رسیدن به بینشِ کافی درباره‌ی این‌که چه عاملی ماشین‌های زیستی را این‌چنین کارآمد می‌کند، موجبِ پیش‌رفتِ مدل‌های علمیِ موجود در این زمینه خواهد شد.

کارآمدترین ماشین‌ها آن‌هایی هستند که رویدادهایی که برایشان رخ داده است را به یاد آورده و آن‌ها را برای پیش‌گوییِ آینده به کار می‌گیرند. این نتیجه‌گیری به دست آمده از یک پژوهشِ نظری‌ست[‌‎1] که توسطِ Susanne Still، دانشمندِ علومِ کامپیوتر در دانش‌گاهِ هاوایی واقع در Manoa و هم‌کارانش انجام شده و هر «ماشینی»، از آنزیم‌های مولکولی گرفته تا کامپیوترها را دربرمی‌گیرد. این یافته می‌تواند به پیش‌رفتِ مدل‌های علمی، مانند مدل‌هایی که در موردِ دگرگونی‌های آب‌وهوایی به کار می‌رود، کمک کند.

Christopher Jarzynski که در دانش‌گاهِ مریلند واقع در College Park در زمینه‌ی مکانیکِ آماری مطالعه می‌کند، می‌گوید: «این‌که توانایی در پیش‌گویی، به صورتِ کمی به کارآییِ ترمودینامیکی وابسته است، ایده‌ای بسیار چشم‌گیر است».

این موردی کاملاً آشناست که به عنوانِ مثال، یک شبیه‌سازیِ کامپیوتریِ آب‌وهوا، مدلی برای محیطِ (زیست) ساخته و آن را برای پیش‌گوییِ آب‌وهوا به کار گیرد. اما تصور کردنِ یک مولکولِ زیستی، مثلاً یک موتورِ پروتیینی، برای انجامِ چنین کاری (پیش‌گویی آب‌وهوا) اندکی دور از ذهن خواهد بود.

G. HALING/SPL

پیش‌بینیِ شرایطِ محیطی ممکن است بخشِ کوچکی از توانِ پردازشیِ یک ماشینِ هوش‌مند را درگیر کند اما بیش‌تر، کارآمدیِ آن را افزایش می‌دهد.

با این حال، به گفته‌ی Still و هم‌کارانش چنین کاری کاملاً ممکن است. یک موتورِ مولکولی با دگرگون کردن ساختارِ پروتیین‌هایش کار می‌کند. به گفته‌ی Gavin Crooks یک بیوفیزیک‌دان در آزمایش‌گاهِ ملیِ Lawrence Berkeley واقع در برکلیِ کالیفرنیا که در این کارِ پژوهشی نیز هم‌کاری داشته است: «ساختارِ پروتیین‌ها در هر لحظه به این بستگی دارد که محیطِ پیرامونشان در گذشته چه حالت‌هایی داشته است». این کارِ پژوهشی ماهِ گذشته در Physical Review Letters به چاپ رسیده است.

به عنوان مثال، یک پروتیین برای رفتن به حالتِ فعالِ خود باید یک یونِ فلزی را گیر بیاندازد، این به این معناست که پروتیین این داده را ثبت می‌کند که چنین یون‌هایی در همسایگی‌اش وجود دارند. به این ترتیب حالتِ مولکول در هر لحظه، نشان‌گرِ خاطره‌ای از گذشته‌ی آن است.

از پیش آگاهی دادن و آماده کردن

در دست داشتنِ داده‌هایی که سرنخ‌هایی را برای پیش‌بینیِ حالتِ آینده‌ی محیطِ پیرامون، فراهم می‌کنند مفید است چون به ماشین این امکان را می‌دهد که «آماده شود». Still می‌گوید: «به طور کلی من در یافتنِ ایده‌‌ام، از رقص و ورزش الهام گرفتم چراکه اگر کسی بخواهد در ورزش یا رقص کارآمدتر حرکت کند، باید بتواند خوب پیش‌بینی کند».

به عنوان مثال می‌توان اتومبیلی را تصور کرد که به سامانه‌ی کمک‌راننده‌ی هوشمند مجهز شده است. این سامانه حس‌گرهایی را به کار می‌گیرد تا محیط و شرایطِ پیش روی خود را پیش‌بینی کند. مثلاً با ثبتِ پیش‌بینیِ وضعِ آب‌وهوا، می‌تواند از خیس یا تر بودنِ زمین آگاه شده و به بهترین شکلِ ممکن ترمز بگیرد و یا سوخت را به شکلِ بهینه مصرف کند.

گرچه میزانِ کاهشِ مصرفِ انرژی که با به‌کارگیریِ این پیش‌گویی نتیجه می‌شود، در مقایسه با کلِ انرژیِ مصرفیِ ماشین بسیار ناچیز است.

اما برای یک مولکولِ زیستی، انبار کردنِ داده‌ها ممکن است بسیار ارزش‌مند باشد، بنابراین حافظه‌ی آن باید بسیار گزینشی باشد. محیطِ پیرامون پر از نوفه‌های (نویزهای) تصادفی‌ست و هیچ نیازی نیست که ماشین، همه‌ی این جزییات را «به یاد بیاورد». به گفته‌ی Crooks: «پاره‌ای از داده‌ها در فرآیندِ پیش‌گویی هیچ نقشی ندارند».

داده‌های اضافی

اگر یک ماشینِ بیومولکولی به طور ناخوسته چنین داده‌های بیهوده‌ای را انبار کند –به عنوانِ نمونه، اگر یک یونِ سرگردانِ هیدروژن به بخشی از زنجیره‌ی پروتیین چسبیده و بدونِ هیچ هدفِ خاصی، جزییاتِ شکلِ ظاهری آن را دگرگون کند- این داده‌ها دیر یا زود باید پاک شوند، چون حافظه‌ی ماشین محدود است. نواحیِ بسیاری روی یک پروتیین وجود دارند که یونِ هیدروژنی می‌تواند به آن‌ها بچسبد.

اما پاک کردنِ داده‌های ناخواسته انرژی مصرف می‌کند: این کار به اتلافِ انرژی می‌انجامد و همین موضوع، کارآمدیِ ماشین را کاهش می‌دهد. به این ترتیب باید میانِ سودمندی‌های پردازشِ داده‌ از یک سو و ناکارآمدی‌های ناشی از پیش‌بینی‌های ضعیف از سوی دیگر، یک بده‌بستان متوازن برقرار شود.

از آن‌جاکه موتورها و پمپ‌های بیوشیمیایی، در راستای کارآمدتر شدن روزبه‌روز رشد کرده‌اند، Still می‌گوید: «آن‌ها (موتورها و پمپ‌های بیوشیمیایی) باید بتوانند کارها را هوش‌مندانه انجام دهند. این امر به تواناییِ شناختی بستگی دارد، توانایی که ما انسان‌ها به آن افتخار می‌کنیم. این توانایی به ما امکان می‌دهد که تصویری موجز از جهانی که با رودررو هستیم، ارایه دهیم و این به این معناست که ما می‌توانیم در موردِ رخدادهایی سخن بگوییم که هنوز روی نداده‌اند».

این توازن و نیز جست‌وجو برای رسیدن به این ایجاز، دقیقاً همان موضوع‌هایی هستند که مدل‌های علمی باید در موردِ آن‌ها گفت‌وگو کنند. اگر می‌خواهید مدلی کامپیوتری برای یک سامانه‌ی پیچیده بسازید، درهم آمیختنِ داده‌ها هیچ پایانی نخواهد داشت. به این ترتیب، هدفِ ساختِ یک نگاشتِ یک‌به‌یک از جهانِ واقعی به مخاطره می‌افتد، چون نتیجه‌ی به دست آمده در واقع یک مدلِ واقعی نیست بلکه انبوهی از داده‌هاست که بسیاری از آن‌ها هیچ ربطی به پیش‌بینی‌ها ندارند.

مدلِ کارآمد مدلی‌ست که تواناییِ پیش‌بینیِ بالایی داشته باشد، بدونِ آن‌که نیاز باشد همه‌چیز را به یاد بیاورد. Still می‌گوید: «این درست مانند آن است که بگوییم یک مدل نباید بیش از اندازه پیچیده باشد، یعنی همان اصلِ Occam». او امیدوار است که آگاهی یافتن از این بستگی میانِ اتلافِ انرژی، پیش‌بینی و حافظه به پژوهش‌گران کمک کند که الگوریتم‌های خود را پیش‌رفته‌تر کرده و به این ترتیب پیچیدگیِ مدل‌هایشان را کاهش دهند.

منبع

Nature

       doi:10.1038/nature.2012.11544

مرجع

1.    Still, S., Sivak, D. A., Bell, A. J. & Crooks, G. E. Phys. Rev. Lett. 109, 120604 (2012).

Show context

برای مطالعه‌ی بیش‌تر (از وب‌گاه nature.com)

Bacteria replicate close to the physical limit of efficiency

  20  September 2012

The unavoidable cost of computation revealed

07 March 2012      

Demonic device converts information to energy

14 November 2010      

اعضای گروه

  Susanne Still

Gavin Crooks

  Christopher Jarzynski