論文の概要: Evolving Self-Organising Agents Without Fitness: Three Falsifiable Experiments from Constraint-Driven Selection to Developmental Encoding
- arxiv url: http://arxiv.org/abs/2607.21630v1
- Date: Sat, 18 Jul 2026 14:44:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:56.923522
- Title: Evolving Self-Organising Agents Without Fitness: Three Falsifiable Experiments from Constraint-Driven Selection to Developmental Encoding
- Title（参考訳）: 適合性のない自己組織型エージェントの進化--制約駆動型選択から発達的エンコーディングまで-
- Abstract要約: 我々は、エージェントが物理的制約だけで進化するプラットフォームであるGenesisを提示する。
1) 拘束駆動選択は完全フィットネス除去後の進化的活動を維持するが,硬質表現型複雑天井に達する,(2) 化学的分泌によるエージェント介在性ニッチ構築は現実的には不十分であり,(3) 固定アルファベトゲノムを合成パターン生成ネットワーク(CPPN) に置き換える, NEATスタイルの識別で保護された間接的エンコーディングは, フィットネスフリーシステムにおける進化的構造的複雑化の最初の証拠となる。
- 参考スコア（独自算出の注目度）: 0.42303492200814446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Can evolutionary dynamics characteristic of biological development arise without a designer-specified fitness function? We present Genesis, a platform in which agents inhabit a Gray-Scott reaction-diffusion substrate and evolve under physical constraints alone. Three successive experimental cycles, each testing one falsifiable hypothesis, show: (1) constraint-driven selection sustains evolutionary activity after complete fitness removal but reaches a hard phenotypic complexity ceiling; (2) agent-mediated niche construction via chemical secretion is real but causally insufficient to break that ceiling; and (3) replacing the fixed-alphabet genome with a Compositional Pattern Producing Network (CPPN) indirect encoding, protected by NEAT-style speciation, produces the first evidence of progressive structural complexification in a fitness-free system. Null results are treated as precise, informative answers rather than failures, yielding reusable diagnostic tools and a sham-control protocol applicable to any open-ended evolution evaluation pipeline.
- Abstract（参考訳）: 生物学的発達に特徴的な進化的ダイナミクスは、デザイナーが特定したフィットネス機能なしで生まれるのか?
エージェントがグレー・スコット反応拡散基板に居住し、物理的制約のみで進化するプラットフォームであるGenesisを提案する。
1) 完全フィットネス除去後の進化的活動を維持するが, 硬質表現型複雑天井に到達し, 2) 化学的分泌によるエージェント介在性ニッチ構築は現実的には不十分であり, (3) 固定アルファベトゲノムを合成パターン生成ネットワーク(CPPN) に置き換え, NEATスタイルの識別で保護された間接的エンコーディングにより, フィットネスフリーシステムにおける進化的構造的複雑化の最初の証拠が得られた。
ヌル結果は失敗よりも正確で情報的な回答として扱われ、再利用可能な診断ツールとシャム制御プロトコルが任意のオープンな進化評価パイプラインに適用できる。
関連論文リスト
- When Genomic Masking Priors Fail to Transfer: Strong Variant Prediction, Weak Functional Generation [6.888870145233493]
双方向離散拡散モデルは、両方の側面から欠落した配列を再構成できるため、ゲノムモデリングに自然に適しているように見える。
我々は, エントロピー誘導スパン配置が構成複雑領域の再構成圧力を集中させるという仮説の下で, GenDA (Genomic density-timized Absorbing Diffusion) を開発した。
私たちの結果は、この前提を部分的に支持するだけであります。
論文 参考訳（メタデータ） (2026-09-04T08:21:34Z) - Genesis: An Empirical Platform for Studying Open-Ended Evolution Without Fitness Functions [0.42303492200814446]
Genesisはオープンソースのプラットフォームで、進化的ダイナミクスを維持するために人工知能が必要とすることを実証的にテストするために設計されている。
物理的な制約、リレーショナルな優位性、適応的な規制、スカラーなフィットネス、デザイナーが指定した目的などによって管理されている。
論文 参考訳（メタデータ） (2026-07-18T16:32:25Z) - Towards A Generative Protein Evolution Machine with DPLM-Evo [73.57855006698269]
本報告では,denoising中の置換,挿入,削除操作を明示的に予測する進化的離散拡散フレームワークDPLM-Evoについて述べる。
DPLM-Evoは、単一シーケンス設定におけるProteinGymのシーケンス理解と最先端の突然変異効果予測性能を改善した。
論文 参考訳（メタデータ） (2026-04-30T19:59:07Z) - Interpretable DNA Sequence Classification via Dynamic Feature Generation in Decision Trees [48.331026745746776]
DEFTは木構築中に適応的に高レベルなシーケンス特徴を生成する新しいフレームワークである。
そこで本研究では,DEFTが多種多様なゲノムタスクにまたがって,人間の解釈可能かつ高い予測的シーケンスの特徴を発見できることを示す。
論文 参考訳（メタデータ） (2026-04-13T20:58:01Z) - General Multimodal Protein Design Enables DNA-Encoding of Chemistry [87.86845886894861]
深層生成モデルは結合する新しいタンパク質を設計できるが、触媒残基を事前に特定せずに酵素を生産することはない。
DISCOはタンパク質配列と3D構造を任意の生体構造に共設計するモデルである。
DISCOは反応中間体のみを条件に、新しい活性部位のジオメトリーを持つ多様なヘム酵素を設計する。
論文 参考訳（メタデータ） (2026-04-06T21:21:11Z) - Organismal Agency and Rapid Adaptation: The Phenopoiesis Algorithm for Phenotype-First Evolution [0.0]
本研究は, 表現型パターンを具体化することにより, 有機体を具体的な計算プロセスとして実装できることを実証する。
フェノポエシスアルゴリズム(Phenopoiesis Algorithm)は、生物が遺伝子だけでなく、生涯学習中に発見された表現型パターンも継承するアルゴリズムである。
我々は、生物の実体は哲学的な抽象概念ではなく、測定可能な適応値を持つアルゴリズムのメカニズムであると結論づける。
論文 参考訳（メタデータ） (2026-02-01T02:38:05Z) - Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling [60.57197355431804]
タンパク質とタンパク質の相互作用 (PPI) は生物学の中心的な課題である。
深層学習は、このような変異の影響を予測することは約束されているが、2つの主要な制約によって妨げられている。
本稿では,Refine-PPIという新しいフレームワークについて述べる。
論文 参考訳（メタデータ） (2026-01-08T19:29:04Z) - Seek and You Shall Fold [0.0]
実験観測変数のほとんどの予測子は微分不可能であり、勾配に基づく条件付きサンプリングとは相容れない。
これは特に核磁気共鳴において制限されており、化学シフトのような豊富なデータは生成的モデリングに直接統合することは困難である。
本研究では, タンパク質生成モデルの非分化誘導のためのフレームワークを導入し, 遺伝的アルゴリズムを用いて, 連続拡散型ジェネレータとブラックボックスの目的を結合する。
論文 参考訳（メタデータ） (2025-11-17T11:07:49Z) - Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。
2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
論文 参考訳（メタデータ） (2025-03-11T02:33:33Z) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - AbDiffuser: Full-Atom Generation of in vitro Functioning Antibodies [44.149969082612486]
AbDiffuserは、抗体3D構造と配列の同変および物理インフォームド拡散モデルである。
我々のアプローチは、ドメイン知識と物理に基づく制約を生かして、タンパク質の拡散を改善する。
数値実験では、AbDiffuserが参照集合の配列と構造を綿密に追跡する抗体を生成する能力を示している。
論文 参考訳（メタデータ） (2023-07-28T11:57:44Z) - When to be critical? Performance and evolvability in different regimes
of neural Ising agents [18.536813548129878]
臨界状態に近い状態での操作は、自然、人工的およびそれらの進化システムにとって有益である、という仮説は長年にわたって仮説化されてきた。
我々はこの仮説を、ニューラルネットワークによって制御される進化的捕食エージェントのシステムでテストする。
驚くべきことに、ソリューションを発見するすべての人口は、亜臨界状態へと進化する。
論文 参考訳（メタデータ） (2023-03-28T17:57:57Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。