Коллективный интеллект клеток объяснили через принципы искусственного интеллекта

Группы клеток способны выполнять сложные задачи, например, проходить лабиринты или стратегически осваивать новые среды, хотя отдельные клетки обладают лишь ограниченной способностью реагировать на сигналы вроде химических соединений.

Учёные из Института промышленных наук Токийского университета (Япония) разработали теоретическую модель, объясняющую, как возникает такое удивительно разумное поведение. Исследование опубликовано в журнале PRX Life.

Ключевой принцип: клетки используют своё окружение для инкрементальной обработки информации и принятия решений распределённым образом.

Для описания процесса команда использовала парадигму обучения с подкреплением (reinforcement learning) из области искусственного интеллекта. Этот подход идеален, так как основан на взаимодействии с окружающей средой.

• Как это работает: вместо следования заранее заданным инструкциям, агент (в данном случае — популяция клеток) многократно исследует среду и наблюдает за результатами. Затем он корректирует свою внутреннюю «политику», чтобы максимизировать долгосрочное «вознаграждение».

В модели рассматривалась популяция клеток, которая кооперативно стремится переместиться к редко распределённым целям (например, пище), модулируя химические сигналы, указывающие на близость цели.

Вся популяция клеток действует как единый агент, который с помощью обучения с подкреплением постепенно определяет оптимальную стратегию навигации без руководства единого лидера.

«В определённом смысле среда играет роль рабочей памяти для последствий; она запоминает и отражает прошлые действия и исследования агента в виде изменённых состояний», — поясняет старший исследователь Тэцуя Дж. Кобаяси.

Результаты моделирования показали, что даже агенты с ограниченным интеллектом могут в группе выполнять сложные задачи (например, поиск пути в лабиринте) за счёт децентрализованной обработки и обмена информацией.

При сравнении таких популяций с одним более «умным» агентом, обладающим рабочей памятью, оказалось, что простые организмы действуют более устойчиво.

Это исследование демонстрирует, что децентрализованные рои или команды простых агентов могут координироваться для эффективной обработки информации. Этот принцип может найти применение в медицине, искусственном интеллекте и робототехнике.