Децентрализованные системы более эффективны в достижении цели, когда ее компоненты не слишком способны

Прочитано: 43 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


Команда исследователей, включая Нила Джонсона, профессора физики в Университете Джорджа Вашингтона, обнаружила, что децентрализованные системы работают лучше, когда отдельные части менее способны.

Доктор Джонсон интересовался пониманием того, как системы с множеством движущихся частей могут достичь желаемой цели или цели без централизованного контроля. Это исследует общую теорию, согласно которой децентрализованные системы, не имеющие центрального мозга, были бы более устойчивыми к повреждениям или ошибкам.

Это исследование может дать информацию обо всем, начиная с того, как эффективно структурировать компанию, создать более совершенный автономный механизм, оптимизировать алгоритмы искусственного интеллекта следующего поколения — и даже может изменить наше понимание эволюции. Ключ заключается в понимании того, как « сладкое пятно » между децентрализованными и централизованными системами варьируется в зависимости от того, насколько они умны, сказал доктор Джонсон.


Команда построила вычислительную модель децентрализованной системы, корректируя переменные, чтобы отразить, как компоненты могут улучшаться с течением времени и стать более эффективными в решении проблем. Доктор Джонсон с удивлением обнаружил, что, поскольку его исследовательская группа делала отдельные детали лучше, вся система работала хуже. По мере того, как детали становятся все умнее, они в совокупности делают более существенные ошибки и повторяют ошибки из прошлого, сказал он.

«Мы обнаружили, что когда у вас есть коллекция объектов, которые работают каким-то децентрализованным образом, и эти отдельные объекты становятся лучше при обработке информации, вся система становится хуже, потому что они, как правило, образуют толпы, даже если в них нет ничего, что говорит: «Я хочу быть членом толпы», — сказал доктор Джонсон. «То, как вы смотрите на паттерны по мере того, как вы получаете больше памяти, может привести к ошибочному взгляду на вещи».

Когда сверхзадачный системный компонент работает над задачей, он начнет самокорректироваться, когда для достижения цели будут допущены ошибки. Это приводит к чрезмерным исправлениям, которые уводят систему дальше от ее конечной точки, «что хуже всего, что она может сделать», сказал доктор Джонсон.

Доктор Джонсон сравнил это со сценарием, когда группа друзей катается на каноэ по реке. Если некоторые люди плывут влево, а некоторые — вправо, каноэ будет двигаться по прямой линии. Однако, если вдруг каждый человек в каноэ решит грести налево, это приведет к череде чрезмерных исправлений, что приведет к задержке в достижении пункта назначения.

«Децентрализованные системы хороши, пока объекты не становятся слишком умными», — сказал он. «Когда они начнут становиться слишком умными, ваша система начнет переворачиваться в ту или иную сторону».

Доктор Джонсон считает, что эти результаты могут найти применение для технологических разработок. Авторы предсказывают, что автономные транспортные средства могут работать лучше с более простыми компонентами, и предполагают, что люди с поврежденной функцией мозга могут восстановить некоторые ранее утраченные функции, если отдельные компоненты, например мышцы рук или ног , предоставляются простые инструкции напрямую. Их работа также предлагает новую перспективу того, почему биологическая эволюция перешла от менее сложных организмов, таких как личинки, к организмам с централизованной нервной системой.

Исследование было опубликовано сегодня в журнале Science Advances .

Децентрализованные системы более эффективны в достижении цели, когда ее компоненты не слишком способны



Новости партнеров

Загрузка...