🌀 nonlinear sciences

How Information Evolves: Stability-Driven Assembly and the Emergence of a Natural Genetic Algorithm

Dieser Artikel schlägt Stability-Driven Assembly (SDA) vor, ein Rahmenwerk, das zeigt, wie Information durch einen natürlichen, emergenten genetischen Algorithmus evolviert, bei dem die differenzielle Persistenz stochastischer Assemblierungen eine fitnessproportionale Stichprobenziehung und offene evolutionäre Dynamik antreibt, ohne dass Gene, Replikation oder vordefinierte Fitnessfunktionen erforderlich sind.

Ursprüngliche Autoren: Dan Adler

Veröffentlicht 2026-05-11

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Dan Adler

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine geschäftige, chaotische Baustelle vor, auf der Arbeiter (Moleküle) ständig zufällige Holz-, Metall- und Plastikstücke ergreifen, um neue Strukturen zu errichten. In einem normalen, ruhigen Raum würden diese Strukturen genauso schnell wieder zerfallen, wie sie gebaut werden, und nichts Interessantes würde geschehen.

Aber was, wenn diese Baustelle ein Sturm ist? Ständig werden neue Materialien hineingeworfen, und der Wind versucht ständig, Dinge umzuwerfen.

Dies ist die Kernidee von Dan Adlers Papier: Information kann sich entwickeln, ohne Gene, ohne einen Masterplaner und ohne ein spezifisches Ziel. Es geschieht einfach, weil einige Dinge besser gebaut sind als andere und daher länger bestehen.

Hier ist die Geschichte, wie dies funktioniert, aufgeteilt in einfache Konzepte:

1. Das „Überleben des Beständigsten" (nicht des Fittesten)

Normalerweise denken wir bei Evolution an das „Überleben des Fittesten" – das stärkste Tier gewinnt. Aber dieses Papier schlägt vor, dass es, bevor Tiere oder Gene existierten, nur das „Überleben des Beständigsten" gab.

Stellen Sie sich einen Haufen Sandburgen und einen Haufen Steinburgen vor.

Die Sandburgen werden schnell gebaut, aber die nächste Welle spült sie weg (sie haben eine geringe „Stabilität").
Die Steinburgen brauchen länger zum Bau, bleiben aber lange stehen (hohe „Stabilität").

In diesem System müssen die Steinburgen nicht gegen die Sandburgen „kämpfen". Sie bleiben einfach dort. Weil sie dort bleiben, werden sie zu den häufigsten Dingen im Haufen.

2. Der „Popularitätswettbewerb" (Wie Selektion stattfindet)

Hier ist der Trick: Die Dinge, die länger bleiben, dürfen mehr Dinge bauen.

Stellen Sie sich vor, dass jedes Mal, wenn eine neue Struktur gebaut wird, die Bauarbeiter zwei bestehende Strukturen auswählen, um sie als „Eltern" oder Vorlagen zu verwenden. Sie wählen diese Eltern zufällig aus, aber basierend darauf, wie viele davon gerade stehen.

Wenn Sie 100 Steinburgen und nur eine Sandburg haben, ist es für die Bauarbeiter fast garantiert, eine Steinburg auszuwählen, um die nächste zu bauen.
Die Steinburgen werden immer wieder „wiederverwendet".
Die Sandburgen verschwinden, bevor sie ausgewählt werden können.

Dies erzeugt eine Rückkopplungsschleife. Je stabiler eine Struktur ist, desto häufiger wird sie. Je häufiger sie ist, desto wahrscheinlicher wird sie verwendet, um neue Dinge herzustellen. Dies ist es, was das Papier einen „natürlichen genetischen Algorithmus" nennt. Es ist ein Evolutionsprozess, der automatisch abläuft und allein durch die Tatsache angetrieben wird, dass einige Dinge länger bestehen als andere.

3. Die Analogie der „Jazz-Improvisation"

Der Autor vergleicht dies mit einer Jazzband.

Die Musiker: Die Moleküle.
Die Noten: Die chemischen Bausteine.
Die Musik: Die Strukturen, die sie bauen.

In einer Jazz-Jam-Session gibt es keine Notenblätter (kein vorab geschriebenes Ziel). Musiker spielen Noten, und einige Kombinationen klingen großartig und werden wiederholt (sie „bestehen"). Andere klingen schrecklich und hören sofort auf. Im Laufe der Zeit findet die Band natürlich zu einem bestimmten Stil oder „Gerüst", weil diese musikalischen Muster diejenigen waren, die den Rhythmus aufrechterhielten. Sie hatten nicht geplant, dieses Lied zu spielen; sie spielten einfach weiter die Teile, die funktionierten.

4. Das Experiment: Bauen mit „chemischem Lego"

Um zu beweisen, dass dies funktioniert, führten die Forscher eine Computersimulation durch.

Sie schufen eine digitale Welt mit einfachen „Lego"-Stücken (die chemische Atome repräsentieren).
Sie programmierten die Regeln so, dass einige Kombinationen von Legos „stabil" waren (sie würden nicht zerfallen) und andere „instabil" (sie würden schnell verschwinden).
Sie ließen das System 1.000 „Generationen" lang laufen.

Das Ergebnis:
Zunächst war das System ein Durcheinander aus zufälligen, kurzlebigen Formen. Aber im Laufe der Zeit begannen einige spezifische, komplexe Formen zu dominieren. Sie wurden nicht dominant, weil sie dafür „entworfen" wurden; sie wurden dominant, weil sie die einzigen waren, die lange genug überlebten, um als Bausteine für die nächste Generation verwendet zu werden. Das System sortierte sich selbst, schuf Ordnung aus dem Chaos ohne jede äußere Hilfe.

5. Die „evolutionäre Leiter"

Das Papier schlägt eine Leiter vor, wie das Leben begonnen haben könnte, aufsteigend von einfacher Physik zu komplexer Biologie:

Sprosse 1: Persistenz. Einige Dinge bleiben einfach länger als andere bestehen (wie ein Diamant im Vergleich zu Graphit). Dies erzeugt eine Verzerrung in dem, was existiert.
Sprosse 2: Emergente Funktion. Manchmal passiert es, dass die Dinge, die länger bestehen, etwas Nützliches tun (wie das Helfen, andere Dinge zusammenzuhalten).
Sprosse 3: Katalyse. Diese nützlichen Dinge beginnen, sich selbst dabei zu helfen, schneller hergestellt zu werden.
Sprosse 4: Replikation. Schließlich entwickelt das System einen Weg, sich exakt zu kopieren (wie DNA).

Das Papier argumentiert, dass wir oft die ersten drei Sprossen überspringen und direkt zu DNA springen. Aber diese Forschung legt nahe, dass Sprosse 1 (Persistenz) ausreicht, um den gesamten Motor der Evolution zu starten. Sie brauchen keine sich selbst kopierende Maschine, um zu beginnen; Sie brauchen nur, dass einige Dinge länger bestehen als andere.

Zusammenfassung

Dieses Papier behauptet, dass Evolution ein natürliches physikalisches Gesetz ist, nicht nur ein biologisches. Wenn Sie ein System haben, in dem:

Dinge ständig gebaut werden.
Einige Dinge schneller zerfallen als andere.
Die Dinge, die länger bleiben, öfter verwendet werden, um neue Dinge zu bauen.

...dann erhalten Sie automatisch ein System, das „lernt", „sich anpasst" und sich in Richtung Komplexität „entwickelt". Es ist ein natürlicher genetischer Algorithmus, der auf dem einfachen Prinzip der Stabilität läuft.

Technisches Fazit: Stabilitätsgetriebene Assemblierung und die Entstehung eines natürlichen genetischen Algorithmus

Problemstellung
Eine zentrale Herausforderung in der Ursprünge-des-Lebens-Forschung besteht darin zu erklären, wie Selektion und evolutionäre Dynamiken entstehen können, bevor molekulare Replikationsmechanismen existieren. Traditionelle Rahmenwerke, wie autokatalytische Sets, Hykels und künstliche Chemien, setzen häufig Replikation voraus oder beruhen auf spezifischen Substraten. Während „chemische Evolution" häufig herangezogen wird, um die Umwandlung von Molekülen in komplexe Strukturen unter präbiotischen Bedingungen zu beschreiben, fehlt es in der Literatur oft an einer mechanistischen Erklärung dafür, wie Richtungsgebung oder Selektion ohne eine externe Fitnessfunktion oder ein vordefiniertes Ziel entstehen. Die Arbeit geht davon aus, dass der fundamentale physikalische Treiber für eine solche Selektion die differenzielle Persistenz sein könnte: die Beobachtung, dass in Nicht-Gleichgewichts-Systemen einige Strukturen aufgrund von Stabilitätsunterschieden (z. B. Bindungsenergien, kinetische Barrieren) natürlicherweise länger überdauern als andere. Die Kernfrage lautet, ob diese Persistenz-Ungleichgewichte, die allein in einem offenen, nachgefüllten System wirken, ausreichen, um selektionsähnliche Dynamiken zu erzeugen und die Entstehung von Komplexität voranzutreiben.

Methodik
Die Autoren schlagen einen Rahmen vor und simulieren ihn, der als Stabilitätsgetriebene Assemblierung (SDA) bezeichnet wird.

Systemdefinition: Ein SDA-System ist als Tupel $(E, P, S, R, I)$ definiert, bestehend aus Basiselementen ( $E$ ), einer Menge möglicher Muster ( $P$ ), einer Stabilitätsfunktion ( $S$ ), die Muster auf ganzzahlige Lebensdauern abbildet, einer Nachfüllfunktion ( $R$ ) und einer festen Anzahl von Interaktionen ( $I$ ) pro Generation.
Dynamik: Das System arbeitet in diskreten Generationen. Basiselemente werden nachgefüllt, und bestehende Muster interagieren über einen stochastischen Operator (anfangs String-Konkatenation, später verallgemeinert auf Rekombination). Muster verbleiben für eine Anzahl von Generationen, die durch ihre Stabilität $S(p)$ bestimmt wird, bevor sie entfernt werden.
Rückkopplungsmechanismus: Da Muster mit höherer Stabilität länger überdauern, häufen sie sich in der Population an. Da Interaktionspartner proportional zu ihrer Häufigkeit beprobt werden (Roulette-Rad-Beprobung), ist es für stabile Muster überproportional wahrscheinlich, an nachfolgenden Interaktionen teilzunehmen. Dies erzeugt eine sich selbst verstärkende Rückkopplungsschleife: Stabilität $\to$ Persistenz $\to$ Verzerrung der Populationsverteilung $\to$ verzerrte Beprobung.
Verallgemeinerung (SDA/GA): Der Rahmen wird zu SDA/GA erweitert, indem die einfache Konkatenation durch einen Rekombinationsoperator (Austausch von Teilstrings) und einen optionalen Mutationsschritt ersetzt wird. Dies ermöglicht es dem System, als „natürlicher genetischer Algorithmus" zu fungieren, bei dem die Fitness nicht extern definiert ist, sondern intrinsisch aus der stabilitätsgetriebenen Persistenz entsteht.
Simulationen:
1. Symbolische Simulationen: Unter Verwendung der Basiselemente A, B, C mit einer vordefinierten Stabilitätsfunktion (z. B. werden spezifische Motiven Lebensdauern von 1, 30, 50 oder 100 Generationen zugewiesen).
2. Chemische Simulationen: Abbildung des Rahmens auf den chemischen Symbolraum unter Verwendung von SMILES-Strings und dem RDKit-Toolkit. Zu den Basiselementen gehören Kohlenwasserstoffe und funktionelle Gruppen. Die Rekombination wird über BRICS-basierte Fragmentierung und Reassemblierung implementiert, um Valenzplausibilität sicherzustellen. Die Stabilität wird über eine heuristische Funktion basierend auf strukturellen Deskriptoren (Anzahl schwerer Atome, Aromatizität, rotierbare Bindungen, formale Ladung usw.) geschätzt und auf ganzzahlige Lebensdauern abgebildet.

Hauptbeiträge

Formalisierung der Stabilitätsgetriebenen Assemblierung: Die Arbeit formalisiert SDA als ein Nicht-Gleichgewichts-Rahmenwerk, in dem Selektion ausschließlich aus Persistenz-Ungleichgewichten entsteht, ohne dass Replikation, Templierung oder externe Fitnessfunktionen erforderlich sind.
Entstehender genetischer Algorithmus: Sie zeigt, dass SDA-Dynamiken mathematisch äquivalent zu einem genetischen Algorithmus (SDA/GA) sind. Die „Fitness" ist eine emergente Eigenschaft der Umwelt (Stabilität), und „Selektion" ist eine intrinsische Folge der Verzerrung der Populationsverteilung hin zu längerlebigen Motiven.
Chemische Instantiierung: Die Autoren bilden SDA/GA erfolgreich auf einen chemischen Kontext ab und zeigen, dass Standardreaktionstypen der organischen Chemie (Substitution, Addition, Polymerisation) als Mutations- und Rekombinationsoperatoren innerhalb dieses Rahmens interpretiert werden können.
Die Hypothese der evolutionären Leiter: Die Arbeit schlägt ein Kontinuum vor, das nicht-lebende Materie mit Biologie verbindet, beginnend mit „nur-Persistenz"-Dynamiken (die unterste Sprosse) und fortschreitend über emergente Funktion, Katalyse, Autokatalyse und schließlich explizite Replikation. Dies stellt die Replikation nicht als Voraussetzung für Evolution dar, sondern als eine spätere Stufe auf einer breiteren evolutionären Leiter.

Ergebnisse

Verzerrung der Population und Dominanz: Sowohl symbolische als auch chemische Simulationen zeigen eine starke Abweichung von gleichmäßigen Verteilungen. Hochstabile Motive dominieren die Population und machen den Großteil der Wahrscheinlichkeitsmasse aus. In chemischen Simulationen dominierte ein einzelnes esterähnliches Motiv etwa 54 % der Population bis zur Generation 1000, wobei einige wenige Gerüste über 85 % ausmachten.
Entropiereduktion: Die Shannon-Entropie der Populationsverteilung nimmt im Laufe der Zeit ab, was auf das Entstehen von Ordnung hinweist.
- Konkatenationsbasierte SDA zeigt oszillierende „Boom-Bust"-Entropiezyklen aufgrund der synchronisierten Ablaufzeit langer Motive.
- Rekombinationsbasierte SDA/GA zeigt einen glatteren, monotonen Rückgang der Entropie, da die Rekombination Ablaufzeiten desynchronisiert und einen breiteren Pool seltener Varianten aufrechterhält.
Anhaltende Neuheit: Trotz der Entropiereduktion behält das System eine hohe Neuheit bei. In chemischen Simulationen bestand über 80 % der Population aus Verbindungen, die nicht im anfänglichen Pool vorhanden waren, was offene Dynamiken demonstriert, die durch Rekombination angetrieben werden.
Schweres Schwanzverteilungen: Die resultierenden Populationsstrukturen weisen schwerschwänzige Rang-Häufigkeits-Verteilungen auf, die charakteristisch für komplexe adaptive Systeme sind, mit wenigen dominanten Motiven und einem langen Schwanz seltener Varianten.
Robustheit: Der emergente Selektionsmechanismus bleibt robust, selbst wenn stochastische Mutationen eingeführt werden; die Entropie kollabiert weiterhin, und stabile Motive bleiben dominant.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass Persistenz-Ungleichgewichte allein ausreichen, um eine evolutionäre Suche zu implementieren. Sie argumentiert, dass Selektion keinen externen Programmierer oder eine vordefinierte Fitnessfunktion erfordert; vielmehr entsteht sie generisch aus der Rückkopplung zwischen Stabilität, Populationsstatistik und generativen Prozessen in Nicht-Gleichgewichts-Systemen.

Natürliche genetische Algorithmen: Die Arbeit etabliert, dass ein „natürlicher genetischer Algorithmus" existieren kann, bei dem die Fitness von der Umwelt (via Persistenz) bereitgestellt wird, anstatt extern auferlegt zu werden. Dies steht im Gegensatz zu klassischen GAs und überwachtem Lernen, die auf expliziten Zielfunktionen beruhen.
Präbiotische Relevanz: Die Ergebnisse deuten darauf hin, dass der Übergang von nicht-lebender Materie zu sich entwickelnden Biosphären mit einer einfachen stabilitätsgetriebenen Selektion beginnen kann, die vor dem Aufkommen genetischer Replikation liegt. Dies liefert eine physikalische Grundlage für die „chemische Evolution", die nicht auf das „Henne-Ei-Problem" von Theorien der Replikation als Erstes angewiesen ist.
Unterscheidung von Gleichgewichtsmodellen: Die Arbeit kontrastiert SDA/GA mit massenwirkungskinetischen (MAK) Modellen auf Gleichgewichtsbasis. Während Gleichgewichtsmodelle konstante Raten annehmen und zu statischen stationären Zuständen führen, operiert SDA/GA in einem Regime, in dem differenzielle Persistenz eine selbstkonsistente, nichtlineare Rückkopplungsschleife erzeugt, die das Gleichgewicht verhindert und kontinuierliche, gerichtete Veränderungen antreibt.
Bescheidener Umfang: Die Autoren räumen ein, dass die aktuelle Formulierung auf heuristischen Stabilitätsfunktionen und abstrahierten Operatoren beruht und detaillierte Lösungs- und kinetische Effekte auslässt. Das Ziel ist konzeptionell: das Prinzip zu demonstrieren, dass stabilitätsgetriebene Persistenz evolutionäre Dynamiken erzeugen kann, anstatt ein vollständiges Modell präbiotischer Chemie oder ein Werkzeug für die Wirkstoffentwicklung bereitzustellen.

Zusammenfassend vereint die Arbeit Konzepte aus der Informationstheorie, Thermodynamik und Evolutionsbiologie und schlägt vor, dass Ordnung und Information emergente Konsequenzen von persistenzverzerrten Populationsdynamiken in offenen Systemen sind.