自然コンピューティング

セルオートマトンとは、セルの配列からなる動的システムである。空間と時間は離散的であり、各セルは有限個の状態をとることができる。セルオートマトンは、事前に与えられた遷移規則に従って、セルの状態を同期的に更新する。セルの次の状態は遷移規則によって計算され、そのセルの現在の状態と隣接するセルの状態のみに依存する。

コンウェイのライフゲームは、セルオートマトンの中でも最もよく知られた例の一つであり、計算論的に普遍的であることが示されている。セルオートマトンは、コミュニケーション、成長、生殖、競争、進化、その他の物理的および生物学的プロセスなど、さまざまな現象のモデル化に応用されてきた。

ニューラルコンピューティングは、コンピュータと人間の神経系を比較すること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方法の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ある。^{[ 12 ]} 人工ニューロンAは、関数を備えている。 ${\displaystyle f_{A}}$n個の実数値入力を受け取る${\displaystyle x_{1},x_{2},\ldots ,x_{n}}$それぞれの重みで${\displaystyle w_{1},w_{2},\ldots ,w_{n}}$、そして出力されます${\displaystyle f_{A}(w_{1}x_{1}+w_{2}x_{2}+\ldots +w_{n}x_{n})}$いくつかのニューロンが出力ニューロンとして選択され、ネットワーク関数は、n 個の入力値に対して、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が必要です。バックプロパゲーションは、ネットワーク内の接続の重みを繰り返し調整して、実際の出力のベクトルと望ましい出力のベクトルとの差を最小化する教師あり学習法です。誤差の逆伝播に基づく学習アルゴリズムは、ネットワークのトポロジーと入出力ペアが与えられた場合の最適な重みを見つけるために使用できます。

進化計算^{[ 13 ]}は、ダーウィン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、シミュレーション進化の概念に基づいた計算システムです。これは、一定または可変サイズの個体群、適応度基準、および現在の世代から次世代を生成する遺伝学的に着想を得た演算子から構成されます。初期個体群は通常、ランダムまたはヒューリスティックに生成され、代表的な演算子は突然変異と組換えです。各ステップで、個体は与えられた適応度関数（適者生存）に従って評価されます。次世代は、遺伝学的に着想を得た演算子を用いて、選択された個体（親）から得られます。親の選択は、生物学的な配偶者選択の原理を反映した選択演算子によって誘導されます。このシミュレーション進化のプロセスは、最終的に適応度関数の観点からほぼ最適な個体群へと収束します。

進化システムの研究は、歴史的に主に 3 つの枝に沿って発展してきました。 進化戦略は、実数値パラメータだけでなく、離散パラメータや混合型パラメータの パラメータ最適化問題に対する解決策を提供します。進化プログラミングは、当初、有限状態機械など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」を作成すること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、与えられた問題に対する (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、固定長のビット列としてエンコードされた個体の入力集団、突然変異 (ビット反転) および組み換え (親の接頭辞と他の親の接尾辞の組み合わせ) という遺伝的演算子、および問題依存の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 プログラムの最適化に使用されてきましたが、今日では、実数値パラメータ最適化問題や多くのタイプ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、従来の複製演算子をモデル誘導型演算子に置き換える進化アルゴリズムです。このようなモデルは、機械学習技術を用い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ます。そこから新しい解をサンプリングしたり^{[ 15 ] [ 16 ]}、誘導型交叉によって生成したりできます^{[ 17 ] [ 18 ] 。}

群知能[ ^{19 ]は、}集合知能とも呼ばれ、個々のエージェント（例えば、細菌、アリ、シロアリ、ハチ、クモ、魚、鳥）が、それぞれの局所的な環境に作用することで他のエージェントとコミュニケーションを取りながら、相互作用することによって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）解空間を探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。初期設定は粒子群であり、各粒子は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）、過去の個人的最適位置への傾向（ノスタルジア成分）、およびグローバル近傍最適またはローカル近傍最適への傾向（社会的成分）に依存する独自の速度を持ちます。したがって、粒子は多次元空間を移動し、最終的にはグローバル最適と個人的最適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、教師なし学習、ゲー​​ム学習、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たものです。アリは巣と食料源の間の最適な経路を見つけるために、間接的なコミュニケーションに頼っています。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ります。アリのアルゴリズムは、離散的な探索空間におけるさまざまな組み合わせ最適化問題にうまく適用されています。

人工免疫システム（免疫計算または免疫コンピューティングとも呼ばれる）は、生物の自然免疫システムに着想を得た計算システムである。

生物の自然免疫システムは、情報処理システムとして捉えると、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）の無力化、学習、記憶、連想検索、自己制御、耐障害性などが含まれます。 人工免疫システムは、これらの計算的側面を強調した自然免疫システムの抽象化です。その応用には、コンピュータウイルスの検出、時系列データの異常検出、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細胞の区画化された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します。^{[ 22 ]} 一般的な膜システム（Pシステム）は、入れ子状の階層構造に配置された膜で区切られた細胞のような区画（領域）で構成されています。各膜で囲まれた領域には、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が領域外に転送されるか領域内に留まるかを指定する転送ルールが含まれています。領域はオブジェクトの転送を介して相互に通信します。膜システムによる計算は、各領域（オブジェクトのマルチセット）の各オブジェクトの数（多重度）が何らかの値に設定される初期構成から始まります。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、かつ最大限並列的に選択することによって処理が進みます。計算の出力は、事前に決定された出力領域から収集されます。

膜システムの応用例としては、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、細菌におけるクオラムセンシング、細胞性免疫）、コンピュータグラフィックス、公開鍵暗号、近似アルゴリズムや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 、および様々な計算困難な問題の解析などが挙げられる。

生物においては、形態形成（明確な形状と機能的な構造の発達）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る。

この考えに触発され、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）の局所的な相互作用から、明確に定義された形状やパターン、または一貫性のある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技術を見つけることが目標です。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」の基盤としても重要な役割を果たしています（下記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）。

形態が計算を実行するという理解は、形態と制御の関係を分析し、制御要件が軽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います。形態計算とを参照してください。^{[ 24 ]}

認知コンピューティング（CC）は、人間の感覚、推論、刺激への反応の機能をモデル化することを目的とした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およびを参照してください。^{[ 25 ]}

現代の認知コンピューティングの認知能力は、人間のレベルには遠く及ばない。しかし、同じ情報計算アプローチは、より単純な生物にも適用できる。細菌は、計算論的にモデル化された認知システムの一例である（ Eshel Ben-Jacob 著『Microbes-mind』を参照）。

人工生命（ALife）は、電子コンピュータやその他の人工メディア内に、通常は生物にのみ関連付けられる特性を示すab initioシステムを構築することによって、生命体の本質的な特性を理解することを究極の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規則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動作する進化する「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、ジャンプする能力を与えられたものから選択され、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。立方体をつかむために手を発達させたものもあれば、立方体に向かって移動するために脚を発達させたものもありました。この計算アプローチは、仮想的に進化する物理的なロボットを実際に構築するために、ラピッド製造技術とさらに組み合わされました。^{[ 29 ]}これは、機械的人工生命の分野の出現を示しました。

合成生物学の分野では、同様のアイデアを生物学的に実現する方法を探求しています。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、共進化的な適応や発達といった計算プロセスから、成長、自己複製、自己修復といった物理プロセスまで、従来は生物学的現象であったものを人工システムで探求する研究が含まれます。

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符号化され、分子生物学ツールがそのデータに対して様々な操作（例えば、算術演算や論理演算）を実行する計算パラダイムです。

特殊目的分子コンピュータの最初の実験的実現は、1994 年にレナード・アドレマンが行った画期的な実験で、試験管内の DNA 鎖を操作することによってのみ、ハミルトン経路問題の 7 ノードインスタンスを解決しました。 ^{[ 30 ]} DNA 計算は、DNA 配列としてエンコードされた初期入力 (基本的に 4 文字のアルファベット {A、C、G、T} の配列) から始まり、切断と貼り付け (制限酵素とリガーゼによる)、特定のサブシーケンスを含む鎖の抽出 (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します。^{[ 31 ]}最近の実験的研究では、 3SATの 20 変数インスタンスなど のNP 完全問題のより複雑なインスタンスの解決や、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 に成功しています。

この分野の研究で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、原子が化学結合で結合して分子^を形成したり、分子が結晶や高分子を形成したりする例が数多くあります。自己組織化の研究テーマの例としては、シェルピンスキー三角形 [35] や DNA 折り紙 [36] 技術を使用して得られる任意のナノ形状などの自己組織化 DNAナノ^構造[ ^{34 ] 、}および^{DNAベースの}回路 ^{(バイナリカウンター}、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)などのDNA ナノマシン^[ 37] 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いくつかの新しいモデル（例えば、1987年にトム・ヘッドによって導入されたスプライシングシステム）が生まれ、その計算能力が調査されてきた。 ^{[ 38 ]}現在では、さまざまな生物学的操作の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る。

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利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上で動作します。整数の因数分解のためのショアの多項式アルゴリズムと、2次時間の利点を持つ量子データベース検索のためのグローバーのアルゴリズムにより、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ず、測定しようとすると不可避かつ不可逆的な擾乱が生じるという事実に基づくものです。2007年には、量子暗号の屋外実験が成功し、144  km の距離にわたってデータが安全に送信されたことが報告されました。^{[ 40 ]}量子テレポーテーションは、量子状態（物質やエネルギーではなく）を任意の遠隔地に転送する、もう 1 つの有望な応用です。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ます。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ました。^{[ 41 ]}

計算システム生物学（または単にシステム生物学）は、生物システム内で起こ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構成要素ではなく、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。この種の有機構成要素に関する研究は、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、炭水化物ネットワークという、相互依存する4つの異なる相互作用ネットワークに強く焦点を当ててきました。^{[ 43 ]}

遺伝子制御ネットワークは、遺伝子間の相互作用と、細胞内の遺伝子と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、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）と関連付けられています。遺伝子は、遺伝子転写を調節できる遺伝子産物（mRNA、タンパク質）を介して、または遺伝子を直接調節できる小さなRNA種を介して、互いに相互作用します。これらの遺伝子間の相互作用は、細胞内の他の物質との遺伝子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。遺伝子制御ネットワークは、他のネットワークの構築と維持を含む、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、およびネットワークモチーフが含まれます。

別の見解としては、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考え方がある。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、機能不全のプロセスが急速に劣化し、機能不全の細胞がアポトーシス によって死滅し、機能不全の生物がより適応度の高い種との競争に敗れるなど、さまざまなフィードバック機構によって実現される。

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、細胞内で様々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は、相互作用部位の結合を介して互いに結合し、動的なタンパク質複合体（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ことがあります。このような修飾は、タンパク質の利用可能な結合部位に変化をもたらします。細胞内には数万のタンパク質があり、それらは互いに相互作用します。このような大規模な相互作用を記述するために、分子間の相互作用を簡潔な図で示すグラフィカル表記法として、 Kohn マップ^{[ 45 ]}が導入されました。タンパク質間の相互作用を正確かつ簡潔に記述する他のアプローチには、テキストバイオ計算^{[ 46 ]}や確率的特徴で強化されたπ 計算^{[ 47 ]の使用などがあります。}

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します。一部の脂質は自己組織化して生体膜を形成することができます。脂質膜は、タンパク質やその他の分子が埋め込まれた脂質二重層から構成されており、これらの分子はこの層に沿って移動することができます。脂質二重層を通して、物質は膜の内側と外側の間で輸送され、他の分子と相互作用します。輸送ネットワークを記述する形式には、膜システムや ブレーン計算などがあります。^{[ 48 ]}

合成生物学は、合成生物学的構成要素を設計することを目的としており、究極的には構成要素から完全な生物システムを組み立てることを目指しています。合成生物学の歴史は、フランソワ・ジャコブとジャック・モノが遺伝子制御における数学的論理を発見した1960年代に遡ります。組換えDNA技術に基づく遺伝子工学技術は 、これらの技術を遺伝子と遺伝子産物のシステム全体に拡張した今日の合成生物学の先駆けとなっています。

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ことを目的とした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のウイルスの合成ゲノムを生成することが可能になった。^{[ 49 ]}

あるいは、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約100個の遺伝子を発見した。この発見は、必須遺伝子のみからなる、最小限でありながらも生存可能な人工ゲノムの構築への道を開くものである。

半合成細胞を設計する3つ目のアプローチは、自己複製能力を持つ単一タイプのRNA様分子を構築することである。^{[ 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、望ましい特性の選択によって誘導することによって得られる可能性がある。

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協調させ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、多細胞システムを工学的に構築することである。 ^{[ 51 ]}

生細胞における計算（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とも呼ばれる）は、自然を計算として理解するためのもう一つのアプローチである。この分野における特に注目すべき研究の一つは、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的性質に関する研究である。繊毛虫は、機能遺伝子を含むDNAのコピーを大核に、そして「暗号化された」別のコピーを小核に保存している。2匹の繊毛虫の接合は、小核の遺伝情報の交換から成り、2つの新しい小核の形成につながる。その後、それぞれの繊毛虫は新しい小核から情報を再構成して、新しい機能的な大核を構築する。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る。これには、DNAの断片の順序変更（順列、場合によっては反転）と、小核コピーからの他の断片の削除が含まれる。計算論的な観点から見ると、この遺伝子アセンブリプロセスの研究は、このプロセスの様々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成果につながった。^{[ 52 ]} 生物学的観点から、テンプレート誘導組換えに基づいて、遺伝子アセンブリプロセスを実行する「バイオウェア」に関するもっともらしい仮説が提案された。^{[ 53 ] [ 54 ]}

細胞コンピューティングの他のアプローチとしては、大腸菌を用いた生体内プログラム可能で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的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局所ルールに従って葉の気孔開口部を全体的に最適化すること^{[ 57 ]}などがある。