بولی
آموزش‌های پایه‌ای هوش مصنوعیآموزش‌های پیشرفته هوش مصنوعیاخبارداده کاوی و بیگ دیتایادگیری عمیق

بررسی تاثیر کنش‌های ساده در بروز رفتارهای پیچیده با شبکه بولی

    0
    مدت زمان مطالعه: ۴ دقیقه

    کوچک‌ترین کنش‌ها می‌تواند منجر به بروز رفتارهای پیچیده شود، از واکنش‌های بیولوژیکی سرطان‌زا گرفته تا جدیدتریم میم های منتشر شده در شبکه‌های اجتماعی. با این حال، محققانی که به دنبال درک رفتارهای آنی هستند، معتقدند که این پیچیدگی ممکن است بار سنگینی بر دوش روش‌های محاسباتی فعلی بگذارد. اما شبکه بولی کار را برای دانشمندان ساده‌تر کرده است.

    در حال حاضر، یک تیم پژوهشی الگوریتم جدیدی طراحی نموده‌ است که می‌تواند روش موثرتری برای تحلیل مدل‌های‌ سامانه‌های بیولوژیکی باشد. این الگوریتم می‌تواند راهکار تازه‌ای برای فهم چرخه تصمیم‌گیری در این سامانه‌ها عرضه کند. طبق توضیحات محققانِ این تیم، الگوریتم آن‌ها می‌تواند در بررسی تاثیر کنش‌های نسبتاً ساده در بروز رفتارهای پیچیده، از قبیل رشد سلول‌های سرطانی یا الگوهای رای‌گیری، به دانشمندان کمک کند.

    بولی

    طبق اظهارات جوردن روزوم، دانشجوی دکتری فیزیک در دانشگاه ایالتی پنسیلوانیا، چهارچوب مدل مورد استفاده از شبکه بولی (Boolean) تشکیل شده است. شبکه بولی مجموعه‌ای از نودها (Nodes) است که دو وضعیت خاموش یا روش دارند. برای مثال، یک شبکه بولی ممکن است شبکه‌ای متشکل از ژنوم‌های تعاملی باشد که در هر سلول روشن _ بارز _ یا خاموش هستند.

    شناخت ماهیت سامانه‌ها با شبکه بولی

    روزوم می‌گوید: «شبکه‌های بولی روش خوبی برای شناخت ماهیت سامانه‌ها است. جالب اینجاست که این رفتارهای جالب توجه تنها از اتصال چند سوئیچ خاموش و روشن با یکدیگر پدیدار می‌شوند، یک سوئیچ روشن‌ می‌شود؛ سپس این سوئیچ، سوئیچ دیگری را روشن می‌کند؛ و این امر آنقدر ادامه پیدا می‌کند تا انبوهی از افکت‌ها ایجاد شده و دوباره به سوئیچ اصلی وارد شوند. در نتیجه، یک اتصال ساده ممکن است شاهد رفتار پیچیده‌ای باشیم».

    ریکا آلبرت، استاد برجسته فیزیک و زیست‌شناسی از کالج ابرلی دانشگاه ایالتی پنسیلوانیاPenn State Eberly College of Science ، و عضو موسسه محاسبات و علوم داده، در این باره توضیح می‌دهد: «مدل‌های بولی نحوه انتشار اطلاعات در شبکه را تبیین می‌کنند». نهایتاً روشن یا خاموش بودن نودها الگویی تکراری به خود می‌گیرد، که به آن جاذب (attractor) می‌گویند. طبق توضیحات این تیم پژوهشی، رفتار باثَبات و طولانی مدت سامانه جاذب‌ها را تعیین می‌کند. نتایج این تحقیقات در  ژورنال پیشرفت‌های علم (Science Advances) منتشر شده است.

    اگرچه این سامانه‌‌ها مبتنی بر کنش‌های ساده طراحی شده‌اند، اما اساساً، می‌توان با اضافه نمودن نود جدید به سامانه، بر پیچیدگی آن افزود، به ویژه در مواردی که رویداها به طور همزمان اتفاق نمی‌افتند. برای مثال، به گزارش این پژوهشگران، یک مدل معمولی بولی که پردازش بیولوژیکی را با تعدا اندکی نود انجام می‌دهد، می‌تواند ده‌ها میلیون حالت داشته باشد. در مورد ژنوم، این مدل‌ها می‌توانند صدها نود داشته و در نتیجه حالت‌های بیشتری، حتی بیشتر از تعدا اتم‌های موجود در گیتی، داشته باشند.

    روش‌های افزایش بازدهی تحلیل شبکه‌های بولی

    محققان این پژوهش برای افزایش بازدهی تحلیل شبکه‌های بولی، از دو تغییر فاز (transformations) متوازن parity  و معکوس زمان استفاده کردند. تغییر فاز متوازن، از شبکه تصویری در آینه ایجاد می‌کند، یعنی نود‌های روشن را خاموش و نودهای خاموش را روشن می‌کند. این تغییر به شناسایی شبکه‌های فرعی کمک می‌کند که ترکیبی از مقادیر خاموش و روشن دارند؛ مقادیری که در گذر زمان پایدار می‌مانند. تغییر فاز معکوس زمان، پویایی شبکه را به سمت عقب هدایت می‌کند، و حالت‌های ممکن قبل از مقدار دهی اولیه را شناسایی می‌کند.

    این تیم الگوریتم پیشنهادی خود را بر روی مجموعه‌ای از شبکه‌های مصنوعی بولی به نام «شبکه‌های بولی تصادفی» (random Boolean networks) آزمایش کردند. دانشمندان بیش از ۵۰ سال از این شبکه‌ها برای مدل‌سازی تاثیر تنظیم ژن در تعیین سرنوشت یک سلول استفاده می‌کردند. با این تکنیک، این گروه از محققان موفق شدند تعداد جاذب‌های بیش از ۱۶۰۰۰ ژن را در این شبکه‌ها مشخص کند. طبق اظهارات این تیم پژوهشی، تاکنون هیچی تحلیلی به این بزرگی و با این جزئیات صورت نگرفته است.

    بنا به گزارش این محققان، یکی از کاربردهای این تکنیک در پژوهش‌های پزشکی است.

    روزوم با یک مثال اینطور توضیح می‌دهد: «ممکن است بخواهید یک سلول سرطانی دچار آپوپتوز (مرگ برنامه‌ریزی شده‌ی سلول) شود، بنابراین، باید سامانه را وادار کنید تصمیماتی اتخاذ کند که این نتیجه را در پی داشته باشند. با شناخت محل تصمیم‌گیری پیرامون هر موضوع در شبکه، می‌توانید سیستم را وادار کنید تصمیم مورد نظر را بگیرد». می‌توان از این الگوریتم در پژوهش‌‌های مرتبط با مسائل علوم اجتماعی و فناوری اطلاعات نیز استفاده کرد.

    انتشار اطلاعات

    طبق توضیحات آلبرت، «انتشار اطلاعات نیز یکی دیگر کاربردهای بسیار جالب این الگوریتم است. برای مثال، مدل‌هایی وجود دارند که جوامع را براساس عقاید دوگانه توصیف می‌کنند. در این مدل‌ها افراد با یکدیگر تعامل دارند و نوعی اجماع محلی ایجاد می‌شود. می‌توان از این روش برای نگاشت دامنه‌ی دانشی گروه‌های اجتماعی احتمالی با اجماع مشترک، از جمله اجماع جهانی، استفاده کرد».

    آلبرت معتقد است که می‌توان از این الگوریتم در هر حوزه‌ای که محققان سعی دارند راهکارهایی برای از بین بردن رفتارهای نابهنجار، یا سوق دادنِ سامانه به سمت رفتارهای نرمال پیدا کنند، استفاده کرد.

    وی در ادامه توضیح داد: « نظریه‌ها و روش‌های لازم برای انجام این کار از پیش ارائه شده بود، اما هزینه‌های محاسباتی مانعی سر راه تحقق آن بوده است. با کمک این الگوریتم، مشکل محاسباتی نیز تا حد زیادی رفع خواهد شد».

    این پژوهشگران یک کتابخانه نرم‌افزاری متن باز ایجاد کرده‌اند. این الگوریتم تاکنون در چندین پژوهش زیر نظر همین تیم پژوهشی استفاده شده است.

    محاسبات این پژوهش با استفاده از اَبَرکامپیوتر ایالت پنسیلوانیا موسوم به غرش (Roar) صورت گرفته است.

    دیگر اعضای این تیم پژوهشی عبارتند از: خورخه گومز تجدا زانودو، فوق دکتری در موسسه برادBroad Institute  و موسسه سرطان دانا فاربرDana-Farber Cancer Institute ؛ ژیائو گن، محقق و فوق دکتری در مرکز پژوهش‌های شبکه‌های پیچیدهCenter for Complex Network Research ، و دیوید دریتی، عضو هیات پژوهشی دانشگاه سملویس.

    جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    آموزش پردازش زبان طبیعی با اکوسیستم هاگینگ فیس ؛ ترنسفورمرها چه می‌کنند؟ (قسمت چهارم)

    مقاله قبلی

    مدل زبانی شرکت‌های مطرح ناامیدکننده بود: افشای اطلاعات شخصی

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *