Onnatuurlijke selectie

Om een ​​professionele antenne-ontwerper te worden, kun je twee paden volgen: je kunt je inschrijven voor cursussen op hbo- en universitair niveau over elektromagnetisme, jezelf onderdompelen in de empirische studie van antennevormen en jezelf in de leer doen bij een gevestigde technicus die bereid is om de goed bewaarde geheimen van de discipline.

Of je kunt doen wat Jason Lohn deed: evolutie het werk laten doen.

Dit verhaal maakte deel uit van ons nummer van februari 2005

• Zie de rest van het nummer
• Abonneren

Natuurkundigen weten veel over de vergelijkingen van Maxwell en de andere principes voor draadloze communicatie. Maar het ontwerpen van antennes is nog steeds een duistere kunst, zegt Lohn, een computerwetenschapper die werkt bij het NASA Ames Research Center buiten Mountain View, CA. Het veld is zo eekhoornachtig. Al je leren is door middel van vallen en opstaan, de leerschool van harde klappen.

Dus waarom niet automatisch vallen en opstaan? Antenne-ontwerp, meent Lohn, is een van de vele technische problemen die het best kunnen worden opgelost door evolutionaire algoritmen, een opkomende klasse van software die veel verschillende ontwerpen produceert, waarbij de minder geschikte wordt afgewezen om de meest functionele te selecteren. De resulterende ontwerpen lijken vaak een beetje onmenselijk - onelegant en griezelig.

Evolutionaire algoritmen, ook bekend als genetische algoritmen of GA's, zijn gebaseerd op biologische evolutie, die een kruipend reptiel in een zwevende vogel kan veranderen zonder enige toekomstgerichte blauwdruk. Bij seksuele reproductie creëert het schudden van de genen van elke ouder - gecombineerd met willekeurige genetische mutatie - organismen met nieuwe kenmerken, en de minder geschikte organismen hebben de neiging om hun genen niet door te geven aan volgende generaties. Evolutionaire algoritmen werken ongeveer hetzelfde, maar dan in een computer. Wanneer Lohn bijvoorbeeld een nieuwe antenne maakt, begint hij met een populatie van willekeurig gegenereerde ontwerpen en beoordeelt hij hun relatieve prestaties. Ontwerpen die in de buurt komen van vooraf ingestelde doelen, winnen het recht om hun eigenschappen te vermengen met die van andere succesvolle kandidaten. Ontwerpen die teleurstellen gaan de weg van de archaeopteryx: vergetelheid.

Het kweken van antennes kost natuurlijk tijd. De meeste ontwerpen zijn ronduit verschrikkelijk en er zijn een groot aantal computercycli voor nodig om fatsoenlijke artiesten te vinden. Maar als je een computer hebt die 1000 generaties per uur kan genereren en testen, ontstaan ​​er interessante ideeën*. Lohn, een PhD die sinds zijn studententijd geen cursus over elektromagnetisme heeft gevolgd, verwacht dat dit jaar ten minste één van de antenne-ontwerpen van zijn team de ruimte in gaat als onderdeel van NASA's Space Technology 5-missie, die een drietal miniatuurmodellen zal testen. satellieten. Zijn favoriete computerontworpen antenne: een kurkentrekker die klein genoeg is om in een wijnglas te passen, maar toch een breedstralende radiogolf van de ruimte naar de aarde kan sturen. Het lijkt op niets dat een verstandige radio-ingenieur in haar eentje zou bouwen.

Evolutionaire algoritmen zijn een geweldig hulpmiddel om de donkere hoeken van de ontwerpruimte te verkennen, zegt Lohn. Je laat [je ontwerpen] zien aan mensen met 25 jaar ervaring in de industrie en ze zeggen: 'Wauw, werkt dat echt?' Het enigszins spookachtige antwoord is dat ja, dat doen ze echt, zoals Lohn na maanden testen vaststelde. Als we geluk hebben, kunnen er in 2005 maar liefst zes antenne-ontwerpen de ruimte in gaan, zegt Lohn.

Niet elk probleem zal bezwijken voor de evolutionaire benadering. Maar degenen die een gemeenschappelijk kenmerk hebben: ze zitten allemaal buiten wat wiskundige John von Neumann de complexiteitsbarrière noemde, de scheidslijn tussen problemen die kunnen worden opgelost met behulp van traditionele, reductionistische methoden en problemen die een meer intuïtieve, gooi-it-up vereisen -en-zie-wat-kleeft-benadering. Tot voor kort was het oversteken van deze barrière een dure aangelegenheid. Maar de computers van vandaag zijn snel genoeg om door miljoenen ongebruikelijke ontwerpen te bladeren in de hoop er een te vinden die werkt. Koppel dat aan de groeiende vaardigheid van moderne ontwerpers in het toepassen van evolutionaire algoritmen, zegt David Goldberg, directeur van het Illinois Genetic Algorithms Laboratory aan de Universiteit van Illinois in Urbana-Champaign, en je krijgt wat ingenieurs liefdevol schaalbaarheid noemen: het vermogen om zowel miniatuur- als enorme ontwerpuitdagingen.

Net zoals de stoommachine een mechanisch hefboomeffect creëerde om grotere taken uit te voeren, beginnen genetische algoritmen individuen een soort intellectueel hefboomeffect te geven dat het werk zal hervormen, zegt Goldberg. Door een deel van het zware denkwerk te automatiseren, bevrijden we onszelf om op een hoger, creatiever niveau te werken. Die vrijheid heeft natuurlijk een prijs. Het vereist dat ingenieurs de onmogelijkheid erkennen om in elke donkere hoek te kijken en hun vertrouwen stellen in nog een andere laag mechanische ondersteuning. Maar steeds meer van hen wagen die sprong.

Van speelgoed tot gereedschap
Het reproduceren in microseconden op een computer van een proces dat in de natuur miljoenen jaren duurt, is een idee dat al lang ouder is dan het vermogen om het te realiseren. John H. Holland, een 76-jarige professor computerwetenschappen aan de Universiteit van Michigan, zegt dat hij voor het eerst op het idee kwam toen hij begin jaren vijftig door de open stapels van de wiskundebibliotheek van Michigan bladerde.

Af en toe pakte ik een boek dat er interessant uitzag en las het gewoon, zegt hij. Die gewoonte leidde hem naar The Genetical Theory of Natural Selection, een boek uit 1930 van de Britse wiskundige die bioloog werd, Ronald Fisher. Geïnspireerd door de experimenten met erwtenplanten van de 19e-eeuwse Oostenrijkse monnik Gregor Mendel, werkte Fisher wiskundige beschrijvingen uit van natuurlijke selectie op het niveau van individuele genen. Hoewel onderzoekers de biochemie achter dat proces pas in de jaren vijftig zouden kraken, kwam Fishers werk niettemin overeen met wat boeren en herders al eeuwenlang wisten: seksuele reproductie zorgt voor variatie en nieuwheid.

Daar kwamen de genetische algoritmen echt vandaan, zegt Holland. Ik begon me af te vragen of je programma's kon fokken zoals mensen bijvoorbeeld goede paarden fokken en goede maïs fokken.

Holland schreef zijn eerste paper over adaptieve algoritmen in 1962. Maar pas in de late jaren zeventig hadden hij en zijn afgestudeerde studenten de rekenkracht verzameld om het idee in de praktijk te brengen. Holland dankt een van zijn studenten, Edward Codd, met het overtuigen van zijn voormalige werkgever, IBM, om de onderzoeksgroep uit Michigan een goedkope mainframe te verkopen. (Codd zou vervolgens de AM Turing Award winnen, de informatica-equivalent van de Nobelprijs, voor het ontwerpen van de eerste relationele databases.) Maar zelfs toen beperkte het schamele 32 kilobyte geheugen van de computer de grootte en reikwijdte van de initiële gegevens van de onderzoekers. experimenten.

Een van de eerste wetenschappers die evolutionaire algoritmen een serieuze testrit gaf, was Goldberg, die begin jaren tachtig onder Holland werkte als promovendus. Goldberg herrees een probleem waarmee hij tijdens zijn dagen in de aardgasindustrie was geconfronteerd: het stroomverbruik van een langeafstandspijpleiding minimaliseren, gezien de variaties in de regionale vraag. Zijn evolutionaire algoritmen leverden oplossingen op die even efficiënt zijn als die van de bestaande vloeistofmechanica-software die door pijpleidingontwerpers wordt gebruikt. Maar toen Goldberg zijn algoritmen met grotere en gecompliceerdere problemen voedde, begonnen ze te struikelen: ze kwamen vast te zitten bij het verkennen van evolutionaire doodlopende wegen of het uitspugen van hopeloos wilde oplossingen. Ik begreep de problemen die ik aan het oplossen was beter dan de tools die ik gebruikte om ze op te lossen, en dat stoorde me, zegt Goldberg.

Goldberg concentreerde zijn proefschrift en daarna nog een half decennium aan het voorspelbaarder maken van genetische algoritmen. Hij ontdekte dat het aanpassen van de parameters van elk nieuw algoritme, bijvoorbeeld de grootte van de beginnende populatie of de snelheid van mutatie, een paar rimpels wegwerkte. Maar voor het grootste deel bracht zijn onderzoek hem tot een ontnuchterend besef: evolutionaire algoritmen waren vaak complexer dan de problemen die ze probeerden op te lossen. Uiteindelijk leerde Goldberg uit de buurt te blijven van wat hij een speld in de hooiberg noemt, die om één enkele, beste oplossing vragen; deze hadden de neiging om evolutionaire algoritmen uit de hand te laten lopen. In plaats daarvan richtte hij zich op vriendelijkere problemen die een reeks haalbare oplossingen hadden, afhankelijk van hoe je ze benaderde. Als er tientallen naalden zijn verspreid op zo'n manier dat het [evolutionaire algoritme] de hooiberg kan opsplitsen in kleinere hooibergen, garandeer je jezelf in ieder geval een kans op een beter resultaat, zegt Goldberg.

Goldberg documenteerde zijn werk in een leerboek uit 1989, een boek dat andere computervaardige ingenieurs zou inspireren om zelf aan de slag te gaan. Tegen het midden van de jaren negentig hadden ingenieurs van het General Electric Research Center in Niskayuna, NY, evolutionaire methoden ingebouwd in een intern ontwerptool genaamd EnGENEous, dat werd gebruikt om de meest efficiënte vorm te vinden voor de ventilatorbladen in de GE90-straalmotoren die werden gebruikt op Boeing's 777-vliegtuigen. EnGENEous stelde het GE90-team in staat om één fase van de compressor van de motor te elimineren, wat een vermindering van het motorgewicht en de productiekosten betekende zonder concessies te doen aan de aerodynamische prestaties. Na dit aanvankelijke succes gingen de sluizen open om dit soort gereedschappen in veel verschillende toepassingen in alle GE-bedrijven te gebruiken, zegt Pete Finnigan, laboratoriummanager voor geavanceerde mechanische ontwerptoepassingen bij het onderzoekscentrum. Ingenieurs van Rolls Royce, Honda en Pratt en Whitney hebben dit voorbeeld gevolgd en hebben genetische algoritmen in hun eigen ontwerpprocessen opgenomen.

Fraude signaleren
Maar terwijl computers krachtig genoeg zijn geworden om evolutionaire principes toe te passen op allerlei soorten problemen, zijn de hooibergen zich in een nog dramatischer tempo vermenigvuldigd. Denk aan consumentenfraude. Creditcardmaatschappijen schatten dat $ 0,07 per $ 100 die op creditcards wordt afgeschreven, verloren gaat door fraude, wat de industrie alleen al in de Verenigde Staten meer dan $ 1 miljard per jaar kost. Toch blijft het schrijven van traditionele software om frauduleuze kosten te identificeren fenomenaal moeilijk. Waarom? Omdat de mensen die de fraude plegen experts zijn in het aanpassen van hun gedrag om detectie te ontwijken. Het is gewoon niet mogelijk om een ​​programma te schrijven dat anticipeert op elke mogelijke zwendel.

Maar evolutionaire algoritmen kunnen in ieder geval de kans op succes van geautomatiseerde fraudedetectie vergroten, beweren de kunstmatige-intelligentieonderzoekers die de in New York City gevestigde Searchspace hebben opgericht. Het bedrijf verkoopt verschillende programma's die de hooiberg opsplitsen door te zoeken naar afwijkende activiteiten binnen nauwkeurig gedefinieerde segmenten van bestaande accountgegevens, zegt Michael Recce, hoofdwetenschapper van Searchspace. De software maakt gebruik van tools genaamd sentinels, geprogrammeerd met fraudedetectieregels. Meerdere afschrijvingen op dezelfde betaalpas in een enkele winkel op een enkele dag kunnen bijvoorbeeld automatisch een rode vlag veroorzaken.

Maar de persoon die deze aankopen verzamelt, is misschien gewoon een vergeetachtige kerstshopper, geen dief. Dus de schildwachten wegen verschillende factoren af, zoals iemands eerdere activiteit in die winkel, om valse positieven te voorkomen en alleen accounts te markeren waarvan menselijke experts het erover eens zijn dat ze verdacht zijn. Recce zegt: je kunt de fitnesscriteria zo instellen dat er zowel minimaal verlies door fraude als minimaal verlies van goede klanten wordt behaald.

Searchspace organiseert routinematig pilots, in wezen software-baak-offs die zijn algoritmen afzetten tegen bestaande fraudedetectiesystemen van potentiële klanten. Deelnemers brengen blinde voorbeelden van historische gegevens mee om te zien of de schildwachten van Searchspace op de juiste plaatsen rode vlaggen planten. Steevast, zegt Recce, verschijnen de schildwachten niet alleen de vooraf gemarkeerde accounts, maar ook een paar andere onverlaten op de loer in het achtergrondgeluid. Ik denk niet dat er een van die presentaties is geweest waarbij we de dingen geen moment hoefden te pauzeren zodat een leidinggevende naar buiten kon gaan om snel te bellen, zegt Recce glimlachend.

Overduidelijk origineel
Nu evolutionaire algoritmen de mens te slim af zijn, willen sommige onderzoekers de lat nog hoger leggen. Aan de Stanford University verkent bijvoorbeeld hoogleraar biomedische informatica John Koza - nog een andere Hollandse protégé - een nauw verwant gebied dat genetische programmering wordt genoemd. Evolutionaire algoritmen hebben vaste instructies en variëren alleen de gegevens die ze manipuleren. Genetische programma's lijken meer op seksuele organismen, die in de loop van de tijd kunnen verbeteren door stukjes code onderling te schudden. De ontdekkingen die tot nu toe door Koza's programma's zijn gedaan, variëren van nieuwe geautomatiseerde methoden voor het sorteren van eiwitten tot geavanceerde ontwerpen voor elektronische circuits.

De circuitontwerpen zijn voortgekomen uit Koza's werk met Matthew Streeter van Carnegie Mellon University en Martin Keane van Econometrie, een marketingstrategie-adviesbureau gevestigd in Chicago. Samen bouwden de onderzoekers een programma dat schematische schakelschema's tekent. Hun eerste uitdaging was om te zien of de genetische benadering zou kunnen worden afgeleid uit het begin van circuitontwerpen die al gepatenteerd waren door vroegere ingenieurs. Het programma had weinig moeite met het genereren van eenvoudige ontwerpen die overeenkwamen met de gepatenteerde ontwerpen in de jaren dertig en veertig. Koza begon inderdaad naar het programma te verwijzen als een uitvindingsmachine en creëerde een webpagina die de nieuwste ontdekkingen door menselijke competitieve software bijhoudt.

Tegen de tijd dat Koza's groep de vierde of vijfde versie van hun programma testte, gebeurde er echter iets nog verrassenders: het programma schopte circuitontwerpen eruit die nergens in de octrooiliteratuur waren gepubliceerd. Twee van deze ontwerpen - een paar controllercircuits die feedback reguleren - waren zo origineel dat Koza en zijn collega's er patent op hebben aangevraagd.

Zo trots als hij is op zijn software, is Koza niet van plan de verantwoordelijkheid voor de nieuwe ontwerpen toe te wijzen aan het programma zelf. De patenten crediteren Keane, Koza en Streeter, in die volgorde. Maar er liggen hier een paar nieuwe pseudofilosofische raadsels op de loer: als iets wordt uitgevonden zonder dat er een mens in de buurt is, is het dan echt een uitvinding? Wie is de uitvinder? En als de uitvinding echt werkt, maakt het dan uit als we niet begrijpen hoe?

Op dat laatste punt, zegt NASA's Lohn, zijn er twee stromingen. De ene zegt dat ik gewoon iets nodig heb dat X, Y en Z doet, en als evolutie me X, Y en Z geeft, is dat alles waar ik om geef. De andere school wil weten wat er in zit en hoe het werkt. We kunnen die mensen niet echt helpen, omdat we vaak geëvolueerde ontwerpen zien die totaal onbegrijpelijk zijn.

Het is nog niet nodig dat mensen jaloers zijn op menselijke competitieve software, zegt Koza, aangezien het uiteindelijke doel simpelweg is om het zwaarste sleurwerk van de techniek aan computers over te dragen. Hij voorziet in de nabije toekomst – misschien over twintig jaar – een moment waarop genetische algoritmen die op ultrasnelle computers draaien, elementaire ontwerptaken zullen overnemen op uiteenlopende gebieden als elektronica en optica. Maar zelfs dan, gelooft Koza, zullen menselijke en machine-intelligentie samenwerken. We hebben nog nooit de plaats bereikt waar computers mensen hebben vervangen, zegt Koza. In bepaalde smalle gebieden, ja - maar historisch gezien zijn mensen verder gegaan met het werken aan moeilijkere problemen. Ik denk dat dat zo zal blijven.

Sam Williams is een freelance technologieschrijver gevestigd in Staten Island, NY. Hij levert regelmatig bijdragen aan Salon.

zich verstoppen