기술 요약: 디지털 원시 수프에서의 자기 복제와 기능의 공진화

문제 제기

본 논문은 인공 생명(ALife) 및 진화 연산 분야의 근본적인 공백, 즉 전(前) 진화적 확률론적 상태에서 다윈의 진화로 넘어가는 단계의 문제를 다룬다. 전통적인 진화 알고리즘은 대개 복제를 하드코딩하거나, 손으로 설계된 조상 복제자를 환경에 시드(seed) 형태로 주입함으로써, 자발적 자기 복제의 확률적 장벽을 우회한다. 또한, Avida와 같은 플랫폼들은 복잡한 행동의 진화를 보여주지만, 과업 해결(대사)을 내장된 복사 명령에 직접 결합하는 경우가 많아, 독립적인 자기 복제 메커니즘의 자발적 출현을 모델링하는 데는 한계가 있다.

본 연구는 사전 정의된 생식 규칙 없이, "원시 수프(primordial soup)"의 무작위 코드로부터 자기 복제와 복잡한 문제 해결 능력이 공진화할 수 있는지 조사한다. 구체적으로, 점점 더 복잡해지는 수학적 과업을 해결하려는 압력이 자발적 자기 복제의 구조에 어떤 영향을 미치는지, 반대로 복제의 메커니즘이 기능적 문제 해결의 진화를 어떻게 형성하는지를 탐구한다.

방법론

저자들은 무작위 Z80 어셈블리 프로그램이 분포된 공간 격자 기반의 디지털 "원시 수프" 프레임워크를 활용한다.

• 환경: 인구 집단은 32개의 별도 공간 니치(각각 128×128 격자)에 분포된 219개의 프로그램으로 구성된다. 각 프로그램은 실행 가능한 에뮬레이션된 Z80 마이크로프로세서 상의 32바이트 "테이프"이다.
• 초기화: 모든 프로그램은 무작위 바이트 시퀀스로 초기화된다. 하드코딩된 복제는 존재하지 않으며, 복제는 어셈블리 명령어를 실행함으로써 발견되어야 한다.
• 상호작용 및 복제: 프로그램들은 쌍을 이루어 상호작용한다. 이들의 테이프는 64바이트 메모리 공간으로 결합되어 실행된다. 복제는 실행된 코드가 한 프로그램의 바이트를 다른 프로그램의 메모리 영역으로 자발적으로 복사할 때만 발생한다. 결과물인 64바이트 테이프는 다음 에포크(epoch)를 위해 두 개의 32바이트 프로그램으로 다시 분할된다.
• 역량 제한 상호작용(Competence-Gated Interaction): 기능과 적응도를 연결하기 위해 "검증(validation)" 단계가 도입된다. 프로그램이 상호작용하기 전에, 해당 니치에 할당된 특정 다항식을 세 개의 샘플 입력을 통해 평가해야 한다.
  • 성공: 프로그램이 올바른 출력을 계산하면, 상호작용을 위해 선택될 확률이 기본값 0.3에서 1.0으로 증가한다.
  • 실패: 실패한 프로그램은 기본 상호작용 확률을 유지한다.
  • 대사 제약: 일부 실험에서는 실행 단계 수에 따라 성공한 프로그램의 상호작용 확률을 차감하여, 계산에 따른 에너지 비용을 시뮬레이션한다.
• 교차 니치 폴리네이션(Cross-Niche Pollination, CNP): 0.05의 낮은 확률로, 상호작용 파트너는 국소적 이웃이 아닌 전체 인구 집단에서 추출되어, 솔루션이 니치 사이를 이동할 수 있게 한다.
• 과업 복잡도: 과업은 점진적으로 차수가 높아지는 다항식의 평가를 포함한다. Z80 명령어 세트에는 네이티브 곱셈 명령어가 없으므로, 복잡한 반복 루프의 진화가 필요하다.

주요 기여 및 결과

1. 복제와 기능의 공진화

본 연구는 견고한 자기 복제와 수학적 문제 해결이 무작위 노이즈로부터 공진화할 수 있음을 입증한다.

• 상호 의존성: 프로그램은 문제 해결 능력과 관계없이 자기 복제 메커니즘 없이는 전파될 수 없다. 반대로, 복제자들 중에서도 자신의 니치 과업을 해결하는 개체가 상호작용을 위해 더 빈번하게 선택된다.
• 결합 진화: 니치를 지배하는 계통은 두 행동을 통합하며, 환경적 과업 요구가 자기 복제의 물리적 구조를 형성하는 피드백 루프를 구축한다.

2. 과업 압력이 복제 구조를 재형성함

과업을 해결하려는 압력은 더 효율적이고 견고한 복제 메커니즘의 진화를 가속화한다.

• Load-Push vs. LDIR: 초기에는 "Load-Push" 복제자들이 우세하다. 이들은 프로그램을 복사하기 위해 긴 로드/푸시(load/push) 명령어 체인을 사용하며, 이는 32바이트 테이프 전체를 소비하여 과업 해결 코드를 위한 공간을 남기지 않는다. 과업 압력이 증가함에 따라 "Load Increment Repeat (LDIR)" 복제자가 등장한다. LDIR은 자동으로 루프를 도는 특화된 블록 복사 명령어를 사용하여 몇 바이트만을 필요로 한다.
• 가속화: Load-Push에서 LDIR로의 전환은 과업의 존재에 의해 유의미하게 가속화된다. 과업이 없다면 이 전환은 느리거나 불완전하다. LDIR의 컴팩트한 특성은 메모리를 과업 해결 코드를 위해 확보해주어, 프로그램이 복제와 계산을 동시에 수행할 수 있게 한다.
• 견고성 계층: LDIR 복제자는 LDD(명시적 루프 필요)나 Load-Push 시퀀스보다 돌연변이에 대해 더 견고한 것으로 나타났다. 과업 압력은 인구 집단을 더 견고하고 컴팩트한 구조로 유도한다.

3. 대사 제약이 조건부 실행을 유도함

실행 단계(비용)에 대한 페널티가 적용될 때, 프로그램은 효율성과 문맥 인식 행동을 진화시킨다.

• 효율성: 프로그램은 과업을 해결하기 위해 더 적은 실행 단계를 사용하도록 진화한다.
• 조건부 중단(Conditional Halting): 소수의 프로그램은 "조건부 중단" 메커니즘을 진화시킨다. 이들은 환경적 문맥(특히 검증 중에는 0이 아니지만 상호작용 중에는 0인 레지스터 D의 값)을 감지하고 검증 중에만 HALT 명령을 실행한다. 이를 통해 대사 비용을 줄이기 위해 조기에 종료하면서도, 상호작용 중에는 계속 실행되어 복제를 수행할 수 있다.

4. 공간적 니치를 통한 창발적 커리큘럼

환경의 공간적 구조는 복잡한 과업을 해결하는 데 결정적이다.

• 목표 역설(Objective Paradox): 구조화되지 않은(panmictic) 환경이나 단일 과업 설정에서는 고차 다항식을 해결하는 데 실패한다. 복잡한 목표를 향한 직접적인 최적화는 필요한 중간 단계들을 발견하는 데 실패한다.
• 창발적 커리큘럼: 인구가 희소한 교차 니치 폴리네이션을 가진 니치들로 분할될 때, 창발적 커리큘럼이 나타난다. 한 니치에서 해결된 단순한 과업은 다른 니치의 더 복잡한 과업을 위한 유전적 "디딤돌" 역할을 한다.
• 수동 설계 커리큘럼 대비 우월성: 시스템의 자기 조직화된 커리큘럼은 점진적으로 복잡해지는 수동 설계 커리큘럼보다 뛰어난 성능을 보였으며, 이는 공간적 니치 구조가 진화 경로를 발견하는 탈중앙화된 엔진 역할을 함을 시사한다.

의의 및 주장

본 논문은 유전 메커니즘(자기 복제)과 적응도 최적화(문제 해결)가 독립적인 과정이 아니라 서로를 형성하며 공진화한다는 점을 입증한다고 주장한다.

• 피드백 루프: 계산의 요구 사항은 유전의 기계적 구조를 능동적으로 재형성하며, 인구 집단을 테이프를 독점하는 단순한 복사 메커니즘에서 기능적 코드를 수용할 수 있는 컴팩트하고 견고한 구조로 유도한다.
• 생명의 기원에 대한 통찰: 본 결과는 생명의 기원과 진화 연산이 단순히 정적인 탐색 알고리즘이 아니라, 진화의 규칙(복제)과 진화의 목표(기능)가 동시에 발견되는 동적이고 가소성 있는 학습 시스템의 속성으로 이해될 수 있다는 관점을 뒷받침한다.
• 한계: 저자들은 본 연구가 재조합이나 공생과 같은 유전적 다양화 메커니즘을 체계적으로 조사하지 않았으며, 과업이 32바이트 제약 내의 특정 다항식 클래스로 제한되었다는 점을 겸허히 언급하였다. 향후 연구로는 더 넓은 영역과 협력적 다중 에이전트 솔루션을 탐구할 것을 제안하였다.