Reinforcement Learning for Control of Evolutionary and Ecological Processes

要約

進化ダイナミクスが理論の領域から応用へと移行するにつれて、単純なモデルを超えたアルゴリズムが必要となります。
しかし、そのような方法は文献にほとんど存在しません。
現実的な状況では、生態学的および生理学的要因が進化の中心となることが知られていますが、それらを考慮すると、一般に既存の方法では問題が解決できなくなります。
私たちは、生態学と生理学を計算としてモデル化することによって説明する進化ゲームの定式化を導入し、これを強化学習の方法を介して指向進化の問題を分析するために使用します。
この組み合わせにより、進化する細胞集団を制御する学習というアルゴリズムの問​​題に関して、これまでにない結果を開発することが可能になります。
私たちは、細胞生理学や生態学の事前知識が限られている状況下で、生態進化制御に伴う複雑性を証明し、指向性進化の数学的問題の最も一般的なバージョンに関する最初の結果を与え、AI と生物学の間の新しいつながりを確立します。

要約(オリジナル)

As Evolutionary Dynamics moves from the realm of theory into application, algorithms are needed to move beyond simple models. Yet few such methods exist in the literature. Ecological and physiological factors are known to be central to evolution in realistic contexts, but accounting for them generally renders problems intractable to existing methods. We introduce a formulation of evolutionary games which accounts for ecology and physiology by modeling both as computations and use this to analyze the problem of directed evolution via methods from Reinforcement Learning. This combination enables us to develop first-of-their-kind results on the algorithmic problem of learning to control an evolving population of cells. We prove a complexity bound on eco-evolutionary control in situations with limited prior knowledge of cellular physiology or ecology, give the first results on the most general version of the mathematical problem of directed evolution, and establish a new link between AI and biology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google