何时临界？神经伊辛智能体在不同机制下的性能与可演化性

长期以来人们假设，在接近临界态下运行对自然系统、人工系统及其演化系统有益。我们在一个由神经网络控制的演化觅食智能体系统中检验该假设，该网络可在演化过程中调整智能体的动力学机制。令人惊讶的是，我们发现所有发现解的种群都演化成为亚临界。通过韧性分析，我们发现从临界机制启动演化仍有好处。即，初始临界智能体在环境变化（例如寿命）下保持其适应度水平，并在基因组受扰动时优雅退化。同时，初始亚临界智能体即使演化到相同适应度，也常不足以承受寿命变化，并在遗传扰动下灾难性退化。此外，我们发现到临界性的最优距离取决于任务复杂度。为检验这一点，我们引入难和简单两类任务：对于难任务，智能体演化得更接近临界性；而简单任务则发现更多亚临界解。我们通过两种本质不同的方法（遗传算法和演化策略）测试，证实结果与所选演化机制无关。总之，我们的研究表明，尽管简单任务的最优行为在亚临界机制下获得，但初始化在近临界态对于高效发现未知复杂度新任务的最优解十分重要。