論文の概要: Hash Chemistry: Minimal Models for Evolutionary Growth of Complexity
- arxiv url: http://arxiv.org/abs/2607.28219v1
- Date: Thu, 30 Jul 2026 13:54:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.580928
- Title: Hash Chemistry: Minimal Models for Evolutionary Growth of Complexity
- Title（参考訳）: ハッシュ化学: 複雑さの進化的成長のための最小モデル
- Abstract要約: ハッシュ化学(Hash Chemistry)は、決定論的ハッシュ関数が任意の大きさのエンティティにスカラースコアを割り当てる最小主義進化モデルのファミリーである。
本稿では、Hash Chemistryファミリをコヒーレントなモデリングフレームワークとしてレビューし、最小限のシステムがマルチスケールのオープンエンド進化力学をいかに実証できるかを考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hash Chemistry is a family of minimalistic evolutionary models in which a deterministic hash function assigns a scalar score to entities of arbitrary size, opening a combinatorially vast possibility space (a ``cardinality leap''). Since its introduction, the idea has been realized in several settings, from the original spatial formulation to a fast non-spatial variant and then to structural cellular models. Here we review the Hash Chemistry family as a coherent modeling framework and use it to explore how minimal systems can demonstrate the mechanisms behind multiscale open-ended evolutionary dynamics. The most recent model, Structural Cellular Hash Chemistry (SCHC), successfully demonstrated multiscale ecological interaction/adaptation and complexity growth of replicators in a computationally efficient manner. In this study, we first extend SCHC to incorporate spatial locality and dyadicity of competitive interactions among replicating structures. We show this extension substantially enhances SCHC's evolutionary dynamics. Furthermore, we explore SCHC in a significantly larger spatial domain using a GPU-accelerated implementation. We show that the size of the space acts as a control parameter for a stochastic, nucleation-like transition between a compact-replicator regime and a runaway size-dominance regime, and we separate the responsible mechanism into a non-spatial, size-biased sampling feedback and a finite-size spatial effect. Altogether, these results illustrate the rich potential of Hash Chemistry as a minimal, mechanistically transparent testbed for studying open-ended evolution across scales.
- Abstract（参考訳）: ハッシュ化学(Hash Chemistry)は、決定論的ハッシュ関数が任意の大きさのエンティティにスカラースコアを割り当て、組合せ的に広大な可能性空間( ` `cardinality leap''' )を開く最小主義の進化モデルである。
導入以来、もともとの空間定式化から高速な非空間的変種、そして構造的セルモデルに至るまで、このアイデアはいくつかの場面で実現されてきた。
本稿では、Hash Chemistryファミリをコヒーレントなモデリングフレームワークとしてレビューし、それを用いて、マルチスケールなオープンエンド進化力学の背後にあるメカニズムを最小限のシステムがいかに実証できるかを考察する。
最新のモデルであるStructure Cellular Hash Chemistry (SCHC) は、複製子のマルチスケールな相互作用/適応と複雑性の増大を計算的に効率的な方法で実証した。
本研究では、まずSCHCを拡張して、複製構造間の空間的局所性と競合相互作用のダイアディディティを組み込む。
この拡張はSCHCの進化力学を大幅に強化することを示す。
さらに,GPUを高速化した実装を用いて,SCHCをはるかに大きな空間領域で探索する。
空間の大きさは,コンパクト・リプリケータ・レギュレーションとランウェイ・サイズ・マディナンス・レギュレーションとの間の確率的・核化様遷移の制御パラメータとして機能し,その機構を非空間的,サイズ偏りのサンプリングフィードバックと有限サイズ空間効果に分離する。
これらの結果は、Hash Chemistryの豊かなポテンシャルを、スケールを越えたオープンエンド進化を研究するための最小限の、機械的に透明なテストベッドとして示している。
関連論文リスト
- Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning [0.0]
本稿では拡散型分子生成モデルであるSesameを紹介する。
デノボ生成とフラグメント条件付きリード最適化の両方をサポートする。
セサマはタンパク質-リガンドデータセットの大きなコーパスで訓練されている。
論文 参考訳（メタデータ） (2026-06-22T18:48:10Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - 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) - Structural Cellular Hash Chemistry [0.24475591916185496]
ハッシュ化学(Hash Chemistry)は、オープンエンド進化の最小限の人工化学モデルである。
非空間型および細胞型に拡張されている。
構造セルハッシュ化学(Structure Cellular Hash Chemistry)と呼ばれる改良版を提案する。
論文 参考訳（メタデータ） (2024-12-17T10:51:01Z) - RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。
RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。
提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
論文 参考訳（メタデータ） (2024-06-01T13:11:11Z) - Non-Spatial Hash Chemistry as a Minimalistic Open-Ended Evolutionary System [0.24475591916185496]
本稿では,粒子の空間的近接をマルチセットの形で明示的に表現するHash Chemistryの非空間的変種を提案する。
数値シミュレーションの結果, 模擬実体の最大サイズと平均サイズは, 原モデルよりも有意に増大した。
論文 参考訳（メタデータ） (2024-04-27T23:29:55Z) - HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations [0.0]
粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。
彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。
推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。
深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
論文 参考訳（メタデータ） (2024-04-25T13:54:31Z) - Improving Molecular Properties Prediction Through Latent Space Fusion [9.912768918657354]
本稿では,最先端の化学モデルから導出した潜在空間を組み合わせた多視点手法を提案する。
分子構造をグラフとして表現するMHG-GNNの埋め込みと、化学言語に根ざしたMoLFormerの埋め込みである。
本稿では,既存の最先端手法と比較して,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-20T20:29:32Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z)
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。