💻 computer science

Evolving Self-Organising Agents Without Fitness: Three Falsifiable Experiments from Constraint-Driven Selection to Developmental Encoding

이 논문은 피트니스(fitness)가 없는 진화에서는 물리적 제약만으로는 점진적인 구조적 복잡성을 유도할 수 없으나, 에이전트 매개 니치 구축(niche construction)을 간접적 발달 인코딩(CPPNs) 및 종 분화와 결합하면 개방형 진화가 성공적으로 가능하다는 것을 입증하기 위해 "Genesis" 플랫폼을 소개한다.

원저자: Anushka Sharma

게시일 2026-07-27

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Anushka Sharma

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

삶이 무엇을 해야 할지 알려주는 스승을 필요로 하지 않는 세상을 상상해 보십시오. 야생에서 동물들은 자신이 사자나 물고기로서 "잘하고 있다"라고 말해주는 점수판을 가지고 있지 않습니다. 그들은 그저 열기, 추위, 그리고 배고픔으로부터 살아남아야 할 뿐입니다. 수십 년 동안 컴퓨터 위에 디지털 생명체를 만들려 노력해 온 과학자들은 이 문제로 고군분투해 왔습니다. 그들은 대개 컴퓨터 속 생명체들에게 "잘했어, 먹이를 찾았구나!" 또는 "못했어, 충돌했구나!"라고 말하는 디지털 보상 시스템인 '적합도 점수(fitness score)'를 부여하곤 했습니다. 하지만 이는 마치 부정행위를 하는 것처럼 느껴집니다. 이 과학 분야의 핵심 질문은 이것입니다. 누군가 점수판을 건네주지 않아도, 오직 물리 법칙을 따르는 것만으로도 복잡하고 흥미로운 행동을 진화시키는 시스템을 구축할 수 있을까? 이 논문은 그 미스터리를 파고들며, '제약(constraints)'(예: 에너지가 고갈되는 것)이 어떻게 생명체에게 필요한 유일한 스승 역할을 할 수 있는지, 그리고 "발달의 마법"(예: 인간 아기가 단 하나의 세포로부터 성장하는 방식)을 더하는 것이 그들을 더 똑똑하게 만드는 데 도움이 되는지를 탐구합니다.

연구진은 이러한 아이디어들을 테스트하기 위해 **제네시스(Genesis)**라는 디지털 놀이터를 구축했습니다. 그들은 에이전트(작은 디지털 생명체)들이 승리하기 위한 '적합도 함수' 없이, 오직 그들 세계의 물리 법칙에 의해서만 스스로 진화할 수 있는 시스템을 만들고자 했습니다. 그들은 모든 실패를 실수가 아니라, 질문에 대한 매우 정밀한 답변으로 간주하며 세 가지 주요 실험을 진행했습니다.

첫째, 그들은 오직 물리적 규칙만을 사용하여 생명체를 진화시키려 했습니다. 당신이 "게임 오버" 화면으로 죽을 수는 없지만, 내부 배터리가 너무 빨리 소모되면 죽을 수 있는 게임을 상상해 보십시오. 과학자들은 모든 "잘했어" 신호를 제거하고 생명체들이 1만 세대 동안 진화하도록 내버려 두었습니다. 그 결과, 생명체들은 계속해서 진화하고 변화했으며, 이는 큰 성공이었습니다. 그러나 그들은 "유리 천장"에 부딪혔습니다. 생명체들은 조금 더 복잡해졌지만, 그 상태에서 멈추었습니다. 아무리 오래 플레이해도 그들은 더 커지거나 더 똑똑해질 수 없었습니다. 이 연구는 동적 난이도 조절기와 기발한 아이디어를 저장하는 "참신성 유지기(novelty keeper)"라는 두 가지 특정 도구가 게임을 지속하는 데 필수적임을 보여주었지만, 이 도구들을 사용하더라도 생명체들이 그 천장을 뚫지는 못했습니다.

다음으로, 그들은 "만약 생명체들이 자신들의 환경을 바꿀 수 있다면 어떨까?"라고 질문했습니다. 생물학에서 동물들은 종종 둥지를 틀거나 토양을 변화시키며, 이는 그들이 진화하는 데 도움을 줍니다. 연구팀은 디지털 생명체들이 화학 물질을 분비하여 주변 세계를 변화시키도록 허용했습니다. 그들은 이를 테스트하기 위해 "샴 컨트롤(sham control)"이라는 영리한 기법을 사용했습니다. 한 버전에서는 생명체들이 실제로 세계를 변화시켰지만, 다른 버전에서는 생명체들이 세계를 변화시키고 있다고 '생각'만 할 뿐, 컴퓨터가 비밀리에 그 변화를 차단했습니다. 결과는 놀라웠습니다. 생명체들이 성공적으로 환경을 변화시켰음에도 불구하고, 그것이 유리 천장을 깨는 데는 도움이 되지 않았습니다. 환경은 변했지만, 생명체들의 뇌는 더 복잡해지지 않았습니다. 이는 단순히 "환경과 노는 것"만으로는 적합도 점수 없이 복잡한 생명을 만들어내는 데 충분하지 않다는 점을 입증했습니다.

마지막으로, 연구진은 다른 접근 방식을 시도했습니다: 발달 인코딩(Developmental Encoding). 생명체들에게 단순한 레시피와 같은 평면적인 지침을 주는 대신, 집을 짓기 위한 설계도와 같은 "성장 계획"을 주었습니다. 그들은 자신의 구조를 스스로 키우고 변화시킬 수 있는 CPPN이라는 특별한 네트워크를 사용했으며, 서로의 먹이를 가로채지 않도록 보호하는 시스템을 갖추었습니다. 이번에는 결과가 달랐습니다. 생명체들은 훨씬 더 복잡한 구조를 만들기 시작했습니다. 첫 두 실험이 벽에 부딪혔던 반면, 이 새로운 방법은 그 천장을 뚫는 첫 번째 징후를 보여주었습니다.

이것이 단순히 무작위적인 디지털 노이즈가 아님을 확인하기 위해, 그들은 마지막 테스트 세트를 실행했습니다. 그들은 복잡한 "성장 계획"을 가진 생명체들이 단순한 생명체들보다 문제를 해결하고 에너지를 효율적으로 사용하는 데 실제로 더 뛰어나다는 것을 발견했습니다. 그들은 이 추가된 복잡성이 단순한 "블로트(bloat, 쓸데없는 코드 팽창)"가 아니라, 변화하는 세상에서 살아남기 위한 필수적인 도구임을 증명했습니다.

요약하자면, 이 논문은 엄격한 물리적 규칙이 디지털 생명을 유지할 수는 있지만, 그것만으로는 진정으로 복잡한 생명을 스스로 만들어내기에 충분하지 않다는 것을 시사합니다. 단순히 환경을 바꾸는 것 역시 문제를 해결하지 못합니다. 그러나 생명체들에게 단순히 코드를 하드코딩하는 것이 아니라 스스로 "성장"할 수 있는 방법을 주는 것이 복잡성의 새로운 단계로 나아가는 열쇠인 것으로 보입니다. 이 연구는 진정으로 개방적이고 자기 조직적인 생명을 구축하기 위해서는 물리적 제약, 새로운 아이디어를 보호하는 방법, 그리고 복잡성이 자연스럽게 자랄 수 있게 하는 발달 시스템의 조합이 필요하다고 결론짓습니다.

기술 요약: 적합도 없는 자기 조직화 에이전트의 진화

문제 정의
본 논문은 인공 생명 및 진화 계산 분야의 근본적인 질문을 다룬다: 설계자가 지정한 전역적 적합도 함수(global, designer-specified fitness function) 없이도, 자기 조직화 기질 위에서 복잡하고 개방적인 진화 역학(OEE)이 출현할 수 있는가? 생물학적 유기체는 보상 랜드스케이프를 따라 하강하기보다는 간접적인 유전자-표현형 매핑과 생태적 상호작용을 통해 발달적 복잡성을 달성하지만, 이를 인공적으로 재현하는 것은 매우 어려웠다. Avida나 MAP-Elites와 같은 기존 방식은 일반적으로 적합도 함수에 의존하며, 참신성 탐색(novelty search)은 외부 참신성 아카이브를 유지한다. 핵심 과제는 순수하게 적합도가 없는 시스템에서 구조적 복종화를 유도하기 위해 어떤 메커니즘이 필수적이고 어떤 것이 불충분한지를 식별하는 것이다.

방법론: 제네시스(Genesis) 플랫폼
저자들은 체계적인 제거 방법론을 통해 특정하고 검증 가능한 가설을 테스트하도록 설계된 플랫폼인 Genesis를 제시한다. 이 시스템은 Gray-Scott 반응-확산 방정식에 의해 제어되는 이산 토로이달 격자(128×128) 상에서 작동한다. 에이전트들은 국소적 화학 농도와 에너지 레벨에 기반한 결정론적 정책을 인코딩하는 게놈을 보유하며 서식한다.

주요 건축적 구성 요소는 다음과 같다:

제약 기반 선택 (Constraint-Driven Selection, CDS): 적합도 점수 대신, 에이전트는 엄격한 대사 비용 제약( $M(G)$ )에 직면한다. 생존 임계값을 초과하는 자손은 "물리적 문지기(Physics Gatekeeper)"에 의해 무조건 거부된다.
제약 적응형 조절 원리 (Constraint-Adaptive Regulation Principle, CARP): 인구 생존력을 유지하기 위해 제약 강도를 동적으로 조정하여, 특정 행동에 편향되지 않고 생존율을 70~90% 구간 내로 유지하는 메커즘이다.
인공 면역 시스템 (Artificial Immune System, AIS): 계통의 독점을 방지하고 참신성이 감소할 때 다양성을 재도입하기 위해 유전자형(genotype)의 참신성 기반 아카이브를 유지한다.
표현형 참신성 및 복잡성 툴킷 (Phenotypic Novelty and Complexity Toolkit, PNCT): 적합도에 의존하지 않고 진화적 활동과 다양성을 정량화하는 데 사용되는 GAC, EPC, NND 등의 지표 세트이다.
샴-컨트롤 프로토콜 (Sham-Control Protocol): "샴(sham)" 조건에서는 코드를 실행하고 대사 비용을 차감하지만 실제 환경 효과(예: 화학 물질 분비)는 억제함으로써, 인과적 메커니즘을 격리하는 엄격한 실험 설계이다.

실험 주기 및 결과
연구는 각기 다른 가설을 테스트하는 세 단계의 연속적인 실험 주기로 진행된다:

실험 1: 적합도 제거 (버전 2)
- 가설: 적합도 신호를 완전히 제거한 후에도 제약 기반 선택만으로 진화적 활동을 지속할 수 있는가?
- 결과: 58.3%의 실행에서 비제로(non-zero) 활동이 지속되었으며, 이는 베이스라인(무작위 탐색, 참신성 탐색)을 크게 상회하는 수치이다. 그러나 시스템은 "경직된 표현형 복잡성 천장(hard phenotypic complexity ceiling)"에 부딪혔으며, 행동 다양성(EPC)이 140~155 사이에서 정체되었다. 절제 연구(ablation studies)를 통해 CARP와 AIS 모두가 대사 과부하나 중립적 표류 포화와 같은 실패 모드를 방지하기 위해 필수적임을 확인했다.
실험 2: 샴-컨트롤 니치 구축 (버전 3)
- 가설: 에이전트 매개 니치 구축(화학 물질 분비를 통해)이 버전 2에서 설정된 복잡성 천장을 깨뜨리는 데 충분한가?
- 결결과: 1,000,000 에이전트-세대 이상에 걸쳐, "실제(Real)" 조건(에이전트가 화학 물질을 분비함)은 "샴(Sham)" 조건(에이전트가 비용은 지불하지만 분비는 하지 않음)과 비교했을 때 복잡성의 성장을 보이지 않았다. 이 귀무 결과는 수동적 니치 구축이 고정 알파벳 게놈을 가진 시스템에서 구조적 복잡화를 유도하기에는 인과적으로 불충분함을 정확히 나타낸다.
실험 3: 발달 인코딩 및 종 분화 (버전 4)
- 가설: 고정 알파벳 게놈을 간접 인코딩을 위한 조성적 패턴 생성 네트워크(CPPN)로 교체하고, NEAT 스타일의 종 분화로 보호하면 점진적인 구조적 복잡화가 시작될 것인가?
- 결과: 예비 테스트 결과, 게놈 복잡성과 종의 수는 실제 조건과 샴 조건 사이에서 유의미하게 갈라졌다. 이는 발달 인코딩이 기존의 우세한 에이전트에 의해 제거되지 않도록 보호될 때, 제약 선택과 니치 구축만으로는 달성할 수 없는 복잡화를 시작할 수 있다는 첫 번째 증거를 제공한다.

Genesis V5 검증 스위트
버전 4에서 관찰된 구조적 성장이 단순한 "블로트(bloat, 불필요한 팽창)"가 아니라 기능적으로 유의미함을 확인하기 위해, 저자들은 버전 5에 대해 네 가지 검증 실험을 수행했다:

기능적 분화: 공진화된 에이전트(약 467개 노드)와 고정 베이스라인 에이전트(약 52개 노드)는 다양한 환경에서 서로 다르게 행동하였으며, 이는 이질적인 랜드스케이프를 확인시켜 준다.
행동 지표: 공진화된 에이전트는 유의미하게 높은 행동 엔트로피, 낮은 궤적 거리, 그리고 더 높은 에너지 효율을 보였다.
적응적 프루닝 (Adaptive Pruning): 네트워크를 프루닝했을 때 "정체 후 붕괴(plateau-then-collapse)" 시그니처가 나타났는데, 이는 무작위 노이즈가 아닌 분산된 기능적 아키텍처의 특징이다.
역사적 필연성: 네트워크 크기를 베이스라인 수준으로 제한하자 시스템이 정체되었으며, 이는 구조적 확장이 공진화적 압력 하에서 지속적인 행동적 풍부화를 위한 필수 조건임을 입증한다.

주요 기여

경험적 경계 설정: 적합도 없는 훈련 가능성을 위한 필수 구성 요소로서 CARP와 AIS를 식별하였으며, 고정 알파벳 시스템의 구조적 복잡성 천장을 확립하였다.
니치 구축의 인과적 격리: 백만 세대에 걸친 샴-컨트롤 귀무 결과를 통해 수동적 니치 구축이 복잡성을 유도하는 충분한 동력이 아님을 배제하였다.
발달 인코딩의 증거: 간접 인코딩(CPPN)과 종 분화가 적합도 없는 시스템에서 복잡화를 시작할 수 있다는 예비 증거를 제시하였다.
진단 도구: 모든 개방형 진화 평가 파이프라인에 적용 가능한 재사용 가능한 PNCT 진단 툴킷과 샴-컨트롤 프로토콜을 제공한다.
기능적 복잡성의 검증: Genesis V5의 구조적 성장이 기능적이며, 역사적으로 필연적이며, 무제한 돌연변이의 부산물이 아님을 확인하였다.

의의
본 논문은 Genesis V5 현상을 "구조-기능 디커플링(decoupling)"에서 "공진화적 적응 복잡성"으로 재정의한다. 이는 환경적 압력이 에이전트로 하여금 더 풍부한 내부 모델을 개발하도록 유도하며, 그 결과 측정 가능한 방식으로 더 효율적인 행동을 산출함을 보여준다. 저자들은 구조적 성장이 부수적인 것이 아니라 기능적이라고 주장한다. 귀무 결과를 실패가 아닌 정밀하고 정보 가치가 있는 답변으로 취급함으로써, 본 연구는 단순한 설계 지향을 넘어 체계적인 경험적 제거를 통한 개방형 진화의 필수 조건을 이해하기 위한 엄격한 프레임워크를 제공한다. 모든 코드와 데이터는 재현을 위해 공개되어 있다.

유사한 논문