172 liens privés
Nous présentons une étude de référence d'agents chimiques autonomes présentant un apprentissage associatif d'une caractéristique environnementale. Les systèmes d'apprentissage associatif ont été largement étudiés dans le domaine des sciences cognitives et de l'intelligence artificielle, mais sont le plus souvent mis en œuvre dans des systèmes hautement complexes ou soigneusement conçus, tels que les cerveaux d'animaux, les réseaux neuronaux artificiels, les systèmes de calcul de l'ADN et les réseaux de régulation des gènes, entre autres. La capacité à coder les informations environnementales et à les utiliser pour faire des prédictions simples est une référence en matière de résilience biologique et sous-tend une pléthore de réponses adaptatives dans la hiérarchie vivante, allant des espèces animales proies anticipant l'arrivée des prédateurs aux systèmes épigénétiques des micro-organismes apprenant les corrélations environnementales. Étant donné l'omniprésence et la présence essentielle de comportements d'apprentissage dans la biosphère, nous avons cherché à savoir si des structures dissipatives simples et non vivantes pouvaient également présenter un apprentissage associatif. Inspirés par la modélisation antérieure de l'apprentissage associatif dans les réseaux chimiques, nous avons simulé des systèmes simples composés d'espèces chimiques à mémoire à long et à court terme qui pourraient encoder la présence ou l'absence de corrélations temporelles entre deux espèces externes. La capacité d'apprendre cette association a été mise en œuvre dans des taches de réaction-diffusion de Gray-Scott, des modèles chimiques émergents qui présentent une auto-réplication et une homéostasie. Grâce à la nouvelle capacité d'apprentissage associatif, nous démontrons que des modèles chimiques simples peuvent présenter un large répertoire de comportements proches de la vie, ouvrant la voie à des études in vitro de systèmes d'apprentissage chimique autonomes, avec une pertinence potentielle pour la vie artificielle, les origines de la vie et la chimie des systèmes. La réalisation expérimentale de ces comportements d'apprentissage dans des systèmes de protocellules ou de coacervats pourrait faire avancer une nouvelle direction de recherche en astrobiologie, puisque notre système réduit considérablement la limite inférieure de la complexité requise pour l'apprentissage chimique autonome.
Les caractéristiques de l’OmniVision OV6948
L’appareil a comme dimensions 0.575 x 0.575 x 0.232 millimètre. La résolution obtenue est cependant assez faible puisque cette caméra est destinée uniquement à un usage médical et non à la photographie proprement dite.
Malgré sa taille minuscule, l’OmniVision OV6948 est capable de produire une image en couleurs de 40 000 pixels. Pour cela, elle utilise une puce rétroéclairée de type RGB Bayer. Les photosites de l’OmniVision OV6948 ont chacun 1.75 micromètre de diamètre.
Specifications
Resolution 40K pixels (200x200 pixels)
Sensor type Backside illuminated Bayer RGB
Diagonal field of view 120°
Focal length 0.175mm
Aperture f/2.8
Frame rate 30fps
Shutter type Rolling shutter
Power requirement 25mW
Operating temperature -20°C - +70°C
Camera size 0.65 x 0.65 x 1.158mm
Weight 0.87g
https://www.digitalcameraworld.com/news/worlds-smallest-camera-is-the-size-of-a-grain-of-sand
Nous rapportons des extensions expérimentales de Lenia, une famille d'automates cellulaires continus capable de produire des modèles autonomes auto-organisés réalistes. La règle de Lenia a été généralisée à des dimensions supérieures, à des noyaux multiples et à des canaux multiples. L'architecture finale se rapproche de ce qui peut être considéré comme un réseau neuronal convolutif récurrent. En utilisant la recherche semi-automatique, par exemple l'algorithme génétique, nous avons découvert de nouveaux phénomènes comme les symétries polyédriques, l'individualité, l'auto-réplication, l'émission, la croissance par ingestion, et nous avons vu l'émergence d'"eucaryotes virtuels" qui possèdent une division interne du travail et une différenciation des types. Nous discutons des résultats dans les contextes de la biologie, de la vie artificielle et de l'intelligence artificielle.