Ces dernières années, grâce aux importantes avancées dans la découverte des protéines récompensées par des prix Nobel, le potentiel des modèles fondamentaux (FM) pour explorer de vastes espaces de combinaisons s'est progressivement révélé, annonçant une révolution potentielle dans de nombreux domaines scientifiques. Néanmoins, le domaine de la vie artificielle (ALife) n'a pas encore pleinement exploité ces modèles fondamentaux, offrant ainsi d'énormes opportunités de développement.
C'est pourquoi une équipe de recherche propose pour la première fois une méthode nommée « Recherche Automatique de Vie Artificielle » (ASAL), qui, grâce à des modèles fondamentaux vision-langage, permet de réduire efficacement le fardeau du développement manuel et des essais-erreurs qui caractérisent depuis longtemps le domaine de la vie artificielle.
Les fonctions principales de la méthode ASAL sont les suivantes : premièrement, elle permet de rechercher des simulations produisant un phénomène spécifique ; deuxièmement, elle permet de découvrir des simulations produisant une nouveauté temporellement ouverte ; et enfin, elle permet de présenter de manière exhaustive un espace de simulations diversifié et intéressant. La nature générale de cette méthode permet une application efficace à divers substrats de vie artificielle, notamment les « comportements de groupe » (Boids), la « vie particulaire » (Particle Life), le « Jeu de la vie » (Game of Life), « Lenia » et les « automates cellulaires neuronaux ».
Les résultats de la recherche montrent que la méthode ASAL a permis de découvrir des formes de vie Lenia et Boids inédites, ainsi que des automates cellulaires ouverts similaires au Jeu de la vie de Conway. De plus, l'utilisation de modèles fondamentaux a permis de quantifier des phénomènes auparavant uniquement qualitatifs. Ce nouveau modèle de recherche devrait dépasser la simple créativité humaine et accélérer le progrès de la recherche sur la vie artificielle.
Cette étude fournit également une implémentation ASAL simplifiée permettant aux chercheurs de se familiariser rapidement avec la méthode. L'implémentation du code utilise le framework Jax, offrant un traitement rapide de bout en bout. Le code principal comprend la création du modèle fondamental, du substrat, le déroulement efficace de la simulation et le calcul des mesures ASAL. L'équipe de recherche a implémenté plusieurs substrats de vie artificielle, et les utilisateurs peuvent évaluer l'ouverture des simulations en exécutant le code fourni.
Pour les chercheurs souhaitant exécuter ce projet localement, il est conseillé de cloner le dépôt de code, de configurer l'environnement Python et d'installer les bibliothèques nécessaires. L'équipe de recherche fournit également un Notebook utilisable sur la plateforme Google Colab pour faciliter la prise en main.
Accès au projet : https://github.com/sakanaai/asal
Points clés :
🌟 L'équipe de recherche propose la méthode « Recherche Automatique de Vie Artificielle » (ASAL), utilisant des modèles fondamentaux pour réduire la charge de conception traditionnelle.
🔍 ASAL permet de découvrir des simulations de phénomènes spécifiques, des simulations de nouveautés ouvertes et de présenter un espace de simulations diversifié.
🚀 Les résultats de la recherche ont permis de découvrir de nouvelles formes de vie et de quantifier des phénomènes auparavant qualitatifs, stimulant ainsi le développement de la recherche sur la vie artificielle.
