Qui c'è un'immagine del comportamento di un automa cellulare evoluto con un'alta fitness. Potete vedere il suo comportamento. Qui una maggioranza nera di configurazioni iniziali, qui il reticolo ad una dimensione... e poi nel tempo vediamo come iniziano ad emergere questi comportamenti e poi infine, in fodno, abbiamo tutte configurazioni nere. Quindi ha avuto un comportamento corretto. In maniera simile, ha avuto un comportamento corretto su una diversa configurazione iniziale a maggioranza bianca. Una domanda è: quanto in modo esatto sta facendo questo calcolo? Come sta trasferendo e processando le informazioni in maniera collettiva senza alcun controllo centrale per decidere una proprietà dell'intero reticolo? E, a sua volta, questa può essere una questione importante in generale. Com'è che questo sistema decentralizzato, sistemi complessi senza controllo centrale... componeneti semplici e così via, com'è che processano le informazioni? Parleremo un po' di più nella prossima unità dell'auto-organizzazione in natura. Ma voglio dirvi di come noi stessi l'abbiamo pensato nel caso dell'automa cellulare. La questione più grande è: come descriviamo il processare le informazioni nei sistemi complessi? In questi automi cellulari, vediamo che ci sono alcune semplici modelli da analizzare. C'è un modello tutto nero ce n'è uno bainco, e c'è questo tipo di modello grigio che diventa un modello a mo' di scacchiera con celle nere e bianche alterne. Questi sono tre tipi di modelli che vediamo dopo il comportamento transitorio iniziale. Ora sappiamo che questi modelli stessi sono troppo semplici per performare questo calcolo di decisione se bianco o nero è nella maggioranza... così quello che facciamo è di poterli filtrare. Quindi ho filtrato la scacchiera, i modelli neri e bianchi... e abbiamo lasciato i confini tra questi modelli. Quello che siamo capaci di mostrare nel nostro lavoro è che questi confini sono quelli che performano il calcolo. Quindi chiamiamole particelle in analogia con la fisica o con quelle mostrate nella regola 110. Ci sono modelli localizzati consistenti che vivono a lungo. Diamogli una lettera greca come segno che è quello che fate per le particelle e quello che facciamo ora è fare un catologo... di tutti i tipi di particelle che vediamo con questi automi cellulari date diverse configurazioni iniziali e le loro interazioni. Ma non entrerò nel dettaglio di questa tabella. Vi ho messo un paper sulla pagina del materiale del corso... e potete scaricarla se siete interessati a leggere i dettagli di questo progetto. Ma potete vedere che abbiamo reazioni di particelle dove una particelle beta incontra una particella gamma, c'è una particella beta che incontra una particella gamma, collidono e l'esito è una particella eta. E ognuna di queste particelle ha una specifica firma di un modello, un tipo di modello in questo, così vedete questa particella eta qui, questa la lettera greca eta... ha lo stesso modello della particella eta, stessa velocità e così via. Quello che facciamo con questo è che eravamo capaci di mostrare che queste leggi di particelle fisiche, se vorrete, in questo piccolo mondo di automi cellulari... aumenta il calcolo della maggioranda di nero o bianco nell'intero reticolo. Queste particelle portano le informazioni sulle diverse regioni e quando collidono l'informazioni si combina o viene processara... e la nuova particella che risulta porta con sé le informazioni processate. Porta il risultato di queste informazioni processate finché infine otteniamo la distruzione della particella e la risposta finale alla domanda posta dalla configurazione iniziale. Come spiegato nel paper, possiamo dare una spiegazione a questo livello di particelle cheè difficle al livello delle celle nere o bianche dell'automa cellulare. Possiamo spiegare perché un automa cellulare è più adatto di un altro, quali errori commettono... e com'era che l'algoritmo genetico ha prodotto le serie osservate di innovazioni che abbiamo visto per raggiungere la nostra alta fintens di automi cellulari. In brevem le particelle danno la descrizione delle informazioni elaborate del comportamento collettivo. E crediamo che questo tipo di descrizione dell'elbaorazione delle informazioni in termini di questi tipi di particelle è più generale di quella dei solo automi cellulari. Vi do un esempio di questo. Vi mostrerò un po' di generazioni da una sola messa in azione dell'algoritmo genetico. Alla generazione 8, la strategia era sempre nera a prescindere dalla configurazione iniziale. Allora, se metà delle configurazioni iniziali hanno maggioranza di nero, che sono diventate e metà hanno una maggioranza di bianco... questo ha ottenuto una fitness di un mezzo che è meglio degli atuomi cellulari casuali nella configurazione iniziale, scusate, nella popolazione iniziale che ha ottenuto una fitness di 0. Quindi questa è stata la grande innovazione. É come dire sempre "sì". Avete ottenuto 50% di una domanda sì o no. Quindi l'algoritmo genereco ha scoperto questo. É andato avanti a fare un miglioramento graduale per la sua strategia ma andrà a concentrarsi su un particolare miglioramento. Alla generazione 17, il miglior individuo nella popolazione somigliava molto a quello mostrato un po' di slides fa... dove abbiamo il modello scacchiera e queste regioni di nero e bianco. Comunque, la sua fitness era molto più bassa di quella del suo bambino alla generazione 18. E infatti, questo modelli, questo modello iniziale ha una maggioranza di celle bianche, così la generazione 17 è errata mentre la 18 è esatta. Quindi qual è la differenza? Allora, è difficile definire la differenza guardando alle stringhe di uno e di zero. É molto difficile definire come le stringhe di uno e di zero che costituiscono la tabella delle regole rivelano questo comportamento. Ma possiamo guardare a questo in termini di particelle e comprendere che qui il confine tra nero e bianco, questa particella, beta nel mio precedente diagramma, qui ha un'inclinazione. Mentre qui, è verticale. Qui, c'è un pendio dato da uno svantaggio scorretto alla regione nera. Sta lasciando che la regione nera cresca e tagliando quella bianca. Mentre qui, il nero e il bianco non hanno vantaggi l'uno sull'altro e in maniera corretta, la regione bianca vince. Quindi questo è un esempio dove i livelli di perticelli ci fanno capire il migioramento dell'elebaorazione delle informazioni da un passo ad un altro. E potete pensare a questo algoritmo genetico come crossing over e piccole mutazioni nella stringa della tabella delle regole ma ad un più alto livello quello che sta facendo è cambiare forma e velocità delle particelle. Quindi questo è tutto quello che vi dirò sull'argomento per ora. Potete leggere il nostro paper sul tempa e vi darà molti più dettagli su cosa abbiamo fatto se siete interessati. Ora è tempo di andare avanti nei compiti per casa e dopo questo, inizieremo a parlare dell'auto-organizzazione in natura.