ナチュラルコンピューティング

自然コンピューティング^{[1] [2]}は、自然計算とも呼ばれ、3つのクラスの方法を含むために導入された用語です。1) 自然からヒントを得て新しい問題解決手法を開発するもの、2) コンピュータを使用して自然現象を合成するもの、3) 計算に自然素材 (分子など) を使用するものです。これら3つの分野を構成する主な研究分野には、人工ニューラルネットワーク、進化アルゴリズム、群知能、人工免疫システム、フラクタル幾何学、人工生命、DNAコンピューティング、量子コンピューティングなどがあります。

自然コンピューティングによって研究される計算パラダイムは、自己複製、脳の機能、ダーウィンの進化、集団行動、免疫システム、生命体の定義特性、細胞膜、形態形成など、多様な自然現象から抽出されます。従来の電子ハードウェアに加えて、これらの計算パラダイムは、生体分子（DNA、RNA）やイオントラップ量子コンピューティングデバイスなどの代替物理媒体上に実装できます。

二重に、自然界で起こるプロセスを情報処理と見なすことができます。そのようなプロセスには、自己組織化、 発生プロセス、遺伝子調節ネットワーク、タンパク質間相互作用ネットワーク、生物学的輸送（能動輸送、受動輸送）ネットワーク、単細胞生物における遺伝子アセンブリが含まれます。生物システムを理解するための取り組みには、半合成生物のエンジニアリングや、情報処理の観点から宇宙自体を理解することも含まれます。実際、情報は物質やエネルギーよりも根本的であるという考えさえも進められました。1960年代にさかのぼるツーゼ-フレドキンのテーゼは、宇宙全体が巨大なセルオートマトンであり、そのルールを継続的に更新していると述べています。^{[3] [4]}最近では、宇宙全体が自身の動作を計算する量子コンピュータ であるという提案があります。 ^[5] 計算メカニズムとしての宇宙/自然は、^[6]計算可能性のアイデアの助けを借りて自然を探索し、^[7]計算（情報処理）としての自然プロセスを研究することによって対処されます。

最も確立された「古典的な」自然からヒントを得た計算モデルは、セルオートマトン、ニューラル計算、進化計算です。自然のプロセスから抽象化された最近の計算システムには、群知能、人工免疫システム、膜計算、アモルファス計算などがあります。詳細なレビューは多くの書籍で見つけることができます。^{[8] [9]}

セルオートマトンとは、セルの配列から構成される動的システムです。空間と時間は離散的であり、各セルは有限の数の状態をとることができます。セルオートマトンでは、事前に与えられた遷移規則に従って、セルの状態が同期的に更新されます。セルの次の状態は遷移規則によって計算され、現在の状態と隣接するセルの状態のみに依存します。

コンウェイのライフゲームはセルオートマトンで最もよく知られた例の 1 つであり、計算上は普遍的であることが示されています。セルオートマトンでは、コミュニケーション、成長、再生、競争、進化、その他の物理的および生物学的プロセスなど、さまざまな現象をモデル化するために適用されています。

ニューラルコンピューティングは、計算機と人間の神経系の比較から生まれた研究分野です。^{[10]この分野は、}生物の脳が どのように機能するかを理解すること（脳理論または計算神経科学）と、人間の脳が情報を処理する原理に基づいて効率的なアルゴリズムを設計すること（人工ニューラルネットワーク、ANN ^[11]）の両方を目的としています。

人工ニューラルネットワークは、人工ニューロンのネットワークです。^[12] 人工ニューロンAは関数を備えており 、それぞれ重みを持つn個の実数値入力を受け取り、 を出力します。いくつかのニューロンは出力ニューロンとして選択され、ネットワーク関数は、n個の入力値、選択されたm個の出力ニューロンの出力を関連付けるベクトル関数です。重みの選択が異なると、同じ入力に対して異なるネットワーク関数が生成されることに注意してください。バックプロパゲーションは、実際の出力のベクトルと目的の出力のベクトルの差が最小になるように、ネットワーク内の接続の重みを繰り返し調整する教師あり学習方法です。誤差の逆伝播に基づく学習アルゴリズムを使用して、ネットワークの特定のトポロジと入力と出力のペアに対して最適な重みを見つけることができます。 ${\displaystyle f_{A}}$ ${\displaystyle x_{1},x_{2},\ldots ,x_{n}}$ ${\displaystyle w_{1},w_{2},\ldots ,w_{n}}$${\displaystyle f_{A}(w_{1}x_{1}+w_{2}x_{2}+\ldots +w_{n}x_{n})}$

進化計算^[13]はダーウィンの進化論に触発された計算パラダイムである。

人工進化システムは、シミュレートされた進化の概念に基づく計算システムです。これは、一定または可変サイズの個体の集団、適応度基準、および現在の世代から次の世代を生成する遺伝学的にヒントを得た演算子で構成されます。最初の集団は通常、ランダムまたはヒューリスティックに生成され、一般的な演算子は突然変異と組み換えです。各ステップで、個体は指定された適応度関数 (適者生存)に従って評価されます。次の世代は、遺伝学的にヒントを得た演算子を使用して、選択された個体 (親) から得られます。親の選択は、配偶者選択の生物学的原理を反映する選択演算子によって誘導できます。このシミュレートされた進化のプロセスは、適応度関数の観点から、最終的にほぼ最適な個体の集団に収束します。

進化システムの研究は、歴史的に 3 つの主要な分野に沿って発展してきました。 進化戦略は、実数値、離散型、混合型のパラメータの パラメータ最適化問題の解決策を提供します。進化プログラミングはもともと、たとえば有限状態マシンとしてモデル化された最適な「インテリジェント エージェント」の作成を目的としていました。 遺伝的アルゴリズム^{[14] は、}進化計算の考え方を、特定の問題に対する (ほぼ) 最適な解決策を見つける問題に適用しました。遺伝的アルゴリズムは当初、固定長のビット文字列としてエンコードされた個体の入力集団、遺伝的演算子の突然変異 (ビット反転) と再結合 (親のプレフィックスと他のサフィックスの組み合わせ)、および問題に依存する適応度関数で構成されていました。遺伝的アルゴリズムは、遺伝的プログラミングと呼ばれるコンピューター プログラムの最適化に使用されており、今日では実数値パラメータの最適化問題や多くの種類の組み合わせタスクにも適用されています。

一方、分布推定アルゴリズム（EDA）は、従来の再生演算子をモデル誘導演算子に置き換える進化的アルゴリズムです。このようなモデルは、機械学習技術を使用して集団から学習され、確率的グラフィカルモデルとして表現され、そこから新しいソリューションをサンプリングしたり^{[15] [16]}、ガイド付きクロスオーバーから生成したりできます。^{[17] [18]}

群知能^[19]は、集合知とも呼ばれ、個々のエージェント（細菌、アリ、シロアリ、ハチ、クモ、魚、鳥など）が局所的な環境に作用して他のエージェントとコミュニケーションをとることで生じる問題解決行動として定義されます。

粒子群最適化は、この考え方を、（多次元の）解空間を検索することによって与えられた問題に対する最適解を見つける問題に適用します。最初のセットアップは粒子の群れであり、それぞれが問題の可能な解を表します。各粒子は、 以前の速度（慣性成分）、過去の個人的最高位置 への傾向（ノスタルジア成分）、およびグローバル近傍最適値またはローカル近傍最適値への傾向（ソーシャル成分）に依存する独自の速度を持ちます。したがって、粒子は多次元空間内を移動し、最終的にグローバル最高値と個人的最高値の間の点に収束します。粒子群最適化アルゴリズムは、さまざまな最適化問題、および教師なし学習、ゲー​​ム学習、およびスケジューリングアプリケーションに適用されています。

同様に、アリのアルゴリズムはアリのコロニーの採餌行動をモデル化します。巣と食料源の間の最適な経路を見つけるために、アリは、食料を見つけた場合は巣に戻る途中にフェロモンの痕跡を残し、食料を探している場合はフェロモンの濃度をたどるという間接的なコミュニケーションに依存します。アリのアルゴリズムは、離散的な検索空間でのさまざまな組み合わせ最適化問題にうまく適用されてきました。

人工免疫システム（別名、免疫計算または免疫コンピューティング）は、生物の自然免疫システムにヒントを得た計算システムです。

情報処理システムとして見ると、生物の自然免疫システムは、並列分散コンピューティング方式で多くの複雑なタスクを実行します。 ^{[20]これらには、自己と}非自己 の区別、^[21] 非自己病原体（ウイルス、細菌、真菌、寄生虫）の中和、学習、記憶、連想検索、自己制御、フォールトトレランスが含まれます。 人工免疫システムは、自然免疫システムを抽象化したものなので、これらの計算面を重視しています。その用途には、コンピューターウイルス検出、時系列データにおける異常検出、障害診断、パターン認識、機械学習、バイオインフォマティクス、最適化、ロボット工学、制御などがあります。

膜コンピューティングは、膜の影響を受ける生きた細胞の区画構造から抽象化されたコンピューティングモデルを研究する。^[22] 一般的な膜システム（Pシステム）は、膜で区切られた細胞のような区画（領域）で構成され、入れ子になった階層構造になっている。膜で囲まれた各領域には、オブジェクト、これらのオブジェクトを変更する変換ルール、およびオブジェクトを領域外に転送するか領域内にとどめるかを指定する転送ルールが含まれる。領域は、オブジェクトの転送を介して互いに通信する。膜システムによる計算は、初期設定から始まり、各オブジェクトの数（多重度）が各領域（オブジェクトの多重集合）のある値に設定される。それは、どのルールをどのオブジェクトに適用するかを非決定論的に、最大限に並列に選択することによって進められる。計算の出力は、事前に決定された出力領域から収集される。

膜システムの応用には、機械学習、生物学的プロセスのモデリング（光合成、特定のシグナル伝達経路、細菌のクオラムセンシング、細胞性免疫）、および コンピュータグラフィックス、公開鍵暗号化、近似およびソートアルゴリズムなどのコンピュータサイエンスの応用、ならびに計算上困難なさまざまな問題の分析が含まれます。

生物において、形態形成（明確な形状と機能的構造の発達）は、生物の DNA にコード化された 遺伝プログラムによって導かれる細胞間の相互作用によって達成されます。

このアイデアに触発されて、アモルファスコンピューティングは、多数の単純で信頼性が低く、不規則に配置され、非同期で、同一にプログラムされたコンピューティング要素（粒子）のローカルな相互作用から、明確に定義された形状とパターン、または一貫した計算動作を設計することを目指しています。^[23] プログラミングパラダイムとして、その目的は、アモルファスコンピューティング環境でうまく機能する新しいプログラミング手法を見つけることです。アモルファスコンピューティングは、「セルラーコンピューティング」の基礎としても重要な役割を果たしています（以下の合成生物学とセルラーコンピューティングのトピックを参照）。

形態が計算を行うという理解は、形態と制御の関係を分析し、制御要件が低減されたロボットの設計を理論的に導くために使用され、ロボット工学と生物の認知プロセスの理解の両方で使用されてきた（形態学的計算とを参照）。^[24]

認知コンピューティングCCは、人間の感覚、推論、刺激に対する反応の機能のモデル化を目的とする新しいタイプのコンピューティングです。認知コンピューティングとを参照してください。^[25]

現在の認知コンピューティングの認知能力は、人間のレベルからは程遠いものです。同じ情報コンピューティングのアプローチは、他のより単純な生物にも適用できます。細菌は、コンピューティングによってモデル化された認知システムの一例です。Eshel Ben-Jacob と Microbes-mind を参照してください。

人工生命（ALife）は、電子計算機やその他の人工媒体内で、通常は生物にのみ関連する特性を示すアブイニシオシステムを構築することにより、生物の本質的な特性を理解することを最終目標とする研究分野です。[26] 初期の例としては、植物の成長と発達をモデル化するために使用されてきたリンデンマイヤーシステム（Lシステム）があります。L^システムは、最初の単語から始まり、単語のすべての文字に並列に書き換えルールを適用する並列書き換えシステムです。^[27]

人工生命の先駆的な実験には、運動学、動力学、重力、衝突、摩擦などの現実的な特徴を備えたシミュレーション環境で行動する、進化する「仮想ブロック生物」の設計が含まれていました。^[28] これらの人工生物は、泳ぐ、歩く、またはジャンプする能力を備えていることを理由に選択され、共通の限られたリソース（立方体の制御）をめぐって競争しました。シミュレーションの結果、驚くべき行動を示す生物が進化しました。あるものは立方体をつかむために手を発達させ、他のものは立方体に向かって移動するために足を発達させました。この計算手法は、さらにラピッドマニュファクチャリングテクノロジーと組み合わされ、仮想的に進化した物理的なロボットを実際に構築しました。^{[29]これにより、}機械式人工生命という分野が出現しました。

合成生物学の分野では、同様のアイデアの生物学的実装を研究しています。人工生命の分野におけるその他の研究方向としては、人工化学のほか、共進化適応や発達などの計算プロセスから、成長、自己複製、自己修復などの物理的プロセスまで、人工システムで研究される従来の生物学的現象が含まれます。

上で述べた計算技術はすべて、自然にヒントを得たものですが、これまでは主に従来の電子ハードウェア上で実装されてきました。対照的に、ここで紹介する分子コンピューティングと量子コンピューティングという 2 つのパラダイムでは、根本的に異なるタイプのハードウェアが採用されています。

分子コンピューティング（別名、生体分子コンピューティング、バイオコンピューティング、生化学コンピューティング、DNA コンピューティング）は、データがDNA 鎖などの生体分子としてエンコードされ、分子生物学ツールがデータに対してさまざまな操作（算術演算や論理演算など） を実行する計算パラダイムです。

特殊用途の分子コンピュータの最初の実験的実現は、1994年のレナード・エイドルマンによる画期的な実験であった。エイドルマンは、試験管内でDNA鎖を操作するだけで、ハミルトン経路問題の7ノードの例を解いた。 ^[30] DNA計算は、DNA配列（基本的には4文字のアルファベット{A、C、G、T}の配列）としてエンコードされた初期入力から始まり、カットアンドペースト（制限酵素とリガーゼによる）、特定の部分配列を含む鎖の抽出（ワトソン-クリック相補性を使用）、コピー（ポリメラーゼ酵素を使用するポリメラーゼ連鎖反応を使用）、および読み出しなどの一連の生物学的操作によって進行する。^{[31]最近の実験的研究では、} 3SATの20変数の例や、スマートドラッグの設計への応用が期待される有限状態機械のウェットDNA実装など、NP完全問題 のより 複雑な例を解くことに成功している。

この分野の研究による最も注目すべき貢献の1つは、自己組織化の理解です。^[33] 自己組織化とは、物体が自律的に集まって複雑な構造を形成するボトムアップのプロセスです。自然界にはその例が豊富にあり、 化学結合によって結合して分子を形成する原子や、結晶や高分子を形成する分子が含まれます。自己組織化の研究トピックの例には、シェルピンスキーの三角形^[35]などの自己組織化DNAナノ構造[ ^{34 ]や}DNA折り紙^[36]技術を使用して得られる任意のナノ形状 、DNAナノマシン^[37] 、 DNAベースの回路（バイナリカウンタ、ビット単位の累積XOR）、論理演算用のリボザイム、分子スイッチ（DNAピンセット）、自律分子モーター（DNAウォーカー）などがあります。

分子コンピューティングの理論的研究により、DNAコンピューティングの新しいモデルがいくつか生み出され（例えば、トム・ヘッドが1987年に発表したスプライシングシステム）、その計算能力が研究されてきました。^{[38]現在では、バイオ操作のさまざまなサブセットが}チューリングマシン の計算能力を達成できることが知られています^[要出典]。

量子コンピュータ^[39]は量子ビット（キュービット）として保存されたデータを処理し、重ね合わせやエンタングルメントなどの量子力学的現象を使用して計算を実行します。キュービットは「0」、「1」、またはこれらの量子重ね合わせを保持できます。量子コンピュータは量子論理ゲートを使用してキュービットを操作します。整数を因数分解するためのショアの多項式アルゴリズムと、 2乗の時間的利点を持つグローバーの量子データベース検索アルゴリズムを通じて、量子コンピュータは電子コンピュータに比べて大きな利点を持つ可能性があることが示されました。

量子暗号は計算の複雑さに基づくものではなく、量子情報の特殊な性質、例えば量子情報は確実に測定できないことや、測定を試みると不可避かつ不可逆な妨害が生じることなどに基づく。2007年には量子暗号の屋外実験が成功し、144 kmの距離を安全にデータが伝送されたことが報告された。^[40] 量子テレポーテーションは別の有望な応用で、量子状態（物質やエネルギーではない）を任意の遠隔地に転送するものである。実用的な量子コンピュータの実装は、 イオントラップ、 超伝導体、核磁気共鳴などのさまざまな基板に基づいている。2006年時点で、最大の量子コンピューティング実験では液体状態の核磁気共鳴量子情報プロセッサが使用され、最大12量子ビットで動作できた。^[41]

自然計算の2つの側面は、自然現象を情報処理と見なすことで自然を理解しようとすることです。1960年代にすでに、ツーゼとフレドキンは、宇宙全体が計算（情報処理）メカニズムであり、ルールを継続的に更新するセルオートマトンとしてモデル化されているという考えを提唱しました。^{[3] [4]}ロイドの最近の量子力学的アプローチは、宇宙を自身の動作を計算する量子コンピュータとして示唆し、^[5]ヴェドラル^[42]は 、情報が現実の最も基本的な構成要素であると示唆しています。

計算メカニズムとしての宇宙/自然は、^[6]で計算可能性の考え方を活用して自然を探求することで詳しく説明されています。一方、^[7]では、異なる組織レベルの情報処理のネットワークのネットワークとしての自然という考えに基づいて、自然プロセスを計算（情報処理）として研究しています。

この分野の主な研究方向は、システム生物学、合成生物学、細胞コンピューティングです。

計算システム生物学（または単にシステム生物学）は、生物システムで発生する複雑なコミュニケーションと相互作用を調査する統合的かつ定性的なアプローチです。したがって、システム生物学では、生物の機能プロセスの個々のコンポーネントではなく、相互作用ネットワーク自体と、これらのネットワークによって生じる生物システムの特性が研究の焦点となります。有機コンポーネントに関するこの種の研究は、4つの異なる相互依存的な相互作用ネットワークに重点を置いています。^[43]遺伝子制御ネットワーク、生化学ネットワーク、輸送ネットワーク、および炭水化物ネットワーク。

遺伝子制御ネットワークは、遺伝子間相互作用、および遺伝子と細胞内の他の物質との相互作用から構成されます。 遺伝子はメッセンジャーRNA （mRNA）に転写され、次に遺伝暗号に従ってタンパク質に翻訳されます。各遺伝子は、遺伝子転写の活性化因子または抑制因子の結合部位として機能する他のDNAセグメント（プロモーター、エンハンサー、またはサイレンサー）に関連付けられています。遺伝子は、遺伝子転写を制御できる遺伝子産物（mRNA、タンパク質）を介して、または遺伝子を直接制御できる小さなRNA種を介して、互いに相互作用します。これらの遺伝子間相互作用は、遺伝子と細胞内の他の物質との相互作用とともに、最も基本的な相互作用ネットワークである遺伝子制御ネットワークを形成します。これらは、他のネットワークの組み立てと維持を含む、細胞内の情報処理タスクを実行します。遺伝子制御ネットワークのモデルには、ランダムおよび確率的ブールネットワーク、非同期オートマトン、ネットワークモチーフなどがあります。

もう一つの見方は、ゲノム制御システム全体が計算システム、つまりゲノムコンピュータであるというものである。この解釈により、人間が作った電子計算と自然界で起こる計算を比較することができる。^[44]

さらに、従来のコンピュータとは異なり、ゲノムコンピュータの堅牢性は、機能の乏しいプロセスが急速に劣化し、機能の乏しい細胞がアポトーシス によって死滅し、機能の乏しい生物がより適応性の高い種に打ち負かされるといったさまざまなフィードバックメカニズムによって実現されます。

生化学ネットワークとは、タンパク質間の相互作用を指し、細胞内でさまざまな機械的および代謝的タスクを実行します。2つ以上のタンパク質が相互作用部位の結合を介して互いに結合し、動的タンパク質複合体（複合体形成）を形成します。これらのタンパク質複合体は、他の化学反応の触媒として機能したり、互いに化学的に修飾したりする場合があります。このような修飾により、タンパク質の利用可能な結合部位が変わります。細胞には何万ものタンパク質があり、それらは相互作用します。このような大規模な相互作用を説明するために、分子相互作用を簡潔な図で表すグラフィカル表記法としてコーンマップ^[45]が導入されました。タンパク質間相互作用を正確かつ簡潔に説明する他のアプローチには、テキストバイオ計算^[46]または確率的特徴が豊富なπ計算の使用が含まれます。^[47]

輸送ネットワークとは、脂質膜を介した物質の分離と輸送を指す。脂質の中には、生体膜に自己組織化できるものがある。脂質膜は脂質二重層で構成され、その中にタンパク質やその他の分子が埋め込まれており、この層に沿って移動することができる。脂質二重層を通じて、物質は膜の内側と外側の間を輸送され、他の分子と相互作用する。輸送ネットワークを表す形式には、膜システムやブレーン計算などがある。^[48]

合成生物学は、合成生物学的成分を工学的に合成することを目指しており、その最終目標は、その構成成分から生物学的システム全体を組み立てることです。合成生物学の歴史は、フランソワ・ジャコブとジャック・モノが遺伝子制御の数学的論理を発見した 1960 年代にまで遡ります。組み換え DNA技術に基づく遺伝子工学技術は 、遺伝子と遺伝子産物のシステム全体にこれらの技術を拡張する今日の合成生物学の先駆けです。

より長いDNA鎖を合成できる可能性とともに、完全に人工的な合成生物を構築する目的で合成ゲノムを作成するという見通しが現実のものとなった。実際、化学的に合成された短いDNA鎖を迅速に組み立てることで、5386bpのウイルス合成ゲノムを生成することが可能になった。^[49]

一方、スミスらは、マイコプラズマ・ジェニタリウムのゲノムから個別に除去できる遺伝子を約 100 個発見しました。この発見は、必須遺伝子のみで構成された最小限でありながらも実行可能な人工ゲノムの組み立てへの道を開きます。

半合成細胞を設計する3番目のアプローチは、自己複製能力を持つ単一のタイプのRNA様分子の構築です。^[50]このような分子は、RNA様分子の初期集団の急速な進化を誘導し、望ましい形質を選択することにより得られます。

この分野におけるもう一つの取り組みは、例えば生きた細菌細胞集団を調整するために使用される細胞間通信モジュールを設計することによって多細胞システムを設計することを目指しています。^[51]

生きた細胞における計算（別名、細胞コンピューティング、または生体内コンピューティング）は、自然を計算として理解するためのもう 1 つのアプローチです。この分野での特定の研究の 1 つは、繊毛虫と呼ばれる単細胞生物における遺伝子アセンブリの計算特性に関するものです。繊毛虫は、機能遺伝子を含む DNA のコピーを大核に格納し、別の「暗号化された」コピーを小核に格納します。2 つの繊毛虫の接合では、小核の遺伝情報が交換され、2 つの新しい小核が形成されます。その後、各繊毛虫が新しい小核の情報を再アセンブルして、新しい機能的な大核を構築します。後者のプロセスは、遺伝子アセンブリまたは遺伝子再配置と呼ばれます。これには、DNA の一部の断片の並べ替え（順列および場合によっては逆位）と、小核のコピーからのその他の断片の削除が含まれます。計算論的観点から見ると、この遺伝子組み立てプロセスの研究は、このプロセスのさまざまなモデルのチューリング普遍性など、多くの挑戦的な研究テーマと結果につながりました。^[52] 生物学的観点からは、テンプレート誘導組換えに基づいて、遺伝子組み立てプロセスを実装する「バイオウェア」についてのもっともらしい仮説が提案されました。^{[53] [54]}

細胞コンピューティングへの他のアプローチとしては、大腸菌を用いた生体内でプログラム可能かつ自律的な有限状態オートマトンの開発^[55]、細胞の既存の生化学プロセスを利用する生体内細胞論理ゲートと遺伝子回路の設計と構築（例えば^[56]を参照）、細胞オートマトンに似た一連のローカルルールに従った葉の気孔開口のグローバル最適化などがあります。^[57]

• 計算知能
• 生物にヒントを得たコンピューティング
• DNAコンピューティング
• ナチュラルコンピューティングジャーナル
• 量子コンピューティング
• 合成生物学
• 従来とは異なるコンピューティング

この記事は、著者の許可を得て以下の参考文献に基づいて執筆されました。

• リラ・カリ、グジェゴシュ・ローゼンベルク（2008年10月）。 「自然なコンピューティングのさまざまな側面」。ACM の通信。51 (10): 72–83。CiteSeerX  10.1.1.141.1586。土井: 10.1145/1400181.1400200。
• Leandro Nunes de Castro (2007 年 3 月)。「自然コンピューティングの基礎: 概要」。Physics of Life Reviews。4 ( 1): 1–36。Bibcode :2007PhLRv...4....1D。doi : 10.1016/ j.plrev.2006.10.002。

自然コンピューティングを構成する研究分野の多くには、独自の専門誌や書籍シリーズがあります。自然コンピューティングの幅広い分野に特化した雑誌や書籍シリーズには、雑誌「Natural Computing」（Springer Verlag）、Theoretical Computer Science、Series C: Theory of Natural Computing（Elsevier）、Natural Computing 書籍シリーズ（Springer Verlag）、Handbook of Natural Computing（G.Rozenberg、T.Back、J.Kok 編、Springer Verlag）などがあります。

• Ridge, E.; Kudenko, D.; Kazakov , D.; Curry, E. (2005) .「自然にヒントを得たアルゴリズムを並列、非同期、分散環境に移行する」。自己組織化と自律情報学 (I)。135 : 35–49。CiteSeerX 10.1.1.64.3403。 
• マイケル・G・ヒンチー、ロイ・ステリット、クリス・ラフ著「群れと群れ知能」

科学の一般向け記事に興味のある読者は、Medium のこの記事を検討してください: 自然にインスパイアされたアルゴリズム