Zurück zur Evolution: Evolutionäre Algorithmen teilweise besser als Deep Learning
Code-Entwicklung nach dem Vorbild der natürlichen Evolution ist aus der Mode gekommen. Doch das Verfahren ist immer noch nützlich – und hat weitere Vorteile.
(Bild: University of Toulouse)
- Sascha Mattke
Neue Techniken für künstliche Intelligenz wie neuronale Netze und Deep Learning sind derzeit sehr angesagt und haben das so genannte evolutionäre Computing in den Hintergrund rücken lassen. Doch auch dieses Verfahren zeigt weiterhin großes Potenzial, wie eine Studie von Forscher an der Universität Toulouse zeigt: Beim Erlernen von alten Spielhallen-Spielen wie Pong oder Kung Fu Master zeigten evolutionäre Algorithmen teilweise bessere Leistungen als Deep-Learning-Systeme – und sie haben noch weitere Vorteile, wie Technology Review online in „Zurück zur Evolution“ berichtet.
Konventionell werden Programme geschrieben, indem man von Grundprinzipien ausgeht und ein konkretes Ziel im Sinn hat. Evolutionäres Computing dagegen beginnt mit vielen Varianten von vollkommen willkürlich generiertem Code. Jedes dieser Programme wird dann daraufhin getestet, ob es das gesetzte Ziel erreicht. Die besser funktionierenden Varianten werden dann in eine neue Generation übernommen. Allerdings ist diese keine exakte Kopie der vorigen. Stattdessen werden zum Beispiel manchmal zwei Ausdrücke getauscht, was mit einer Punktmutation zu vergleichen ist. Oder es werden zwei Programme genommen, in der Mitte geteilt und neu zusammengesetzt – wie bei sexueller Rekombination.
In der Studie war der Evolutionsalgorithmus bei vielen Spielen insgesamt gut und zum Beispiel bei Kung Fu Master sogar besser als Menschen. Ebenso wichtig: Er funktionierte nicht weniger gut als viele Ansätze mit Deep-Learning und übertraf sie bei Asteroids, Defender und Kung Fu Master. Zudem erreichte er diese Ergebnisse schneller und hat noch einen weiteren Vorteil. Weil der Algorithmus nur wenige Zeilen umfasst, ist er leicht zu verstehen. Bei Deep-Learning dagegen besteht das gut bekannte Problem, dass man manchmal unmöglich herausfinden kann, warum Programme bestimmte Entscheidungen treffen, was praktische und rechtliche Probleme bereiten kann.
Mehr dazu bei Technology Review online:
(sma)
