Нет, не этот пол, а который по английски "sex". Зачем нам нужно половое размножение?

Кстати, даже бесполые существа умеют в "секс"

На картинке две E. coli занимаются непотребством. Для этого используется специализированные отростки - F-пили. От чего сокращение F, каждый может предположить в меру своей испорченности. На самом деле оно происходит от fertility - плодовитость.
По этому пилусу бактерии просто передают друг другу плазмиды с ДНК.

Но мы не про бактерий, а про половое размножение у тех организмов, у которых есть пол.

Половое размножение - это целый масштабный процесс. Каждая особь хранит две копии генов. Одна от отца, другая от матери.
В процессе мейоза, парные хромосомы обмениваются кусками (происходит кроссинговер), а затем расходятся по половым клеткам.

В общем, это звучит очень неэффективно. Куда проще: чпок, чпок (звуки партеногенеза)

Оказывается, если построить очень простую математическую модель, в которой периодически возникают мутации (полезные и вредные), половое размножение получает колоссальное преимущество. Я не скажу об этом лучше, поэтому, буду включать куски дословного перевода МакКея.


Суть заключается в том, что эволюционный процесс можно рассматривать как процесс обучения.

Эволюция происходит на Земле уже миллиарды лет. За это время, несомненно, была накоплена информация. Благодаря неустанной работе Слепого часовщика одни клетки теперь несут в себе всю информацию, необходимую для создания превосходных пауков, а другие — всю информацию, необходимую для создания великолепных осьминогов. Откуда взялась эта информация?

Полный «чертёж» всех организмов на планете возник в процессе обучения, где учителем выступает естественный отбор: более приспособленные особи оставляют больше потомства, а приспособленность определяется местной средой — в том числе другими организмами. Обучающий сигнал составляет всего несколько битов на особь: в зависимости от своей приспособленности она просто оставляет больше или меньше внуков.

«Приспособленность» — широкое понятие. Оно может включать:

• способность антилопы бегать быстрее других антилоп и благодаря этому не быть съеденной львом;
• способность льва быть достаточно хорошо замаскированным и достаточно быстро бегать, чтобы ловить по одной антилопе в день;
• способность павлина привлечь паву для спаривания;
• способность павы одновременно вырастить много птенцов.

Приспособленность организма во многом определяется его ДНК — как кодирующими участками, то есть генами, так и некодирующими участками, которые играют важную роль в регуляции транскрипции генов. Будем считать приспособленность функцией последовательности ДНК и окружающей среды.

Как ДНК определяет приспособленность и каким образом информация от естественного отбора попадает в геном? Например, если ген, кодирующий один из белков антилопы, дефектен, антилопа может быть съедена львом в раннем возрасте и оставить лишь двух внуков вместо сорока.

Вся информация, содержащаяся в естественном отборе, заключена в указании того, какие потомки выжили и сами произвели потомство. Это не более одного бита информации на каждого потомка. Обучающий сигнал не передаёт экосистеме никакого описания недостатков организма, из-за которых тот оставил меньше детей.

Биты этого обучающего сигнала в значительной степени избыточны, поскольку внутри одного вида похожие друг на друга неприспособленные особи не будут оставлять потомства по схожим причинам.

Новые полезные варианты генов — это новая информация об окружающем мире.

Так вот, если сделать упрощённую модель, то даже самые скромные подсчёты показывают огромное преимущество полового размножения (то есть это не только приятно).

Теперь представим предельно упрощённую модель.

Пусть у каждого организма есть геном из 10 000 участков.

Хороший вариант обозначим единицей, плохой — нулём:

Гены условного крокодила Гены: 111011111111011101111...111100111101111111111111

Приспособленность организма — доля единиц в его геноме. Например, если 90% участков хорошие, средняя приспособленность равна 0,9.

При размножении гены наследуются потомками. При этом периодически происходят мутации: ноль может превратиться в единицу, а единица — в ноль.

После этого естественный отбор оставляет наиболее приспособленных особей.

И процесс повторяется.

Даже в такой простой модели, если сравнить сравнить половое и бесполое размножение, окажется, что при бесполом размножении, популяция получает 1 бит информации за поколение.
При половом же, скорость получения информации может достигать √G, где G - размер генома. Это большое различие.

В целом, это позволяет нам а) иметь намного больший геном. б) намного быстрее обучаться и выигрывать гонку вооружений с паразитами, бактериями и всяческими другими бесполыми недругами.

Также напоминаю, что это очень упрощённая модель. Более серьёзные модели (они появились в 80х-90х, в том числе от А.Кондрашева) показывают, что в реальности разница ещё больше (половое размножение нагнетает в хвост много плохих мутаций, они на самом деле взаимодействуют нелинейно и гарантированно отсекаются).

Так что если Вас кто-то спросит зачем животные занимаются сексом, или зачем им два пола - отвечайте: "ради знаний".

Игрушечная модель и часть текста - "David MacKay, Information theory, chapter why have sex."

Подписывайтесь на ТГ-канал Свободная Энергия Фристона

Автор: Денис Аветисян

Исследователи разработали квантовую схему, позволяющую существенно снизить требования к числу кубитов при работе с гипермерными данными.

Современное квантовое оборудование пока не обеспечивает необходимой комбинации большого количества кубитов и низкой частоты ошибок для реализации существующих методов декомпозиции гипервекторов высокой размерности, требующих 𝒪(D) кубитов для представления D-мерного гипервектора; в связи с этим разработан подход, снижающий затраты на представление до 𝒪(log D) кубитов и более соответствующий возможностям ближайшего будущего.

Предложенный метод использует логарифмическое кодирование для выполнения разложения в рамках гипермерных вычислений (HDC) и оптимизации алгоритма поиска Гровера.

Вычислительные задачи, связанные с анализом многомерных данных, часто сталкиваются с экспоненциальным ростом сложности по мере увеличения размерности. В данной работе, озаглавленной 'Qubit-Efficient Quantum Search for Hyperdimensional Decomposition via Logarithmic Encoding', предлагается новый квантовый подход к разложению гипервекторов в рамках вычислений высокой размерности (HDC). Ключевым результатом является разработка схемы кодирования, позволяющей снизить потребность в кубитах до O(log D), при сохранении преимущества скорости поиска O(√{NF}). Возможно ли с помощью предложенного метода значительно расширить границы практической реализации квантовых алгоритмов для задач, требующих обработки огромных объемов информации?

Квантовый прорыв в обработке больших данных

Традиционные методы анализа и обработки данных с высокой размерностью сталкиваются с серьезными вычислительными ограничениями, что замедляет прогресс в таких областях, как распознавание образов и машинное обучение. Квантовые вычисления предлагают принципиально новый подход, используя явления суперпозиции и запутанности для решения этих задач с большей эффективностью. Представленная работа демонстрирует значительный прогресс в этой области, предлагая метод квантового разложения HDC, который позволяет сократить количество необходимых кубитов примерно в 2000 раз по сравнению с существующими методами явного гипервекторного кодирования. Это существенное снижение вычислительных затрат открывает новые возможности для обработки и анализа больших объемов информации, значительно ускоряя процессы, которые ранее были непосильны для классических компьютеров.

Предложенное логарифмическое гипервекторное кодирование демонстрирует значительное преимущество в эффективности использования кубитов по сравнению с существующими подходами, как подтверждается экспериментальными данными для небольших задач и теоретическим масштабированием для больших, а также детальным анализом зависимости от числа факторов FF и размерности гипервектора.

Логарифмическое кодирование: Экономия квантовых ресурсов

Традиционные методы гипервекторного кодирования, несмотря на свою эффективность, требуют одного кубита памяти для каждой размерности данных, что делает их непрактичными при работе с большими объемами информации. Представленное логарифмическое гипервекторное кодирование предлагает решение этой проблемы: оно способно представлять гипервекторы, используя лишь количество кубитов, пропорциональное логарифму от размерности данных - 𝒪(log⁡D). Такой подход позволяет значительно снизить требования к квантовым ресурсам, достигая двукратного (2000-кратного) уменьшения числа необходимых кубитов по сравнению с традиционными методами. Достижение этой логарифмической компрессии стало возможным благодаря новым схемам кодирования и оптимизированной конструкции квантовых схем.

Квантовые схемы и сверхбыстрый поиск: новый подход

В основе разработанной системы лежит оператор гипервекторного поиска, который выступает ключевым компонентом квантовых схем, позволяя извлекать и применять плотные гипервекторные координаты. Для ускорения операций поиска, необходимых при разложении на гиперкомпактный код (HDC Decomposition), интегрированы алгоритмы Гровера и Дюрра-Хёйера. Эти алгоритмы используют принцип усиления амплитуды, что значительно повышает вероятность получения правильного решения. Важным элементом алгоритма Дюрра-Хёйера является пороговый оракул, работа которого зависит от фазового оракула. Во всех протестированных конфигурациях (при значениях F∈{2,3,4,5}, N∈{2,3,4,5} и D∈{8,16,32,64}) предложенный метод демонстрирует 100%-ную точность разложения.

В модифицированной процедуре Дюрра-Хёйера для поиска максимума используется пороговый оракул, который, используя обратимую структуру, позволяет амплитудному усилению действовать исключительно на регистр кортежей, избегая образования нежелательных запутанностей, путём последовательного выполнения когерентной привязки, извлечения зависимости от целевого значения, сравнения с порогом au, фазового сдвига помеченных кортежей и последующего обнуления рабочих регистров.

Разгадывая Сложные Задачи: Перспективы Логарифмического Гипервекторного Кодирования

Разработка логарифмического гипервекторного кодирования открывает принципиально новые возможности для решения задач, связанных с анализом огромных объемов данных. Этот подход позволяет значительно сократить требования к вычислительным ресурсам, делая возможным разложение многомерных данных, ранее считавшихся непосильными. Потенциал квантового разложения HDC огромен и простирается на различные области, включая разработку новых лекарств, создание перспективных материалов и построение более точных финансовых моделей. Дальнейшие исследования будут сосредоточены на оптимизации архитектуры квантовых схем для конкретных прикладных задач и расширении масштабируемости метода для работы с еще большими массивами данных, что позволит раскрыть весь потенциал этого многообещающего направления квантовых вычислений.

Предложенный метод демонстрирует высокую точность восстановления данных в различных условиях, подтверждаемую стабильными результатами (затененные области указывают стандартное отклонение), при изменении количества факторов FF, кандидатов гипервекторов на фактор NN, размерности гипервектора DD и уровня повреждения целевых данных.

Исследование, представленное в данной работе, демонстрирует смелый подход к преодолению ограничений, накладываемых на квантовые вычисления необходимостью большого количества кубитов. Авторы, подобно исследователям, вскрывающим сложный механизм, предлагают использовать логарифмическое кодирование для эффективной декомпозиции гипермерных вычислений. Этот метод, по сути, позволяет "взломать" стандартные требования к ресурсам, открывая путь к практической реализации на текущем поколении квантового оборудования. Как однажды заметил Дональд Дэвис: "Если вы не можете понять, как работает система, вы никогда не сможете её улучшить." Эта фраза прекрасно иллюстрирует суть представленной работы - глубокое понимание принципов работы гипермерных вычислений и квантовых алгоритмов позволяет создать более эффективные и практичные решения.

Куда дальше?

Представленная работа, хоть и демонстрирует значительное снижение требований к кубитам для гипермерного вычисления, лишь приоткрывает дверь в неизведанное. Логарифмическое кодирование - элегантное решение, но оно не отменяет фундаментальных ограничений, накладываемых несовершенством квантового оборудования. Реализация предложенных схем на ближайших квантовых процессорах, несомненно, выявит новые, неожиданные источники ошибок, требующие изобретательных методов коррекции. Очевидно, что настоящая проверка - в столкновении теории с суровой реальностью.

Более глубокое исследование компромисса между сложностью схемы и точностью результата представляется критически важным. Возможно, оптимальным решением окажется не стремление к максимальному сжатию информации, а поиск баланса между эффективностью кодирования и устойчивостью к шумам. Вопрос о масштабируемости предложенного подхода также остается открытым. Будет ли возможно расширить рамки гипермерного пространства, не столкнувшись с экспоненциальным ростом вычислительных затрат?

В конечном счете, данная работа - не точка прибытия, а скорее - приглашение к эксперименту. Принципы гипермерного вычисления, объединенные с возможностями квантовых алгоритмов, обещают перевернуть представления о способах обработки информации. Но истинный прорыв требует не только теоретических построений, но и готовности к постоянному переосмыслению, взлому существующих парадигм и, возможно, даже к созданию совершенно новых.

Полный обзор с формулами: denisavetisyan.com/?p=6671

Оригинал статьи: https://arxiv.org/pdf/2607.11936.pdf

Связаться с автором: linkedin.com/in/avetisyan