Inovacijos, moksliniai tyrimai užima vis didesnę žmonijos veiklos dalį. Vienas iš šiuo metu plačiai naudojamų tyrimo metodų gamtos, tiksliųjų, socialinių mokslų srityse yra matematinis / kompiuterinis modeliavimas, kuris skatina pažvelgti į skirtingas mokslo šakas iš šalies.

Stebėjimas – neatsiejama kompiuterinio modeliavimo dalis

Norint sudaryti kompiuterinį modelį, reikia tiriamą reiškinį ar objektą ilgą laiką stebėti, o stebėjimo rezultatus – registruoti. Keičiant modelio parametrus, atliekami skaičiavimai. Taip analizuojamas tiriamo objekto arba reiškinio elgesys vienomis ar kitomis sąlygomis. Pavyzdžiui, padarius kompiuterinį lėktuvo modelį, jo savybės pirmiausia studijuojamos atliekant skaičiavimus kompiuteriu, ir tik vėliau daromas realus fizinis modelis, kuris tiriamas eksperimentiniuose stenduose. Sukurtas kiaulių gripo epidemijos modelis leidžia nuspręsti, ar reikia kelis kartus mažinti tarptautinių skrydžių kiekį, ar su epidemija kovoti naudojant vakcinas.

Kompiuteriniu modeliavimu paremtų išvadų patikimumas labai priklauso nuo to, kiek tiriami modeliai atitinka tikrovę. Kad būtų išvengta pašalinių veiksnių įtakos, reikia naudoti kiek įmanoma paprastesnius, natūralesnius modelius. Kita vertus, reikia neužmiršti, kad pasaulis sudėtingas, jame vienu metu vyksta daugybė procesų, kurie daro poveikį vienas kitam.

Su šia problema susiduriame ne tik kompiuteriniu modeliavimu pagrįstuose tyrimuose, bet ir realiuose chemijos ir biologijos eksperimentuose. Viena vertus, reikia kuo daugiau atsiriboti nuo pašalinių veiksnių. Kita vertus, reikia nepraleisti svarbių, tiriamiems reiškiniams tikrovėje įtaką darančių veiksnių. Biologijoje netgi vartojami tam tikri terminai: tyrimai in vivo (gyvame organizme) atliekami su gyvūnais ar augalais, tyrimai in vitro (stikle) atliekami mėgintuvėlyje, o tyrimai in silicio (arba in numero) atliekami naudojant kompiuterius.

Svarbus veiksnys – gebėjimas adaptuotis

Turint fiksuotus eksperimentinių stebėjimų duomenis kuriami statiniai (nekintantys) modeliai. Dėl gamtoje ir visuomenėje egzistuojančių atsitiktinių veiksnių, taip pat daugėjant mokslo nagrinėjamų problemų vis dažniau susiduriame su reiškiniais, kurių nebegalima laikyti nekintančiais. Tokiais atvejais vietoj statinių turi būti kuriami dinaminiai modeliai. Pavyzdžiui, žmogaus sugebėjimas mokytis atpažinti objektus ar reiškinius nuolant kintant aplinkiniam pasauliui. Arba nusikalstamumo didėjimas ir vėliau jo mažėjimas pokario ar didelių ekonominių, politinių sukrėtimų metu.

Vaizdo iliustracijoje: Kompiuterinis modeliavimas naudojamas meteorologijoje

Gamtoje ir visuomenėje vykstantys kitimai reikalauja, kad prie pokyčių visi (augalai, gyvi organizmai, visuomenė) prisiderintų, adaptuotųsi. Jei neprisiderins, tai žus, bus pakeisti tais, kurie sugebės prisiderinti. Toks jau gamtos dėsnis: išlieka tik tie, kurie spėja prisiderinti prie aplinkos pasikeitimų. Tiriant gamtos ir visuomenės reiškinius pasitelkus kompiuterinius modelius, sugebėjimai adaptuotis vaidina bene pirmaeilį vaidmenį.

Mokymosi teorijoje žinomi du metodai: grubus (genetinis) mokymasis, vykstantis populiacijų lygiu, ir tikslus prisiderinimas prie pakitusios aplinkos (adaptacinis mokymasis), vykstantis individo gyvenimo laikotarpiu. Genetinio mokymosi metu žmonės iš savo tėvų ir prosenelių paveldi kūnų struktūrą, o per kultūrinį paveldą – ir gyvenimo būdą, moralės, mokslo žinias. Gyvenimo laikotarpiu mes bandydami, klysdami ir taisydamiesi išmokstame vaikščioti, kalbėti ir dar daugelį kitų išgyvenimui reikalingų dalykų.

Imituojant ką tik minėtą pačios gamtos pasiūlytą prisitaikymo prie nuolatinių pasikeitimų būdą, informatikoje ir ja aktyviai besinaudojančiose mokslo srityse formuojasi nauja tyrimų pakraipa. Atskiri individai arba organizacijos (tai gali būti ir visos šalies pramonės šakos, įmonės, politinės sąjungos, netgi pavieniai gaminiai ir pan.) čia laikomi aktyviais, aplinkoje besiadaptuojančiais „agentais“. Daugelis agentų sudaro populiacijas. Kaip ir gamtoje, populiacijos sudarytos iš grupių. Grupių viduje agentai vienas kitam padeda, jie gali ir konkuruoti tarpusavyje bei su kitomis agentų grupėmis. Labai paprastų agentų sąveika gali sudaryti sąlygas sudėtingai sistemos evoliucijai. Šio tipo kompiuteriniai modeliai geri tuo, kad leidžia suprasti reiškinius, kuriuos stebėti ilgą laikotarpį labai sunku arba net ir neįmanoma.

Pasaulyje, beveik visose išsivysčiusiose šalyse, tyrimai daugiaagenčių sistemų srityje yra labai populiarūs. Lietuvoje agentinių sistemų modeliavimas taikomas realių fizikinių, technologinių, biologinių sistemų tyrimams Vilniaus universiteto Teorinės fizikos ir astronomijos, Matematikos ir informatikos institutuose, Fizikos, Matematikos ir informatikos fakultetuose, taip pat Kauno technologijos, Vilniaus Gedimino technikos universitetuose ir dar daugelyje kitų mokslo ir tyrimo įstaigų. Mykolo Riomerio universitete, Verslo ir vadybos akademijoje, Lietuvos banke daugiaagentės sistemos naudojamos analizuojant socialinius ir ekonomikos klausimus.

Kodėl žmonės sako: „Daug žinosi – greit pasensi“?

Norint tinkamai paaiškinti biologinius ir visuomenės adaptacinius procesus, naudojamų agentų modelių struktūra turi kiek įmanoma labiau priminti pačioje gamtoje vykstančius procesus. Šiam tikslui VU Matematikos ir informatikos fakultete sukurtas naujas evoliucionuojančių sistemų modeliavimo būdas, kur kiekvienas adaptyvus agentas modeliuojamas kaip pačioje gamtoje egzistuojanti smegenų ląstelė – neuronas.

Viena iš neurono užduočių yra patenkančios į jį informacijos apdorojimas. Kintant sąlygoms, apdorojimo uždavinys keičiasi. Todėl kita neurono užduotis yra pakitus aplinkai vėl išmokti informacijos apdorojimą atlikti teisingai. Pavyzdžiui, atsiradus konkurentui ar naujam įstatymui, gamybinis susivienijimas (jis irgi gali būti modeliuojamas kaip kompiuterinis agentas) turi pertvarkyti tiekimą, gamybą, pardavimą ir t. t.

Informatikoje naudojamas matematinėmis formulėmis išvestas dirbtinio neurono mokymo metodas yra labai panašus į metodą, kuris pažinimo (kognityvinėje) psichologijoje laikomas baziniu. Jei individas teisingai atpažįsta jam paduodamų signalų rinkinį, tai ryšiai su kitais neuronais, kurie padėjo atpažinti teisingai, yra stiprinami. Ryšiai, kurie trukdė, yra silpninami.

Tiek psichologijoje, tiek informatikoje abiem atvejais svorių didinimo / mažinimo laipsniai priklauso nuo skirtumo tarp tikro ir trokštamo atsakymų ir nuo individo įsivaizduojamo mokymosi uždavinio svarbumo. Abiem atvejais pasireiškia ta pati besimokančio elemento savybė: jei išmokstami ryšiai tampa pernelyg stiprūs, reakcijos į mokymo signalus susilpnėja. Tada kompiuterinį modelį nustatančius ryšius pasidaro labai sunku pakeisti.

Šią savybę galima būtų vadinti senėjimu. Šis modelis paaiškina, kodėl laikui bėgant jaunas individas mokosi vis sparčiau ir sparčiau, tačiau vėliau mokymosi sparta sumažėja, o senas, jau daug ko gerai išmokytas individas ar organizacija mokosi ypač lėtai. Dėl to žmonės ir sako: „Daug žinosi – greit pasensi.“

Kas pagreitina evoliuciją?

Tam, kad individas mokytųsi greitai, reikia, kad išmokti ryšiai dar nebūtų pernelyg stiprūs. Kad atskiras organizmas ar individų grupė (adaptyvi informacinė sistema, robotas) sugebėtų sparčiai prisiderinti prie pakitusios aplinkos (t. y. išmoktų spręsti naują, pakitusį uždavinį), reikia, kad jį sudarantys elementai nebūtų pernelyg seni. Reikia arba išmoktus ryšius kaip nors susilpninti, arba net sutrukdyti jiems atsirasti. Jei to padaryti nepasiseka, seną neuroną reikia keisti nauju. Gamta šio tipo sprendimus jau rado seniai. Dirbtinio (kompiuterinio) intelekto atstovai tai pradeda daryti tik dabar.

Taigi agentų populiacijos mokymosi proceso modeliavimas reikalauja susikurti iš daugelio agentų sudarytą populiaciją ir ilgą laiką ją „maitinti“ besikeičiančiais atpažinimo uždaviniais. Agentai skiriasi mokymo metodo charakteristikomis.

Įsigilinus į šių charakteristikų įtaką agento mokymo eigai, jas galima aiškinti kaip skubėjimą, polinkį rizikuoti, savęs skatinimą, emocijas, pavydą, tingėjimą, polinkį padėti kitiems, skirtingų vertybių sistemų egzistavimą, o tai nusako, kaip teisingai agentas supranta mokymo direktyvas, korupciją, nusikalstamumą ir dar daugelį kitų dalykų, kuriuos žmonės naudoja apibūdinti įvairius mokymo proceso aspektus.

Sekant gamta ir visuomene, agentai skirstomi į grupes. Kai kurie aprašomieji mokymosi parametrai, pvz., altruizmas, mokesčiai į bendrą katilą, sąlygos, kas ir kokiomis aplinkybėmis turi teisę perduoti savo mokymosi stiliaus parametrus agentams vaikams, gali būti daugmaž vienodi visiems vienos grupės nariams.

Jei agentui pernelyg dažnai nesiseks, jis žus. Tokiu atveju vietoj jo pagal vieno iš sėkmingųjų agentų pavyzdį yra kuriamas naujas. Taip per sugebėjimą paveldėti sėkmingųjų agentų mokymosi charakteristikas (tai būtų galima vadinti mokymosi stiliumi) agentų populiacija išmoksta sparčiai adaptuotis prie vykstančių aplinkoje pasikeitimų. Jei kurioje nors grupėje beveik nebelieka agentų, įgyjančių teisę turėti vaikų, stipriausių grupių atstovai padeda silpniausioms. Taip elgiantis stipriausios grupės pradeda valdyti silpnąsias, o tai pagreitina evoliuciją.

Kompiuterinis modeliavimas skatina pažvelgti į skirtingas mokslo šakas iš šalies

Kompiuteriniuose eksperimentuose lengva keisti aplinkos kitimų pobūdį, kitimų stiprumą, jų staigumą. VU Matematikos ir informatikos fakultete atlikus tyrimus pastebėta, kad nusistovėjus aplinkos kitimų pobūdžiui grupės supanašėja, tačiau nevisiškai. Grupėse agentai lieka gan skirtingi. Tai patvirtina sparnuotą liaudies posakį „visokių yra, visokių reikia“. Esant įvairiems, ir ypač labai stipriems, aplinkos pokyčiams gali žūti visi populiacijos agentai. Jei populiacija nežūna, ji po kurio laiko vėl atsikuria. Tad sąlygos, mokymosi stiliaus parametrai, kai populiacija yra arti žūties, ir yra pati įdomiausia evoliucijos studijų sritis, kurios realiais ekperimentais stebėti beveik neįmanoma. Šios sąlygos ir nustato po gamtos arba labai stiprių ekonominių, politinių sukrėtimų išlikusių populiacijų savybes.

Minėto tipo modeliavimo darbai galėtų būti naudingi vertinant daugumą mūsų instinktų, susiformavusių akmens amžiuje (o gyvūnų pasaulyje – daug anksčiau). Išsivysčius technologijoms, iš esmės pasikeitus mūsų gyvenimo būdui, daugelis archajiškų instinktų tampa nebereikalingi, trukdo atskiriems individams ir jų sambūriams gyventi. Pavyzdžiui, mūsų modeliavimo eksperimentai parodė, kad gausios populiacijos lengviau išgyvena ypač didelio galingumo aplinkos pokyčių sekas. Tačiau suskirsčius šias populiacijas į skirtingo dydžio agentų grupes, jos tampa dar atsparesnės. Tai rodo, kad nėra reikalo mažąsias grupes naikinti arba suvienodinti su stipriausiomis, gausiausiomis. Deja, daugelis pasaulio politikų tokių paprastų dalykų dar nesupranta ir bando visus „užmauti ant vieno kurpalio“.

Aprašytojo tipo kompiuterinio modeliavimo tyrimus galima ir reikia naudoti gyvosios gamtos, socialinių, ekonomikos problemų aiškinimuisi. Šio tipo tyrimai ypač naudingi planuojant empirinius, stebėjimais paremtus tyrimus ir analizuojant jų rezultatus.

Šiuo metu jau nemaža tyrėjų dalis mano, kad dėsningumai, atsirandantys įvairiose mokslo srityse, taip pat ir mikro- bei makromasteliu, dažnai turi giminingą prigimtį. Dėsningumai, kuriuos stebime gyvojoje gamtoje, visuomenėje, atsikartoja ir fizikiniuose reiškiniuose, chemijoje, netgi technologijose. Gelžbetonis, kosminių laivų konstrukcinės dalys taip pat sensta. Jos taip pat turi „mokytis“, turi sugebėti adaptuotis prie būsimų apkrovų pobūdžio. Praktikoje tokie gaminiai, prieš naudojant juos ypač pavojingomis sąlygomis, specialiai varginami kintančių apkrovų sekomis, t. y. „mokomi“.

Mokymasis, adaptavimasis prie pokyčių, evoliucija yra bendros gyvosios ir negyvosios gamtos savybės, o kompiuterinis modeliavimas skatina pažvelgti į skirtingas mokslo šakas iš šalies.

Pasidalinkite su draugais

Aut. teisės: Vilniaus universitetas

Autoriai: Prof. Šarūnas Raudys

Komentarai (0)