🌀 nonlinear sciences

Directing Open-Ended Evolution in Artificial Life via Multi-Scale Path Divergence

本文介绍了多尺度路径散度（Multi-Scale Path Divergence, MSPD），这是一种受重整化群启发而设计的标量度量，旨在量化时间上的多尺度异质性，从而既能引导人工生命系统中的开放式演化，又能为物理复杂性理论提供一个有原则且具可解释性的桥梁，并在多种基质上表现出优于黑盒神经网络方法的性能。

原作者： Mikhail Akhtyrchenko, Mikhail I. Katsnelson, Andrey Ustyuzhanin

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Mikhail Akhtyrchenko, Mikhail I. Katsnelson, Andrey Ustyuzhanin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正乘坐直升机俯瞰一座繁忙的城市。你看到汽车在移动，人们在行走，灯光在变换。城市的某些部分看起来很混乱（比如交通拥堵），某些部分看起来很乏味（比如空旷的停车场），而另一些部分则看起来极其复杂（比如一个有着游行、集市和多变天气的节日）。

长期以来，试图创造“人工生命”（即表现得像生物一样的计算机模拟程序）的科学家们一直在努力解决一个简单的问题：我们如何区分仅仅是“在活动”与真正的“具有复杂性”？

目前大多数方法都使用一个“黑盒”式的计算机大脑（神经网络）来进行猜测。它会说：“这看起来很有趣！”但它无法解释“为什么”，也无法与物理定律建立联系。

这篇论文介绍了一种名为 MSPD（多尺度路径分歧，Multi-Scale Path Divergence）的新工具。请将 MSPD 想象成不是一个黑盒，而是一个智能、透明的标尺，它测量一个系统随时间推移表现出的“惊奇感”和“组织性”。

以下是它的工作原理，通过简单的概念进行拆解：

1. 核心思想：观察“规则”的变化

想象你正在观看一支舞蹈团。

乏味的场景： 每个人都在同一时刻做完全相同的动作。（低复杂度）。
混乱的场景： 每个人都在随机乱舞。（低复杂度，只是噪声）。
复杂的场景： 舞者们先排成一列，然后分裂成两组做不同的舞蹈，接着这些小组再次分裂，且这些分裂的时机是完美协调的。

MSPD 不仅仅是计数有多少舞者在移动。它观察的是舞蹈的局部规则。它会问：“如果我观察一名舞者，她接下来可能做什么？如果我观察另一名舞者，她的规则是否不同？以及这些规则随时间是如何变化的？”

如果不同部分的系统规则永远保持不变，得分就很低。如果规则以一种协调的、多层级的方式发生变化（就像舞蹈团分裂并重新组合一样），得分就会上升。

2. “挫折感”的比喻

论文将这与物理学中的一个概念——**“挫折感/受挫性”（Frustration）**联系起来。

想象一群朋友正在决定去哪里吃饭。

容易的情况： 大家都同意吃披萨。（低挫折感，低复杂度）。
不可能的情况： 每个人都想要不同的地方，而且他们陷入了争吵的循环。（高挫折感）。

在物理学中，“受挫”的系统是那些无法稳定在单一、乏味状态的系统。它们不断地在相互冲突的需求之间进行权衡。论文认为，真实的生命是“受挫”的。它从未完美地稳定下来；它总是在平衡着各种冲突的力量。

MSPD 并不试图直接测量这种“挫折感”，它只是测量系统的行为在小尺度（一名舞者）与大尺度（整个舞蹈团）之间存在多少差异。这些尺度之间的分歧和相互作用越复杂，得分就越高。

3. 实验：教计算机进化

研究人员使用 MSPD 作为一种“适应度得分”（fitness score）来引导人工生命模拟。他们告诉计算机：“进化你的规则，以获得尽可能高的 MSPD 得分。”

他们在三种不同的数字世界中测试了这一点：

元胞自动机（Cellular Automata）： 像像素网格一样（类似于《生命游戏》），其中的细胞要么开启，要么关闭。
流体型元胞自动机（Flow-Lenia）： 一个类似流体的世界，其中“质量”在周围流动，就像水或烟雾一样。
粒子生命++（Particle Life++）： 一个由个体粒子（如原子）组成的系统，它们根据神经网络互相推挤和吸引。

结果：

“智能” vs. “随机”： 当他们利用 MSPD 让计算机进化时，生成的系统比通过随机机会产生的系统要复杂得多。
“不稳定性”测试： 他们发现，高得分的系统在好的意义上是“脆弱”的。如果你稍微调整它们（比如改变一个像素或轻微推动一个粒子），整个系统就会发生剧烈变化。这是生物特征之一：它们对环境非常敏感。
“挫折感”检查： 高得分的系统展现出了物理学家所说的定义生物复杂性的那种“尺度依赖型挫折感”。它们在不同的组织层级上权衡着冲突的规则。

4. 为什么这很重要（根据论文所述）

论文声称 MSPD 是人工生命与物理学之间的通用翻译器。

没有黑盒： 与其他方法不同，MSPD 是一个清晰的数学公式。你可以观察它并准确理解它在测量什么。
它无处不在： 它在基于网格的像素、流体流动和粒子系统上都奏效。
它能发现“生命”： 它成功识别出了表现得像生物一样的系统（不稳定、复杂、多层级），而无需被明确编程去寻找“生命”。

总结类比

可以将 MSPD 想象成计算机模拟的音乐评论家。

旧的方法就像是一个只会说“这首歌听起来很酷”，但无法解释原因的评论家。
MSPD 则是一个会倾听节奏、和谐度以及旋律随时间变化的评论家。它知道一首所有乐器都演奏相同音符的歌曲是乏味的；它也知道一堆乐器演奏随机噪音的歌曲只是静电噪声。
但它热爱一首乐器开始时很简单，然后分裂成不同部分，最后又以一种既有结构感又令人惊喜的方式重新汇聚在一起的歌曲。

论文证明，当我们教计算机编写能获得这位评论家高分的“歌曲”时，计算机会“不小心”发现与我们现实生物学中看到的同样复杂且“受挫”的行为。

技术摘要：通过多尺度路径分歧引导人工生命的开放式演化

1. 问题陈述

人工生命（ALife）领域旨在实现开放式演化（Open-Ended Evolution, OEE）——即持续生成新颖形式与行为的能力。然而，目前驱动 OEE 的方法过度依赖于源自神经网络的、不可解释的黑盒度量（例如，新颖性搜索、质量-多样性存档）。这些度量指标缺乏与物理复杂性理论的原则性联系，使得类生命系统与治理真实生物复杂性的底层物理机制脱节。

虽然**多尺度结构复杂度（Multi-Scale Structural Complexity, MSSC）**为基于重整化群（RG）理论的静态空间模式提供了一种具有物理基础的方法，但其本质是静态的。真实的生物系统是动态的。本文旨在解决的核心挑战是定义一个形式化的、显式的且可计算的标量，该标量能够：

在优化复杂度的同时揭示其物理基础。
将空间多尺度复杂性的概念扩展到时间领域。
避免黑盒机制，提供与**挫折感（Frustration，即由于竞争相互作用导致系统无法稳定在单一全局平衡态的状态）**等物理理论的透明联系。

2. 方法论：多尺度路径分歧（Multi-Scale Path Divergence, MSPD）

作者引入了 多尺度路径分歧（MSPD），记作 $D_P$ ，这是一种受重整化群启发而设计的标量度量。MSPD 量化了局部转移律在时间上的多尺度异质性组织结构。

2.1 理论框架

该方法建立在一个配置模型之上，系统的状态是一个映射 $x: \mathcal{I} \to E$ （局部自由度到局部状态）。

局部转移律： 对于当前配置 $x$ ，系统为每个局部自由度 $i$ 定义一个转移律 $T^i_{\Delta t}(x)$ 。这代表了在给定全局配置的情况下， $i$ 处状态变化的概率分布。
状态级动力学异质性 ( $\mathcal{H}_{\Delta t}$ )： 该指标衡量在单一状态内，不同局部组件之间转移律的成对差异性。如果所有局部组件的行为完全一致，则异质性为零；如果不同区域表现出截然不同的动力学规则，则异质性增加。
路径化 MSPD： 与静态异质性不同，MSPD 衡量这种异质性轨迹在不同时间尺度上如何随时间演化。它将异质性轨迹视为一个函数，并计算其对时间粗粒化的敏感度。
- 该度量被定义为异质性轨迹的平方对数尺度导数的积分，并根据该尺度的信号功率进行归一化。
- 从数学上讲，它捕捉了那些在不同时间分辨率下表现出显著差异的动力学系统（即尺度依赖型组织），从而将其与平稳过程或纯粹的随机噪声区分开来。

2.2 计算估计器

由于在模拟中无法直接观测精确的转移律，作者提出了一个窗口化有限分辨率估计器：

轨迹追踪： 系统追踪局部载体（粒子、晶格点或质量探针）随时间的变化。
窗口化转移律： 通过有限的时间窗口 $I_k$ 和滞后量 $\tau$ 来经验性地估计局部转移律。
成对差异性 ( $\Delta H$ )： 使用 Wasserstein-1 距离（通过切片 Wasserstein 距离 $SW_1$ 近似）来衡量不同载体之间经验转移律的散度。
聚合： 该估计器跨越一系列时间尺度对这些成对差异进行聚合，以计算最终的 MSPD 得分。
一致性： 文中通过命题证明，在局部平稳性和足够采样条件下，该经验估计器会收敛于理论上的路径函数。

2.3 作用于基质

该协议应用于三种不同的基质，并针对每种基质调整了“局部载体”和“转移律”的定义：

类生命元胞自动机 (CA)： 局部载体为晶格点；转移律是分类型的（邻域状态的前后变化）。
Flow-Lenia： 一种质量守恒的连续元胞自动机。局部载体是无质量追踪器；转移律是有限时间位移的经验法则。
Particle Life++： 一个由神经网络介导的粒子系统。局部载体是粒子；转移律是从神经网络相互作用权重中导出的粒子位移经验法则。

3. 主要贡献

本文做出了四个主要贡献：

定义了 MSPD： 引入了作为空间 MSSC 时间扩展的 MSPD，它是通过局部转移律定义的实现轨迹的泛函，并配备了一个一致的窗口化有限分辨率估计器。
双重角色： 证明了 MSPD 既可以作为进化优化的无梯度适应度函数，也可以作为暴露任何模拟系统局部转移律的后验分析透镜。
信号与噪声的分离： 表明经过 MSPD 优化的参数比匹配的随机参数产生了更高的留存复杂度得分。至关重要的是，高 $\Delta H$ 状态与外部干预下的高不稳定性相关，这表明该度量追踪的是底层动力学而非噪声。
通过挫折感实现的物理落地： 确立了较高的 MSPD 对应于更强的尺度依赖性挫折感。与未受约束的展开过程相比，优化后的系统在不同空间尺度表达的动力学之间表现出更大的差异。这直接将 MSPD 与生物复杂性的挫折感准则（Vanchurin 等人，Wolf 等人）联系起来，尽管在优化时并未显式针对挫折感进行优化。
泛化性： 验证了该协议可以在性质迥异的基质（离散 CA、连续质量场和神经粒子系统）之间迁移。

4. 实验结果

作者通过一系列主张（N0, C1, C2, C5）验证了 MSPD：

N0（合成校准）： MSPD 正确区分了静态噪声、均匀运动和具有时间组织性的复杂性。
- 结果： 静态粒子和相干运动斑块（S0, S3）产生的 MSPD 接近于零。具有时间扩展转移或分裂事件的系统（S6, S8）产生高 MSPD。这证实了 MSPD 测量的是异质性的时间组织，而非单纯的运动或视觉新颖性。
C1（优化对比随机控制）：
- Particle Life++： 优化后的参数产生的 MSPD 得分显著高于匹配的随机控制组（经统计确认）。
- 类生命 CA： 全面搜索识别出了比随机规则具有更高 MSPD 的规则。
- Flow-Lenia： 优化后的检查点在 6/9 个组别中显示出正向对比，尽管在当前的有限预算协议下未达到统计显著性（归因于展开过程中的噪声）。
C2（对干预的不稳定性）：
- 结果： 具有较高当前时间局部转移异质性 ( $\Delta H$ ) 的状态，在受到微小扰动（CA 中的比特翻转，Flow-Lenia 中的高斯噪声）时，表现出更大的未来发散性。这证实了高 MSPD 状态是动力学不稳定且对干预敏感的。
C5（尺度依赖性挫折感）：
- 结果： 与随机控制组相比，高 MSPD 系统在受限展开与不受限展开之间表现出更大的差异。这表明该度量捕捉到了生物复杂性的“挫折感”特征（非遍历性和崎岖的景观），尽管优化目标纯粹是 MSPD。

5. 意义与主张

本文声称 MSPD 在人工生命系统的工程设计与复杂性物理学之间搭建了一座原则性的桥梁。

超越黑盒： 不同于基于神经网络的驱动器，MSPD 是一个显式的公式。它不需要训练或手工调优的描述符。
物理可解释性： 通过将高复杂度与尺度依赖性挫节感联系起来，MSPD 与将生命视为一种“受挫物质”的物理理论（自旋玻璃类比）保持一致。它表明生物复杂性源于系统无法稳定在单一平衡态，而 MSPD 直接量化了这一特性。
统一框架： 该协议能够在离散、连续和神经基质上应用同一度量，这表明存在一种基于局部动力学时间组织来测量和引导开放式演化的通用方法。

作者保持了谦逊的语气，承认了诸如对窗口/滞后量选择的敏感性以及高分辨率轨迹追踪的计算成本等局限性。他们将 MSPD 定位为不是所有过程的通用复杂度定义，而是针对局部转移律具有明确意义的系统的特定、可测量的动力学复杂度的一个方面。