Unaturligt udvalg

For at blive en professionel antennedesigner kan du følge en af ​​to veje: du kan tilmelde dig kurser på universitets- og kandidatniveau om elektromagnetisme, fordybe dig i det empiriske studie af antenneformer og lære dig selv hos en etableret tekniker, der er villig til at formidle disciplinens nøje bevogtede hemmeligheder.

Eller du kan gøre, hvad Jason Lohn gjorde: Lad evolutionen gøre arbejdet.

Denne historie var en del af vores februar 2005-udgave

• Se resten af ​​problemet
• Abonner

Fysikere ved meget om Maxwells ligninger og de andre principper, der styrer trådløs kommunikation. Men antennedesign er stadig stort set en mørk kunst, siger Lohn, en computerforsker, der arbejder ved NASA Ames Research Center uden for Mountain View, CA. Marken er så egernagtig. Al din læring er gennem forsøg og fejl, skolen for hårde slag.

Så hvorfor ikke automatisere trial and error? Antennedesign, mener Lohn, er et af mange tekniske problemer, der bedst kan løses ved hjælp af evolutionære algoritmer, en spirende softwareklasse, der producerer mange forskellige designs og afviser de mindre egnede for at vælge den mest funktionelle. De resulterende designs virker ofte lidt umenneskelige - ulelegante og uhyggelige.

Evolutionære algoritmer, også kendt som genetiske algoritmer eller GA'er, tager udgangspunkt i den biologiske evolution, som kan forvandle et kravlende krybdyr til en svævende fugl uden nogen form for fremadskuende plan. Ved seksuel reproduktion skaber blandingen af ​​hver forælders gener - kombineret med tilfældig genetisk mutation - organismer med nye egenskaber, og de mindre egnede organismer har en tendens til ikke at videregive deres gener til efterfølgende generationer. Evolutionære algoritmer fungerer stort set på samme måde, men inde i en computer. Når Lohn for eksempel skaber en ny antenne, starter han med en population af tilfældigt genererede designs og vurderer deres relative ydeevne. Design, der kommer tæt på foruddefinerede mål, vinder retten til at blande deres egenskaber med andre succesrige kandidaters egenskaber. Design, der skuffer, går vejen for archaeopteryx: glemsel.

Opdrætsantenner tager selvfølgelig tid. De fleste designs er direkte forfærdelige, og det kræver et stort antal computercyklusser at finde anstændige performere. Alligevel, når du har en computer, der kan generere og teste 1.000 generationer i timen, dukker interessante ideer op*. Lohn, en ph.d., som ikke har taget et kursus i elektromagnetisme siden hans bachelor-år, forventer at have mindst et af hans teams antennedesign til at gå ud i rummet i år som en del af NASAs Space Technology 5-mission, som vil teste en trio af miniaturer satellitter. Hans foretrukne computerdesignede antenne: en proptrækker, der er lille nok til at passe i et vinglas, men alligevel i stand til at sende en bredstrålende radiobølge fra rummet til Jorden. Det ligner intet, nogen fornuftig radioingeniør ville bygge på egen hånd.

Evolutionære algoritmer er et fantastisk værktøj til at udforske de mørke hjørner af designrummet, siger Lohn. Du viser [dine designs] til folk med 25 års erfaring i branchen, og de siger: ‘Wow, virker det virkelig?’ Det lidt uhyggelige svar er, at ja, det gør de virkelig, som Lohn slog fast efter måneders test. Hvis vi er heldige, kan vi have så mange som seks antennedesign på vej ud i rummet i 2005, siger Lohn.

Ikke alle problemer vil bukke under for den evolutionære tilgang. Men dem, der vil dele et fælles træk: de ligger alle ud over det, matematikeren John von Neumann kaldte kompleksitetsbarrieren, skillelinjen mellem problemer, der kan løses ved hjælp af traditionelle, reduktionistiske metoder, og dem, der kræver en mere intuitiv opkastning. -og-se-hvad-stikker tilgang. Indtil for nylig var det et dyrt forslag at krydse denne barriere. Men nutidens computere er hurtige nok til at gennemsøge millioner af offbeat designs i håb om at finde en, der virker. Kombiner det med moderne designeres voksende færdigheder i at anvende evolutionære algoritmer, siger David Goldberg, direktør for Illinois Genetic Algorithms Laboratory ved University of Illinois i Urbana-Champaign, og du får, hvad ingeniører kærligt kalder skalerbarhed: evnen til at tackle både miniature- og store designudfordringer.

Ligesom dampmaskinen skabte mekanisk løftestang til at udføre større opgaver, begynder genetiske algoritmer at give individer en slags intellektuel løftestang, der vil omforme arbejdet, siger Goldberg. Ved at automatisere nogle af tankernes tunge løfter frigør vi os selv til at arbejde på et højere, mere kreativt niveau. En sådan frihed har selvfølgelig en pris. Det kræver, at ingeniører erkender umuligheden af ​​at kigge ind i hvert eneste mørke hjørne og sætte deres lid til endnu et lag af mekanisk assistance. Men flere og flere af dem tager det spring.

Fra legetøj til værktøj
At gengive i mikrosekunder på en computer en proces, der tager millioner af år i naturen, er en idé, der længe går forud for evnen til at realisere den. John H. Holland, en 76-årig professor i datalogi ved University of Michigan, siger, at han først kom på begrebet, mens han gennemsøgte Michigans matematikbiblioteks åbne stakke i begyndelsen af ​​1950'erne.

En gang i mellem tog jeg en bog, der så interessant ud, og læste den bare, siger han. Den vane førte ham til The Genetical Theory of Natural Selection, en bog fra 1930 af den britiske matematiker, der blev biolog Ronald Fisher. Inspireret af ærteplanteeksperimenterne fra den østrigske munk Gregor Mendel fra det 19. århundrede, udarbejdede Fisher matematiske beskrivelser af naturlig udvælgelse på niveau med individuelle gener. Mens forskerne ikke ville knække biokemien bag den proces før i 1950'erne, passede Fishers arbejde ikke desto mindre med, hvad bønder og hyrder havde vidst i århundreder: seksuel reproduktion sikrer variation og nyhed.

Det er egentlig der, de genetiske algoritmer kom fra, siger Holland. Jeg begyndte at spekulere på, om man kunne opdrætte programmer på den måde, folk f.eks. ville opdrætte gode heste og avle gode majs på.

Holland skrev sit første papir om adaptive algoritmer i 1962. Men det var først i slutningen af ​​1970'erne, at han og hans kandidatstuderende havde samlet de beregningsmæssige ressourcer til at sætte ideen i spil. Holland krediterer en af ​​hans studerende, Edward Codd, for at have overbevist sin tidligere arbejdsgiver, IBM, om at sælge forskergruppen i Michigan en lavpris-mainframe. (Codd ville fortsætte med at vinde AM Turing Award, datalogiens ækvivalent til Nobelprisen, for at designe de første relationelle databaser.) Allerede dengang begrænsede computerens sølle 32 kilobyte hukommelse imidlertid størrelsen og omfanget af forskernes indledende eksperimenter.

En af de første videnskabsmænd, der gav evolutionære algoritmer en seriøs prøvetur, var Goldberg, som arbejdede under Holland som ph.d.-studerende i begyndelsen af ​​1980'erne. Goldberg genoplivede et problem, som han havde stået over for i løbet af sine dage i naturgasindustrien: minimer strømforbruget i en langdistancerørledning, givet variationer i regional efterspørgsel. Hans evolutionære algoritmer gav løsninger lige så effektive som dem, der blev produceret af den eksisterende fluidmekaniksoftware, der blev brugt af pipeline-designere. Men da Goldberg fodrede sine algoritmer med større og mere komplicerede problemer, begyndte de at snuble: de gik i stå med at udforske evolutionære blindgyder eller spytte håbløst vilde løsninger ud. Jeg forstod de problemer, jeg løste, bedre end de værktøjer, jeg brugte til at løse dem, og det generede mig, siger Goldberg.

Goldberg fokuserede sin afhandling og derefter endnu et halvt årti med arbejde på at gøre genetiske algoritmer mere forudsigelige. Han fandt ud af, at justering af parametrene for hver ny algoritme - for eksempel startpopulationsstørrelsen eller mutationshastigheden - udglattede nogle få rynker. Men for det meste efterlod hans forskning ham med en nøgtern erkendelse: evolutionære algoritmer var ofte mere komplekse end de problemer, de forsøgte at løse. Til sidst lærte Goldberg at styre uden om det, han kalder problemer med nåle i høstakken, som kræver en enkelt, bedste løsning; disse havde en tendens til at få evolutionære algoritmer til at spinde ud af kontrol. I stedet sigtede han mod venligere problemer, der havde en række levedygtige løsninger, afhængigt af hvordan du greb dem an. Hvis der er snesevis af nåle spredt rundt på en sådan måde, at den [evolutionære algoritme] kan bryde høstakken ned i mindre høstakke, garanterer du i det mindste dig selv et skud på et bedre resultat, siger Goldberg.

Goldberg dokumenterede sit arbejde i en lærebog fra 1989, et bind, der ville inspirere andre computerkyndige ingeniører til at begynde deres egen fidus. I midten af ​​1990'erne havde ingeniører ved General Electric Research Center i Niskayuna, NY, bygget evolutionære metoder ind i et internt designværktøj kaldet EnGENEous, som blev brugt til at finde den mest effektive form for blæserbladene i de anvendte GE90-jetmotorer på Boeings 777-fly. EnGENEous tillod GE90-teamet at eliminere et trin af motorens kompressor, hvilket betød en reduktion i motorvægt og produktionsomkostninger uden at gå på kompromis med den aerodynamiske ydeevne. Efter denne indledende succes åbnede sluserne sig for at bruge disse typer værktøjer i mange forskellige applikationer på tværs af alle GE's virksomheder, siger Pete Finnigan, laboratoriechef for avancerede mekaniske designapplikationer ved forskningscentret. Ingeniører hos Rolls Royce, Honda og Pratt og Whitney har fulgt trop og indarbejdet genetiske algoritmer i deres egne designprocesser.

Markering af svindel
Men mens computere er blevet kraftige nok til at anvende evolutionære principper på alle mulige problemer, er høstakkene blevet mangedoblet i en endnu mere dramatisk hastighed. Overvej forbrugersvindel. Kreditkortselskaber anslår, at $0,07 pr. $100 opkrævet på kreditkort går tabt på grund af svindel, hvilket koster industrien mere end $1 milliard om året alene i USA. Alligevel er det stadig fænomenalt svært at skrive traditionel software til at identificere svigagtige afgifter. Hvorfor? Fordi de personer, der begår svindlen, er eksperter i at ændre deres adfærd for at undgå opdagelse. Det er simpelthen ikke muligt at skrive et program, der forudser enhver mulig fidus.

Men evolutionære algoritmer kan i det mindste gøre computeriseret svindeldetektion mere tilbøjelig til at lykkes, hævder de kunstig intelligens-forskere, der grundlagde New York City-baserede Searchspace. Virksomheden sælger en række programmer, der deler høstakken op ved at lede efter afvigende aktivitet inden for præcist definerede udsnit af eksisterende kontodata, siger Michael Recce, Searchspaces chefforsker. Softwaren bruger værktøjer kaldet sentinels, programmeret med regler for registrering af svindel. Flere debiteringer på det samme betalingskort i en enkelt butik på en enkelt dag kan for eksempel automatisk hæve et rødt flag.

Men den person, der samler op på disse køb, kan simpelthen være en glemsom juleshopper, ikke en tyv. Så vagtposterne vægter en række faktorer ind, såsom en persons tidligere aktivitet i den butik, for at undgå falske positiver og kun markere konti, som menneskelige eksperter er enige om, er mistænkelige. Siger Recce, Du kan indstille fitnesskriterierne på en måde, der giver både minimalt svindeltab og minimalt tab af gode kunder.

Searchspace er rutinemæssigt vært for piloter, i det væsentlige software-bage-offs, der sætter sine algoritmer op imod potentielle kunders eksisterende svindeldetektionssystemer. Deltagerne bringer blindprøver af historiske data ind for at se, om Searchspaces vagtposter planter røde flag alle de rigtige steder. Uvægerligt, siger Recce, viser vagtposterne ikke kun de præflagede konti, men også et par flere skurke, der lurer i baggrundsstøjen. Jeg tror ikke, der har været en af ​​de præsentationer, hvor vi ikke har været nødt til at sætte tingene på pause et øjeblik, så en leder kunne gå ud for at foretage et hurtigt telefonopkald, siger Recce og smiler.

Patently original
Nu hvor evolutionære algoritmer overliste mennesker, ønsker nogle forskere at hæve barren endnu højere. På Stanford University, for eksempel, udforsker professor i biomedicinsk informatik John Koza – endnu en hollandsk protegé – et nært beslægtet felt kaldet genetisk programmering. Evolutionære algoritmer har faste sæt instruktioner og varierer blot de data, de manipulerer. Genetiske programmer er mere som seksuelle organismer, der er i stand til at forbedre sig over tid ved at blande stykker kode indbyrdes. De opdagelser, Kozas programmer har gjort indtil videre, spænder fra nye computeriserede metoder til sortering af proteiner til banebrydende designs til elektroniske kredsløb.

Kredsløbsdesignerne er opstået fra Kozas arbejde med Matthew Streeter fra Carnegie Mellon University og Martin Keane fra Econometrics, et marketingstrategikonsulentfirma med base i Chicago. Sammen byggede forskerne et program, der tegner skematiske kredsløbsdiagrammer. Deres første udfordring var at se, om den genetiske tilgang kunne stamme fra scratch-kredsløbsdesign, der allerede var patenteret af tidligere ingeniører. Programmet havde lidt problemer med at generere simple designs, der matchede dem, der blev patenteret i 1930'erne og 1940'erne. Faktisk begyndte Koza at henvise til programmet som en opfindelsesmaskine og skabte en webside, der sporer de seneste opdagelser fra menneskelig konkurrencedygtig software.

På det tidspunkt, hvor Kozas gruppe testede den fjerde eller femte version af deres program, begyndte der dog at ske noget endnu mere overraskende: Programmet sparkede kredsløbsdesign ud, der ikke var offentliggjort nogen steder i patentlitteraturen. To af disse designs – et par controllerkredsløb, der regulerer feedback – var så originale, at Koza og hans kolleger har taget patent på dem.

Så stolt som han er af sin software, er Koza ikke ved at tildele ansvaret for de nye designs til selve programmet. Patenterne krediterer Keane, Koza og Streeter i nævnte rækkefølge. Men der er et par nye pseudofilosofiske gåder, der lurer her: Hvis noget er opfundet uden et menneske i nærheden, er det så virkelig en opfindelse? Hvem er opfinderen? Og hvis opfindelsen rent faktisk virker, betyder det så noget, hvis vi ikke forstår hvordan?

På det sidste punkt, siger NASAs Lohn, er der to tankegange. En siger, at jeg bare har brug for noget, der gør X, Y og Z, og hvis evolutionen giver mig X, Y og Z, er det det eneste, jeg bekymrer mig om. Den anden skole vil gerne vide, hvad der er derinde, og hvordan det fungerer. Vi kan ikke rigtig hjælpe disse mennesker, fordi vi ofte ser udviklede designs, der er fuldstændig uforståelige.

Der er endnu ikke behov for, at mennesker føler sig jaloux på menneskelig konkurrencedygtig software, siger Koza, da det ultimative mål simpelthen er at overdrage ingeniørarbejdets hårdeste slid til computere. Han forudser et tidspunkt i den nærmeste fremtid - måske om 20 år - hvor genetiske algoritmer, der kører på ultrahurtige computere, vil overtage grundlæggende designopgaver inden for så forskellige områder som elektronik og optik. Men selv da, mener Koza, vil menneskelig og maskinel intelligens arbejde i partnerskab. Vi er aldrig nået dertil, hvor computere har erstattet mennesker, siger Koza. I særlige snævre områder, ja – men historisk set er man gået over til at arbejde med hårdere problemer. Det tror jeg fortsat vil være tilfældet.

Sam Williams er en freelance teknologiskribent baseret i Staten Island, NY. Han er en hyppig bidragyder til Salon.

skjule