Sélection non naturelle

Pour devenir un concepteur d'antennes professionnel, vous pouvez suivre l'une des deux voies suivantes : vous pouvez vous inscrire à des cours de niveau collégial et supérieur sur l'électromagnétisme, vous immerger dans l'étude empirique des formes d'antenne et vous former auprès d'un technicien établi désireux de transmettre les secrets bien gardés de la discipline.

Ou vous pouvez faire ce que Jason Lohn a fait : laisser l'évolution faire le travail.

Cette histoire faisait partie de notre numéro de février 2005

• Voir le reste du numéro
• S'abonner

Les physiciens connaissent bien les équations de Maxwell et les autres principes régissant les communications sans fil. Mais la conception d'antennes est encore à peu près un art sombre, explique Lohn, un informaticien travaillant au NASA Ames Research Center à l'extérieur de Mountain View, en Californie. Le champ est si écureuil. Tout votre apprentissage se fait par essais et erreurs, l'école des coups durs.

Alors pourquoi ne pas automatiser les essais et erreurs ? Selon Lohn, la conception des antennes est l'un des nombreux problèmes d'ingénierie qui pourraient être le mieux résolus par des algorithmes évolutifs, une classe émergente de logiciels qui produit de nombreuses conceptions différentes, rejetant les moins adaptées afin de sélectionner les plus fonctionnelles. Les conceptions qui en résultent semblent souvent un peu inhumaines – inélégantes et étranges.

Les algorithmes évolutionnaires, également connus sous le nom d'algorithmes génétiques ou d'AG, s'inspirent de l'évolution biologique, qui peut transformer un reptile rampant en un oiseau planant sans aucune sorte de plan prospectif. Dans la reproduction sexuée, le brassage des gènes de chaque parent – ​​combiné à une mutation génétique aléatoire – crée des organismes dotés de nouvelles caractéristiques, et les organismes les moins adaptés ont tendance à ne pas transmettre leurs gènes aux générations suivantes. Les algorithmes évolutionnaires fonctionnent à peu près de la même manière, mais à l'intérieur d'un ordinateur. Lorsque Lohn crée une nouvelle antenne, par exemple, il commence avec une population de conceptions générées aléatoirement et évalue leurs performances relatives. Les conceptions qui se rapprochent des objectifs prédéfinis gagnent le droit de mélanger leurs propriétés avec celles d'autres candidats retenus. Les dessins qui déçoivent vont dans le sens de l'archéoptéryx : l'oubli.

La reproduction des antennes prend du temps, bien sûr. La plupart des conceptions sont carrément affreuses et il faut un grand nombre de cycles de calcul pour trouver des interprètes décents. Pourtant, lorsque vous disposez d'un ordinateur capable de générer et de tester 1 000 générations par heure, des idées intéressantes émergent*. Lohn, un docteur qui n'a pas suivi de cours sur l'électromagnétisme depuis ses années de premier cycle, s'attend à ce qu'au moins une des conceptions d'antennes de son équipe aille dans l'espace cette année dans le cadre de la mission Space Technology 5 de la NASA, qui testera un trio de miniatures satellites. Son antenne préférée conçue par ordinateur : un engin tire-bouchon assez petit pour tenir dans un verre à vin, mais capable d'envoyer une onde radio à faisceau large de l'espace vers la Terre. Cela ne ressemble à rien qu'un ingénieur radio sensé construirait seul.

Les algorithmes évolutionnaires sont un excellent outil pour explorer les recoins sombres de l'espace de conception, dit Lohn. Vous montrez [vos conceptions] à des personnes ayant 25 ans d'expérience dans l'industrie et elles disent : « Wow, est-ce que ça marche vraiment ? » La réponse un peu effrayante est que oui, c'est vraiment le cas, comme Lohn l'a établi après des mois de tests. Si nous avons de la chance, nous pourrions avoir jusqu'à six conceptions d'antennes dans l'espace en 2005, dit Lohn.

Tous les problèmes ne succomberont pas à l'approche évolutionniste. Mais ceux qui partageront une caractéristique commune : ils se situent tous au-delà de ce que le mathématicien John von Neumann a surnommé la barrière de la complexité, la ligne de démarcation entre les problèmes qui peuvent être résolus à l'aide de méthodes traditionnelles et réductionnistes et ceux qui nécessitent une méthode plus intuitive et plus intuitive. approche -et-voir-ce-qui-colle. Jusqu'à récemment, franchir cette barrière était une proposition coûteuse. Mais les ordinateurs d'aujourd'hui sont suffisamment rapides pour passer au crible des millions de designs décalés dans l'espoir d'en trouver un qui fonctionne. Ajoutez à cela les compétences croissantes des concepteurs modernes dans l'application d'algorithmes évolutionnaires, déclare David Goldberg, directeur de l'Illinois Genetic Algorithms Laboratory à l'Université de l'Illinois à Urbana-Champaign, et vous obtenez ce que les ingénieurs appellent affectueusement l'évolutivité : la capacité de s'attaquer à la fois aux miniatures et aux énormes défis de conception.

Tout comme la machine à vapeur a créé un levier mécanique pour effectuer des tâches plus importantes, les algorithmes génétiques commencent à donner aux individus une sorte de levier intellectuel qui va remodeler le travail, dit Goldberg. En automatisant une partie des tâches lourdes de la pensée, nous nous libérons pour fonctionner à un niveau plus élevé et plus créatif. Une telle liberté a un prix, bien sûr. Cela exige que les ingénieurs reconnaissent l'impossibilité de scruter chaque recoin sombre et fassent confiance à une autre couche d'assistance mécanique. Mais ils sont de plus en plus nombreux à franchir le pas.

Des jouets aux outils
Reproduire en microsecondes sur un ordinateur un processus qui prend des millions d'années dans la nature est une idée qui est bien antérieure à la capacité de le réaliser. John H. Holland, un professeur d'informatique de 76 ans à l'Université du Michigan, dit qu'il a eu l'idée pour la première fois en parcourant les piles ouvertes de la bibliothèque de mathématiques du Michigan au début des années 1950.

De temps en temps, je prenais un livre qui avait l'air intéressant et je le lisais, dit-il. Cette habitude l'a conduit à The Genetical Theory of Natural Selection, un livre de 1930 du mathématicien britannique devenu biologiste Ronald Fisher. Inspiré par les expériences sur les pois du moine autrichien du XIXe siècle Gregor Mendel, Fisher a élaboré des descriptions mathématiques de la sélection naturelle au niveau des gènes individuels. Alors que les chercheurs ne découvriraient pas la biochimie derrière ce processus avant les années 1950, les travaux de Fisher concordaient néanmoins avec ce que les agriculteurs et les bergers savaient depuis des siècles : la reproduction sexuée assure la variation et la nouveauté.

C'est vraiment de là que viennent les algorithmes génétiques, dit Holland. J'ai commencé à me demander si vous pouviez élever des programmes comme les gens, disons, élèveraient de bons chevaux et élèveraient du bon maïs.

Holland a écrit son premier article sur les algorithmes adaptatifs en 1962. Mais ce n'est qu'à la fin des années 1970 que lui et ses étudiants diplômés ont amassé les ressources informatiques nécessaires pour mettre l'idée en jeu. Holland attribue à l'un de ses étudiants, Edward Codd, le mérite d'avoir convaincu son ancien employeur, IBM, de vendre au groupe de recherche du Michigan un ordinateur central à faible coût. (Codd allait gagner le AM ​​Turing Award, l'équivalent en informatique du prix Nobel, pour la conception des premières bases de données relationnelles.) Même alors, cependant, les dérisoires 32 kilo-octets de mémoire de l'ordinateur limitaient la taille et la portée des données initiales des chercheurs. expériences.

L'un des premiers scientifiques à avoir testé sérieusement les algorithmes évolutionnaires était Goldberg, qui a travaillé sous la direction de Holland en tant que doctorant au début des années 1980. Goldberg a ressuscité un problème auquel il avait été confronté pendant ses jours dans l'industrie du gaz naturel : minimiser la consommation électrique d'un gazoduc longue distance, compte tenu des variations de la demande régionale. Ses algorithmes évolutionnaires ont donné des solutions aussi efficaces que celles produites par les logiciels de mécanique des fluides existants utilisés par les concepteurs de pipelines. Mais alors que Goldberg nourrissait ses algorithmes de problèmes plus gros et plus compliqués, ils ont commencé à trébucher : ils se sont retrouvés coincés à explorer des impasses évolutives ou à cracher des solutions désespérément sauvages. Je comprenais mieux les problèmes que je résolvais que les outils que j'utilisais pour les résoudre, et cela me dérangeait, dit Goldberg.

Goldberg a concentré sa thèse, puis une autre demi-décennie de travail sur l'amélioration de la prévisibilité des algorithmes génétiques. Il a découvert que l'ajustement des paramètres de chaque nouvel algorithme – la taille de la population de départ ou le taux de mutation, par exemple – atténue quelques rides. Mais pour la plupart, ses recherches l'ont laissé avec une réalisation qui donne à réfléchir : les algorithmes évolutionnaires étaient souvent plus complexes que les problèmes qu'ils tentaient de résoudre. Finalement, Goldberg a appris à éviter ce qu'il appelle les problèmes d'aiguille dans la botte de foin, qui exigent une seule et meilleure solution ; ceux-ci avaient tendance à faire en sorte que les algorithmes évolutionnaires deviennent incontrôlables. Au lieu de cela, il visait des problèmes plus amicaux qui avaient une gamme de solutions viables, selon la façon dont vous les abordiez. S'il y a des dizaines d'aiguilles éparpillées de manière à ce que [l'algorithme évolutif] puisse diviser la botte de foin en petites meules de foin, vous vous garantissez au moins une chance d'obtenir un meilleur résultat, dit Goldberg.

Goldberg a documenté son travail dans un manuel de 1989, un volume qui inspirerait d'autres ingénieurs avertis en informatique à commencer leur propre bricolage. Au milieu des années 1990, les ingénieurs du General Electric Research Center de Niskayuna, NY, avaient intégré des méthodes évolutives dans un outil de conception interne appelé EnGENEous, qui a été utilisé pour trouver la forme la plus efficace pour les aubes de soufflante dans les moteurs à réaction GE90 utilisés sur l'avion 777 de Boeing. EnGENEous a permis à l'équipe GE90 d'éliminer un étage du compresseur du moteur, ce qui a permis de réduire le poids du moteur et les coûts de fabrication sans sacrifier les performances aérodynamiques. Après ce succès initial, les vannes se sont ouvertes pour utiliser ces types d'outils dans de nombreuses applications différentes dans toutes les activités de GE, explique Pete Finnigan, responsable du laboratoire pour les applications de conception mécanique avancées au centre de recherche. Les ingénieurs de Rolls Royce, Honda et Pratt et Whitney ont emboîté le pas, incorporant des algorithmes génétiques dans leurs propres processus de conception.

Signaler la fraude
Mais alors que les ordinateurs sont devenus suffisamment puissants pour appliquer les principes de l'évolution à toutes sortes de problèmes, les meules de foin se sont multipliées à un rythme encore plus dramatique. Pensez à la fraude à la consommation. Les sociétés émettrices de cartes de crédit estiment que 0,07 $ par tranche de 100 $ facturés sur les cartes de crédit est perdu à cause de la fraude, ce qui coûte à l'industrie plus d'un milliard de dollars par an rien qu'aux États-Unis. Pourtant, écrire un logiciel traditionnel pour identifier les frais frauduleux reste extrêmement difficile. Pourquoi? Parce que les fraudeurs sont des experts dans l'art de modifier leur comportement pour échapper à la détection. Il n'est tout simplement pas possible d'écrire un programme qui anticipe toutes les escroqueries possibles.

Mais les algorithmes évolutifs peuvent au moins rendre la détection de fraude informatisée plus susceptible de réussir, affirment les chercheurs en intelligence artificielle qui ont fondé Searchspace, basé à New York. La société vend une variété de programmes qui divisent la botte de foin en recherchant une activité aberrante dans des tranches précisément définies de données de compte existantes, explique Michael Recce, scientifique en chef de Searchspace. Le logiciel utilise des outils baptisés sentinelles, programmés avec des règles de détection de fraude. Par exemple, plusieurs prélèvements sur la même carte de débit dans un même magasin au cours d'une même journée peuvent automatiquement déclencher un signal d'alarme.

Mais la personne qui accumule ces achats peut simplement être un acheteur de Noël oublieux, pas un voleur. Ainsi, les sentinelles prennent en compte divers facteurs, tels que l'activité antérieure d'une personne dans ce magasin, afin d'éviter les faux positifs et de signaler uniquement les comptes dont les experts humains conviendraient qu'ils sont suspects. Selon Recce, vous pouvez définir les critères d'aptitude d'une manière qui offre à la fois une perte minimale de fraude et une perte minimale de bon client.

Searchspace héberge régulièrement des pilotes, essentiellement des logiciels qui opposent ses algorithmes aux systèmes de détection de fraude existants des clients potentiels. Les participants apportent des échantillons à l'aveugle de données historiques pour voir si les sentinelles de Searchspace plantent des drapeaux rouges aux bons endroits. Invariablement, dit Recce, les sentinelles découvrent non seulement les comptes signalés, mais aussi quelques autres mécréants cachés dans le bruit de fond. Je ne pense pas qu'il y ait eu une de ces présentations où nous n'avons pas eu à faire une pause pendant un instant pour qu'un cadre puisse sortir pour passer un coup de fil rapide, dit Recce en souriant.

Brevetement original
Maintenant que les algorithmes évolutionnaires déjouent les humains, certains chercheurs veulent placer la barre encore plus haut. À l'Université de Stanford, par exemple, le professeur d'informatique biomédicale John Koza – un autre protégé de Holland – explore un domaine étroitement lié appelé programmation génétique. Les algorithmes évolutionnaires ont des ensembles d'instructions fixes et ne font que varier les données qu'ils manipulent. Les programmes génétiques ressemblent davantage à des organismes sexuels, capables de s'améliorer avec le temps en mélangeant des bouts de code entre eux. Les découvertes faites jusqu'à présent par les programmes de Koza vont de nouvelles méthodes informatisées pour trier les protéines à des conceptions de pointe pour les circuits électroniques.

Les conceptions de circuits ont émergé du travail de Koza avec Matthew Streeter de l'Université Carnegie Mellon et Martin Keane d'Econometrics, un cabinet de conseil en stratégie marketing basé à Chicago. Ensemble, les chercheurs ont construit un programme qui dessine des schémas de circuits. Leur premier défi était de voir si l'approche génétique pouvait dériver de conceptions de circuits à gratter déjà brevetées par d'anciens ingénieurs. Le programme a eu peu de mal à générer des conceptions simples qui correspondaient à celles brevetées dans les années 1930 et 1940. En effet, Koza a commencé à se référer au programme comme à une machine à invention et a créé une page Web qui suit les dernières découvertes des logiciels compétitifs humains.

Au moment où le groupe de Koza a testé les quatrième ou cinquième versions de leur programme, cependant, quelque chose d'encore plus surprenant a commencé à se produire : le programme a éliminé des conceptions de circuits inédites dans la littérature sur les brevets. Deux de ces conceptions – une paire de circuits de contrôleur qui régulent la rétroaction – étaient si originales que Koza et ses collègues ont déposé des brevets dessus.

Aussi fier qu'il soit de son logiciel, Koza n'est pas sur le point d'attribuer la responsabilité des nouvelles conceptions au programme lui-même. Les brevets créditent Keane, Koza et Streeter, dans cet ordre. Mais il y a quelques nouvelles énigmes pseudophilosophiques qui se cachent ici : si quelque chose est inventé sans être humain à proximité, est-ce vraiment une invention ? Qui est l'inventeur ? Et si l'invention fonctionne réellement, est-ce important si nous ne comprenons pas comment ?

Sur ce dernier point, dit Lohn de la NASA, il y a deux écoles de pensée. On dit que j'ai juste besoin de quelque chose qui fait X, Y et Z, et si l'évolution me donne X, Y et Z, c'est tout ce qui m'importe. L'autre école veut savoir ce qu'il y a dedans et comment ça marche. Nous ne pouvons pas vraiment aider ces personnes, car nous voyons fréquemment des conceptions évoluées qui sont complètement inintelligibles.

Il n'est pas encore nécessaire que les humains soient jaloux des logiciels compétitifs humains, dit Koza, puisque le but ultime est simplement de confier les travaux d'ingénierie les plus difficiles aux ordinateurs. Il prévoit un moment dans un avenir proche - peut-être dans 20 ans - où des algorithmes génétiques fonctionnant sur des ordinateurs ultrarapides prendront en charge les tâches de conception de base dans des domaines aussi divers que l'électronique et l'optique. Mais même dans ce cas, estime Koza, l'intelligence humaine et l'intelligence artificielle fonctionneront en partenariat. Nous n'avons jamais atteint l'endroit où les ordinateurs ont remplacé les gens, dit Koza. Dans des zones particulièrement étroites, oui – mais historiquement, les gens sont passés à travailler sur des problèmes plus difficiles. Je pense que cela continuera d'être le cas.

Sam Williams est un rédacteur technologique indépendant basé à Staten Island, NY. Il est un collaborateur fréquent de Salon.

cacher