu bütünlük; bir hücrenin durumu yakın çevresinde ki hücrelere bağlıdır. Yakın çevresinde ki hücrelerin durumuna göre hücre yenilenmektedir.

Çalışmalara tek bir hücreden başlayarak, çok hücreli bir model oluşturmak iyi bir başlangıç olacaktır. CA’yı tasarlamak için olası hücre durumlarını ve bunların güncelleme işlevini belirlemeliyiz. Tipik CA modelleri, bir dizi ayrı değerle hücre durumlarını temsil etse de, sürekli değerler vektörlerini kullanan varyantlar mevcuttur. Sürekli değerlerin kullanımı, güncelleme kuralının hücrenin bölgesinin durumlarının farklılaştırılabilir bir işlevi olmasına izin verme özelliğine sahiptir. Yerel ortama dayalı olarak bireysel hücre davranışına kılavuzluk eden kurallar, bir organizmanın genomu tarafından kodlanan düşük seviyeli donanım spesifikasyonuna benzer. Modelimizi bir başlangıç ​​konfigürasyonundan belirli bir miktar adım için çalıştırmak, bu tür donanımlar tarafından etkinleştirilen modelleme davranışını ortaya çıkaracaktır.

Farklılaştırılabilir işlevleri bir araya toplama ve çeşitli görevleri gerçekleştirmek için parametrelerini optimize etme çok eskilere dayanmaktadır. Son yıllarda (Derin) Sinir Ağları, Derin Öğrenme veya Farklılaştırılabilir Programlama gibi çeşitli isimler altında parametreleri optimize etme çalışmaları gelişmiştir.

Olası yardımcı durum konumlarıyla hücresel otomata modeli açıklaması. Her bir durumun merkezleri arasındaki mesafe, fiber materyalin yaklaşık çapını ve bir osteoblastın çapını temsil eder. Merkezde bulunan hücre yardımıyla hücreler kademeli olarak yenilenir. Yukarıda sekiz aşamayı görebilirsiniz. Her yeni kırmızı parça, ortadaki hücre yardımı ile yenilenir. Söz konusu hücre yardımıyla hücreler yenilenir ve gelişir.

Yenilenmeyi Öğrenmek

Bazı canlılar büyümenin yanı sıra kaybettikleri parçalarını da koruyabilirler. Sadece cildi yenilemekle kalmaz, aynı zamanda bazı türlerde kompleks hayati organlara çok ciddi hasar da verebilir. Aslında kertenkele türlerinde kopuk kuyruğun yeniden canlandığı bilinen bir gerçektir. Yukarıda gösterdiğimiz modelin rejeneratif yeteneklere sahip olma ihtimali var mı? Hücresel otomata modelimizi eğiterek göreceğiz.

Yukarıdaki resimler, aynı ayarları kullanan eğitimli bir modeli göstermektedir. Her modelin bir desen geliştirmesine izin veriyoruz, ardından son duruma faremizin yardımıyla zarar veriyoruz. Bir kez daha, bu modellerin oldukça farklı eğitim dışı mod davranışı gösterdiğini görüyoruz. Her nesne bize farklı sonuçlar gösterir. Örneğin “kertenkele”, kendisi için açıkça eğitilmeden oldukça güçlü rejeneratif yetenekler geliştirir. Bu yüzden modelimizi eğitmek için “kertenkele” yi kullanacağız.

Her varlığın, bir hücrenin tek bir kuralı izlemesi durumunda nelerin başarılabileceğini keşfetmek mantıklı görünüyor. Soru, belirli bir sonucu üretmek için ne tür kuralların kullanılabileceğidir. Örneğin, bir kare veya daire görüntüleyen bir dizi siyah veya beyaz piksel düşünürseniz, her piksele komşularının rengine bakmasını söyleyerek bunu ana hatlara dönüştürebilirsiniz – “siyahsanız, siyah kalırsa beyaz, aksi takdirde beyaz olur. ” hemen pikselleri seçer ve böylece onları bir ana hat haline dönüştürür. Her pikselin aynı kuralı izlediğine, ancak hepsinin aynı şeyi yapmadığına dikkat edin. Ayrıca, genel bir özelliği, yani anahatlara benzeyen bir özelliği seçerken her pikselin yerel olarak hareket ettiğini unutmayın.

Bu tür bir giyim kuralı, hücresel otomatı karakterize eden şeydir. Izgaradaki her hücreye, hücrenin durumunu ve etraflarındaki hücrelerin durumunu içeren aynı kural verilir. Böyle bir kural yereldir ancak Conway’in Hayat Oyunu tarafından kanıtlandığı gibi, çok bileşik organize davranışlarla sonuçlanabilir. Soru, belirli bir bileşik şekli oluşturabilecek her hücrenin uyduğu basit kurallar bulabilir miyiz? Yeni araştırmanın konusu bu.

Ana fikir, sistemin farklılaştırılabilir olması gerektiğidir, böylece bir gradyan türetilebilir ve sistemi daha iyi bir sonuca doğru hareket ettirmek için kuralı değiştirmek için kullanılabilir. Geri yayılmanın nasıl çalıştığı ve sinir ağlarının nasıl öğrendiği budur, ancak daha fazla bileşik sistemin daha iyi yapmayı “öğrenmesine” izin veren daha genel bir fikirdir.

Bu modelde ana hatları çizilen birçok pratik ayrıntı vardır, ancak genel bir fikir edinmekle ilgileniyorsanız en önemlisi, NN’ye gönderilen komşular hakkındaki bilgilerin durum vektörleri artı hücrenin durum vektörü arasındaki fark olmasıdır. Gradyan x ve y yönlerinde alınır ve böylece sinir ağına her hücrenin durumunu ve etrafındaki gradyanı özetleyen 48 boyutlu bir vektör besliyoruz.

Sinir ağına yalnızca durum vektörünün eğimi hakkında bilgi verilir. Bu, biyolojik hücrelerin mutlak değerlerden çok kimyasal gradyanlara tepki verdiği gerçeğini modellemeyi amaçlamaktadır. NN, 8000 parametresine sahiptir ve bu nedenle, komşu gradyanların ve durumun oldukça karmaşık bir işlevini öğrenebilir. Bu karmaşıklığın ne kadarının aslında biyolojik olarak makul konfigürasyonların üretilmesinde kullanıldığını sormak ilginçtir.

Yenilenmeyi Öğrenmek

ERL Hücresel Otomata modeli, yenilenme yeteneği üzerine eğitildi. Hedef modele ulaşıldığında, bazı kısımları hasar gördü ve ağ, hedefi yeniden oluşturmak için eğitildi. Bu bir kural olarak ilginçtir çünkü hedefin bir çekicinin muhtemelen rejeneratif özelliklere sahip olması gerekir.
Bu çalışma o kadar çok ek soru önermektedir ki, bu açıkça bir şeyin sadece başlangıcıdır. Gösterdiği şey, 16 boyutlu bir durum vektörünün, CA tipi bir kuralın iyi bir kararlılık ve yenilenme derecesine sahip karmaşık şekillere dönüşmesine izin vermek için yeterli olduğudur. Bu boyutların gerçek dünyada ne temsil edebileceği biyologlar için bir sorudur. Bilmek istediğim şey, onun çalışması için kaç boyutun gerekli olduğu?

Kaynakça

ERL Hücresel Otomata Modeli

Araştırma makalesi ve sistemin çalışma prensibini anlamanız için bir makale hazırladık okumaya ne dersin?

Kaynak kodu inceleyerek, bu konu hakkında daha fazla bilgi edinebilirsiniz.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir