De effectiefste machines hebben een geheugen. Resultaten uit het verleden bieden namelijk de beste aanwijzing voor wat er in de toekomst kan gebeuren. Dat is de conclusie van een theoretische studie door Susanne Still, een informatica aan de universiteit van Hawaii (Manoa) en haar collega’s. De uitkomst va dit onderzoek geldt in principe voor alle “machines”, variërend van eiwitten tot complexe computers, aldus Nature News.
Als een machine onthoudt wat er mee in het verleden is gebeurt, stelt dit de machine in staat zich voor te bereiden, m.a.w. aan te passen aan toekomstige omstandigheden. Susanne Still zegt geïnspireerd te zijn geraakt door haar danshobby, en sport in het algemeen, waarbij inderdaad een betere beweging staat of valt met een goede (mentale) voorbereiding. Toch moet voor elke machine steeds de afweging worden gemaakt, hoeveel energie kan worden besteed aan het opslaan van informatie. Alleen zeer specifieke informatie is nuttig om de toekomst mee te voorspellen. Een ‘machine’ moet dus een selectie maken.
Dit probleem lijkt erg op het probleem dat ook optreedt bij het ontwikkelen van een model. Een goed model bevat alleen de essentie van hetgeen onderzocht moet worden. Een goed model ontwikkelen is de kunst van het weglaten. Tegelijkertijd lever je bij elke vereenvoudiging nauwkeurigheid in. Het vergt een zorgvuldige afweging, hoeveel nauwkeurigheid kan worden ingeleverd in ruil voor minder complexiteit in het verklarende model (en dus hoe zuinig dit model met informatieverwerking kan omspringen). Voor bijvoorbeeld een ‘slimme’ auto op de weg, waar je desnoods een hele batterij harde schijven kan inbouwen, is dit vanzelfsprekend veel minder een probleem dan voor een moleculair machientje, bijvoorbeeld een motor-eiwit.
Een ander leuk aanknopingspunt is dat dit model in feite impliciet Occam’s scheermes inhoudt. Het model dat het beste aan Occams scheermes voldoet, d.w.z. het eenvoudigste is, is het meest praktische. Ze hoopt dat kennis van de relatie tussen energieverbruik, voorspellendvermogen en geheugen wetenschappers helpt om algoritmen te ontwikkelen die helpen, modellen te vereenvoudigen.
Bronnen:
1. Susanne Still, David A. Sivak, Anthony J. Bell, Gavin E. Crooks, Thermodynamics of Prediction, Physical Review Letters, 2012, DOI: 10.1103/PhysRevLett.109.120604
2. Susanne Still, David A. Sivak, Anthony J. Bell, Gavin E. Crooks, The thermodynamics of Prediction, arxiv.org/abs/1203.3271
3. Nature News
Gaat dit over scel(gen)?