Емерджентні обчислення (англ. emergent computation, EC) — напрям на стику теорії обчислень, теорії складних систем, штучного життя, нейроморфних технологій, колективного інтелекту та некласичних способів оброблення інформації, у якому обчислювальна здатність виникає як колективна властивість системи внаслідок взаємодії великої кількості простих компонентів, а не задається безпосередньо одним централізованим алгоритмом.

На відміну від традиційного обчислення, де алгоритм, пам’ять, процесор і потік керування зазвичай визначені явно, в емерджентних системах необхідна поведінка може виникати з локальних правил, фізичної динаміки, самоорганізації, адаптації або взаємодії агентів. Окремий компонент може не виконувати складного обчислення, проте сукупність компонентів здатна реалізовувати розпізнавання, оптимізацію, прийняття рішень, прогнозування, передавання й збереження інформації та інші обчислювальні функції. Сучасна література також наголошує на відмінності між emergent computation та computational emergence: перше стосується появи колективної обчислювальної здатності в системі, друге — появи нових властивостей унаслідок самого процесу обчислення.

Термінологія

Українською мовою emergent computation можна передавати як емерджентні обчислення, обчислення, що виникають, емерджентне обчислення або, залежно від контексту, обчислення на основі емерджентності.

Термін пов’язаний із поняттям емерджентності (emergence) — виникненням на вищому рівні організації властивостей, яких не можна безпосередньо приписати окремим елементам нижчого рівня. В інформаційному трактуванні емерджентність можна розглядати як ситуацію, коли певна інформація або властивість відсутня на одному рівні опису, але стає наявною на іншому.

Важливо розрізняти:

Емерджентне обчислення (emergent computation) — обчислювальна здатність виникає з колективної поведінки взаємодіючих компонентів.

Обчислювальна емерджентність (computational emergence) — нова властивість або здатність виникає в результаті певного обчислювального процесу, наприклад у клітинному автоматі, нейронній мережі чи генетичному алгоритмі. У сучасній системній науці ці два поняття розглядаються як споріднені, але не тотожні.

Історичне походження концепції

Ідея про те, що складна поведінка може виникати з простих локальних правил, має давнє коріння у фізиці, біології та філософії. У XX столітті вона отримала формальний математичний фундамент завдяки кібернетиці, теорії автоматів, теорії інформації, нелінійній динаміці та дослідженням самоорганізації.

Особливо важливу роль відіграли клітинні автомати. У 1940-х роках Джон фон Нейман досліджував самовідтворювальні автомати, а згодом клітинні автомати стали універсальним середовищем для дослідження самоорганізації та складності. Стівен Вольфрам систематично досліджував прості клітинні автомати й показав, що надзвичайно прості локальні правила можуть породжувати складні просторово-часові структури.

У 1960-х роках Джон Конвей створив Game of Life, де глобальна поведінка виникає з надзвичайно простих локальних правил. Пізніше було показано, що подібні системи можуть реалізовувати універсальні обчислення.

Важливою віхою стала робота Крістофера Ленгтона 1990 року «Computation at the Edge of Chaos», у якій досліджувалося, за яких умов у динамічній системі можуть спонтанно виникати механізми передавання, зберігання та модифікації інформації. Ленгтон пов’язував особливо сприятливі умови для обчислення з областю поблизу фазового переходу між порядком і хаосом.

У 1990-х роках поняття емерджентних обчислень почало активно застосовуватися до екологічних моделей, штучних екосистем, клітинних автоматів, нейронних мереж, генетичних алгоритмів і систем класифікаторів. На відміну від класичної централізованої парадигми, загальна динаміка таких систем виникає з локальних взаємодій незалежних агентів.

Основна ідея

Традиційний алгоритм можна концептуально представити як:

вхідні дані → алгоритм → проміжні обчислення → результат

Для емерджентного обчислення схема більше нагадує:

локальні правила + взаємодія компонентів + динаміка системи → глобальна поведінка → обчислювальний результат

При цьому глобальна поведінка не обов’язково прописана безпосередньо.

Наприклад, мурашка може керуватися лише кількома простими правилами: рухатися, реагувати на феромони, залишати феромон і змінювати напрямок руху. Жодна окрема мурашка не розв’язує задачу пошуку найкоротшого шляху. Проте колонія може колективно знаходити ефективні маршрути. Цей принцип став основою алгоритмів мурашиних колоній та ширшого напряму swarm intelligence.

Основні властивості

Емерджентні обчислювальні системи зазвичай характеризуються кількома властивостями.

Локальність. Компонент переважно взаємодіє лише з безпосереднім оточенням або обмеженою кількістю інших компонентів.

Децентралізація. Відсутній єдиний центральний контролер, який визначає всі операції.

Паралельність. Велика кількість елементів може працювати одночасно.

Самоорганізація. Структура та функціональна організація системи виникають у процесі її динаміки.

Нелінійність. Слабка зміна локального стану може спричинити непропорційно велику глобальну зміну.

Адаптивність. Система може змінювати поведінку залежно від середовища або історії взаємодій.

Розподілене представлення інформації. Інформація часто не зберігається в одному елементі, а розподілена між багатьма компонентами та їхніми зв’язками.

Стійкість. Відмова окремих компонентів може не знищити функціональність усієї системи.

Масштабованість. Збільшення кількості компонентів може підвищувати обчислювальну здатність, хоча це не є гарантованим.

Локальні правила і глобальна поведінка

Центральний принцип емерджентного обчислення полягає у переході:

мікроскопічні правила → взаємодії → макроскопічні структури → функціональна поведінка

Нехай стан системи у момент часу t позначено як S(t), а локальне правило переходу — F. Тоді:

S(t + 1) = F(S(t))

Якщо система складається з багатьох компонентів, локальний стан компонента i можна записати як x_i(t), а його наступний стан:

x_i(t + 1) = f(x_i(t), N_i(t), u_i(t))

де:

x_i(t) — стан компонента i;

N_i(t) — інформація від сусідніх компонентів;

u_i(t) — зовнішній вплив;

f — локальне правило.

Глобальний стан тоді є сукупністю:

S(t) = {x_1(t), x_2(t), …, x_N(t)}

Емерджентна властивість виникає тоді, коли поведінка S(t), розглянута на макрорівні, набуває закономірностей, які не очевидні з аналізу одного x_i.

Саме ця різниця між локальним механізмом і глобальною функцією є фундаментальною для емерджентних обчислень.

Емерджентність та обчислювальна здатність

Не кожна емерджентна поведінка є обчисленням.

Хмари, вихори, кристали або біологічні структури можуть демонструвати емерджентні властивості, але для того, щоб говорити саме про обчислення, необхідно встановити функціональний зв’язок між інформацією на вході, станом системи та результатом.

У загальному випадку система повинна забезпечувати певну комбінацію:

передавання інформації;

зберігання інформації;

перетворення інформації;

виявлення або декодування результату.

Саме ці три базові функції — передавання, зберігання та модифікація інформації — Ленгтон розглядав як необхідні примітиви для виникнення обчислення у фізичному середовищі.

Клітинні автомати

Клітинний автомат є одним із найважливіших математичних прикладів емерджентних обчислень.

Він складається з:

  • сітки клітин;
  • скінченної множини станів кожної клітини;
  • визначеного сусідства;
  • локального правила переходу;
  • дискретного часу.

Для елементарного одновимірного клітинного автомата клітина може мати два стани:

0 або 1.

Якщо використовується сама клітина та два її сусіди, існує 2^3 = 8 можливих локальних конфігурацій. Правило задає новий стан для кожної з них.

Надзвичайна властивість таких систем полягає в тому, що дуже короткий локальний алгоритм може створювати складні глобальні структури. Дослідження Вольфрама показали, що навіть елементарні клітинні автомати здатні демонструвати самоорганізацію та складні просторово-часові закономірності.

Правило 110

Правило 110 — один із найвідоміших прикладів емерджентної універсальності.

Воно визначає наступний стан клітини на основі трійки:

ліва клітина + центральна клітина + права клітина.

Попри простоту локального правила, система здатна моделювати машину Тюрінга. Метью Кук продемонстрував конструкцію, за допомогою якої Rule 110 може емулювати роботу машини Тюрінга; подальша робота дала явний спосіб компіляції машини Тюрінга в початковий стан Rule 110.

Це один із найсильніших аргументів на користь ідеї, що універсальна обчислювальна поведінка може виникати з надзвичайно простих локальних правил.

Conway’s Game of Life

Game of Life є двовимірним клітинним автоматом, у якому кожна клітина має стан «жива» або «мертва».

Класичні правила:

  • жива клітина з двома або трьома живими сусідами виживає;
  • мертва клітина з трьома живими сусідами оживає;
  • в інших випадках клітина стає або залишається мертвою.

З цих правил виникають стабільні структури, осцилятори, рухомі об’єкти, взаємодіючі конструкції та складні обчислювальні схеми.

Важливо, що такі структури не є окремими примітивами, закладеними в правила автомата. Вони виникають у результаті їх повторного застосування.

Самоорганізація

Самоорганізація — процес, у якому структура системи формується без центрального керування.

У контексті емерджентних обчислень самоорганізація може виконувати роль механізму:

  • формування пам’яті;
  • формування мережі зв’язків;
  • пошуку розв’язку;
  • кластеризації;
  • адаптації;
  • розподілу ресурсів;
  • формування просторових структур.

Наприклад, нейронна мережа може змінювати ваги своїх зв’язків, а колонія агентів — змінювати маршрути або розподіл активності.

Колективний інтелект

Колективний інтелект — одна з найочевидніших форм емерджентних обчислень.

Бджолина сім’я, мурашина колонія, зграя птахів, косяк риб або група автономних роботів можуть демонструвати властивості, яких немає в окремого агента.

Класичний приклад — зграя.

Спрощена модель може містити три локальні правила:

  • розділення — уникати надмірного зближення;
  • вирівнювання — рухатися приблизно в напрямку сусідів;
  • згуртування — рухатися до центру локальної групи.

Глобальна зграя внаслідок цього формує узгоджений рух. Сучасне дослідження емерджентної обчислювальної здатності прямо пов’язує такі колективи з виникненням розподіленого прийняття рішень і swarm intelligence. (MDPI)

Swarm intelligence

Swarm intelligence — обчислювальна парадигма, натхненна колективною поведінкою соціальних тварин.

Найвідоміші підходи:

Ant Colony Optimization (ACO) — алгоритми мурашиної колонії;

Particle Swarm Optimization (PSO) — рій частинок;

Bee algorithms — алгоритми бджолиних колоній;

Firefly algorithms — алгоритми світлячків;

Artificial fish swarm — штучні косяки риб.

Особливість полягає в тому, що глобальний розв’язок формується через локальну взаємодію агентів.

У ACO, наприклад, агенти залишають умовний «феромон», а наступні агенти використовують накопичену інформацію для вибору маршруту. У результаті колектив може концентруватися на ефективних маршрутах. ACO широко досліджується для складних задач оптимізації та може поєднуватися з паралельними обчисленнями.

Нейронні мережі

Біологічний мозок є одним із головних джерел мотивації для емерджентного обчислення.

Окремий нейрон виконує порівняно просту операцію. Проте мільярди взаємодіючих нейронів утворюють динамічну систему, здатну до сприйняття, навчання, пам’яті, прогнозування та прийняття рішень.

У штучних нейронних мережах складні функції також виникають із взаємодії великої кількості простих обчислювальних елементів.

Однак не кожна нейронна мережа автоматично є прикладом емерджентного обчислення в строгому сенсі. Ключове питання полягає в тому, на якому рівні визначається обчислювальна функція та наскільки вона є властивістю колективної динаміки.

Reservoir computing

Reservoir computing (RC) є особливо важливим сучасним прикладом використання динамічної та частково емерджентної поведінки для обчислень.

Типова система містить:

вхід;

  • динамічний резервуар;
  • простий вихідний шар.

Резервуар перетворює вхідний сигнал у складний багатовимірний динамічний стан, після чого навчання переважно виконується лише для вихідного шару. Сам резервуар може залишатися фіксованим. Це забезпечує низьку вартість навчання та робить підхід придатним для фізичної реалізації.

Абстрактно систему можна подати так:

x(t + 1) = F(x(t), u(t))

y(t) = G(x(t))

де:

u(t) — вхід;

x(t) — внутрішній стан резервуара;

F — нелінійна динаміка;

y(t) — вихід;

G — навчений оператор зчитування.

Суть полягає не в тому, що кожен внутрішній елемент виконує спеціалізовану операцію, а в тому, що динаміка всієї системи створює багатовимірне представлення сигналу, з якого простий readout може виділити потрібну інформацію. (

Фізичні емерджентні обчислення

Особливо перспективним напрямом є physical reservoir computing, у якому резервуар реалізується не обов’язково цифровим процесором, а реальною фізичною системою.

Як резервуари досліджуються:

  • електронні схеми;
  • оптичні системи;
  • фотонні структури;
  • механічні системи;
  • магнітні матеріали;
  • мемристори;
  • спінтронні пристрої;
  • біологічні системи;
  • наноматеріали;
  • хімічні системи;
  • квантові системи.

Фізична система сама реалізує нелінійну динаміку, а комп’ютер або простий readout лише інтерпретує її результат. Огляди фізичного reservoir computing описують електронні, фотонні, спінтронні, механічні, біологічні та інші фізичні резервуари.

У 2024 році Nature Electronics охарактеризував physical reservoir computing як форму нейроморфного обчислення, що використовує динамічні властивості матеріалів для високоефективної обробки інформації; серед можливих фізичних реалізацій названо електронні, оптичні та механічні пристрої.

Емерджентність у фізичних матеріалах

Фізична система може виконувати обчислення завдяки власній динаміці.

Наприклад, замість моделювання нелінійного рівняння цифровим процесором можна використати фізичний пристрій, який безпосередньо реалізує потрібну нелінійність.

У такому разі частина обчислювальної роботи переноситься:

  • з програмного алгоритму
  • на фізичний субстрат.
  • Це є фундаментальною ідеєю unconventional computing.
  • Особливо активно досліджуються:
  • мемристивні мережі;
  • магнітні домени;
  • скірміони;
  • фероелектричні структури;
  • фотонні системи;
  • наноматеріали.

Наприклад, топологічні магнітні структури та фероелектричні системи розглядаються як перспективні платформи для наступного покоління інформаційних технологій і некласичних обчислень.

Емерджентне обчислення і «edge of chaos»

Однією з найбільш відомих ідей у цій галузі є «край хаосу» (edge of chaos).

Ідея полягає в тому, що між двома крайніми режимами:

повним порядком

і

повним хаосом

може існувати область, де система має особливо багату динаміку.

У повністю впорядкованій системі інформація може швидко втрачатися або заморожуватися.

У повністю хаотичній системі інформація може швидко ставати некерованою.

Проміжний режим потенційно забезпечує:

  • передавання інформації;
  • збереження інформації;
  • нелінійне перетворення;
  • складні взаємодії;
  • формування стабільних структур;
  • адаптацію.

Ленгтон показував, що в клітинних автоматах умови, сприятливі для передачі, зберігання та модифікації інформації, виникають поблизу фазового переходу.

Водночас «edge of chaos» не слід сприймати як універсальний закон, згідно з яким будь-яка інтелектуальна або обчислювальна система повинна перебувати саме там. Це радше впливова гіпотеза та дослідницька концепція, корисна для аналізу певних типів складних динамічних систем.

Інформаційний підхід

Одним із сучасних способів формалізувати емерджентність є розгляд її через інформацію.

Якщо нижній рівень опису містить змінні:

X = {x_1, x_2, …, x_N}

то макроскопічний опис може містити змінну:

Y = f(X)

Емерджентна властивість полягає не просто в тому, що Y математично обчислюється з X, а в тому, що Y є функціонально значущим і більш адекватним описом певної поведінки системи на іншому масштабі.

Такий підхід допомагає уникати твердження, ніби емерджентні властивості «порушують фізику». Навпаки, вони можуть бути повністю сумісними з мікроскопічними законами, але потребувати іншого рівня опису. Саме інформаційне трактування емерджентності пропонується в сучасних дослідженнях штучного життя.

Мікро- та макрорівні

Емерджентне обчислення майже завжди передбачає щонайменше два рівні опису.

Мікрорівень містить окремі компоненти та правила їхньої взаємодії.

Макрорівень описує колективні структури та функції.

Наприклад:

  • нейрони → нейронна мережа → когнітивна функція;
  • мурашки → колонія → маршрут;
  • клітини автомата → патерни → логічні структури;
  • магнітні елементи → динамічний резервуар → прогноз;
  • роботи → рій → колективне рішення.

Таким чином, емерджентне обчислення є не просто «обчисленням багатьма елементами», а обчисленням, функціональна організація якого значною мірою визначається колективною динамікою.

Емерджентне обчислення та традиційні алгоритми

Традиційне алгоритмічне обчислення має сильну централізовану структуру.

Типові характеристики:

  • центральний процесор;
  • явна програма;
  • послідовність інструкцій;
  • явна пам’ять;
  • детермінований потік керування;
  • заздалегідь задана функція.

Емерджентний підхід частіше використовує:

  • велику кількість простих елементів;
  • локальні правила;
  • розподілену інформацію;
  • паралельну динаміку;
  • самоорганізацію;
  • адаптацію;
  • взаємодію із середовищем.

Однак ці категорії не є взаємовиключними. Практична система може поєднувати класичний цифровий процесор із емерджентним фізичним або алгоритмічним субстратом.

Емерджентне обчислення і розподілені системи

Емерджентні обчислення тісно пов’язані з distributed computing, але не тотожні йому.

Розподілена система може мати централізований алгоритм, який керує багатьма вузлами.

Емерджентна система, навпаки, прагне отримати глобальну функцію через локальну взаємодію без повного централізованого контролю.

Це робить емерджентні підходи привабливими для систем, у яких:

  • кількість вузлів дуже велика;
  • центральне керування дороге;
  • зв’язок між вузлами обмежений;
  • окремі компоненти можуть виходити з ладу;
  • середовище постійно змінюється.

Емерджентні обчислення у штучному житті

Artificial Life (ALife) є одним із головних напрямів дослідження емерджентних обчислень.

ALife використовує синтетичний підхід:

«створити систему, щоб краще зрозуміти життя».

У таких моделях досліджують:

  • самореплікацію;
  • еволюцію;
  • метаболізм;
  • самоорганізацію;
  • колективну поведінку;
  • адаптацію;
  • розвиток;
  • появу інтелекту;

інформаційний обмін.

Системи штучного життя можуть бути програмними, робототехнічними або фізико-хімічними. Саме завдяки контрольованому синтетичному середовищу дослідник може спостерігати, як складні властивості виникають із простіших взаємодій.

Еволюційні обчислення

Генетичні алгоритми та інші еволюційні методи також мають емерджентний характер.

У найпростішому випадку:

популяція → оцінювання → відбір → схрещування → мутація → нова популяція.

Розв’язок не обов’язково задається програмістом. Він виникає через багаторазову взаємодію механізмів варіації та відбору.

Генетичний алгоритм може бути записаний концептуально як:

P(t + 1) = Selection(Mutation(Crossover(P(t))))

де P(t) — популяція на поколінні t.

Застосування включають оптимізацію, проектування, пошук параметрів і машинне навчання.

Агентні моделі

Agent-based modeling (ABM) — ще один важливий інструмент.

Агент має:

  • стан;
  • набір правил;
  • сприйняття середовища;
  • можливість дії.

Система:

A = {a_1, a_2, …, a_N}

еволюціонує в середовищі E:

S(t + 1) = F(S(t), E(t))

Глобальна поведінка може бути результатом виключно локальних рішень агентів.

ABM застосовуються для моделювання:

  • економіки;
  • міграції;
  • епідеміології;
  • трафіку;
  • екосистем;
  • соціальних мереж;
  • ринків;
  • конфліктів;

поширення інформації.

Екологічні системи

Екосистеми є природним прикладом складних емерджентних систем.

Окремий організм взаємодіє з:

  • іншими організмами;
  • ресурсами;
  • хижиками;
  • конкурентами;
  • кліматом;
  • просторовим середовищем.

Глобальна структура екосистеми виникає з величезної кількості локальних взаємодій.

Ще в 1990-х роках емерджентне обчислення пропонувалося як підхід до моделювання та управління екологічними системами, зокрема через штучні екосистеми, клітинні автомати, нейронні мережі та генетичні алгоритми.

Соціальні мережі

Соціальні мережі демонструють емерджентну динаміку через локальні взаємодії між користувачами.

Окремий користувач:

  • отримує інформацію;
  • реагує;
  • поширює її;
  • змінює свою поведінку.

Сукупність таких дій може породжувати:

  • тренди;
  • колективні рішення;
  • поляризацію;
  • вірусне поширення інформації;
  • формування спільнот;
  • колективні настрої.

Така поведінка є прикладом емерджентної динаміки, хоча питання про те, чи слід називати її саме «обчисленням», залежить від того, чи визначено інформаційну функцію системи.

Біологічне обчислення

Біологічні системи містять безліч потенційних субстратів для емерджентних обчислень:

  • нейронні мережі;
  • генні регуляторні мережі;
  • імунні системи;
  • клітинні популяції;
  • мікробні спільноти;
  • молекулярні мережі.

У таких системах функціональна поведінка часто виникає не з одного елемента, а з динамічної мережі взаємодій.

Дослідження штучного життя показують, що колективи взаємодіючих організмів можуть набувати інформаційно-обчислювальних можливостей, яких немає на рівні окремих організмів.

Обчислення в біологічних нейронних системах

Нейронна тканина особливо цікава тому, що обчислення здійснюється не як проста послідовність інструкцій.

Мозок використовує:

  • масово-паралельну активність;
  • нелінійність;
  • пластичність;
  • рекурентні зв’язки;
  • часову динаміку;
  • локальні правила навчання;
  • хімічні та електричні взаємодії.

Тому когнітивні властивості можуть розглядатися як властивості мережевого рівня.

Морфогенез і обчислення

Ще одна форма емерджентного обчислення пов’язана з морфогенезом — формуванням просторової структури організму.

Клітини локально взаємодіють за допомогою:

  • хімічних сигналів;
  • механічних сил;
  • контактів;
  • градієнтів;
  • генетичних регуляторних механізмів.

У результаті формується глобальна структура організму.

У computational emergence та cellular automata аналогічна ідея проявляється в тому, що локальна динаміка може породжувати складні морфологічні патерни.

Емерджентне обчислення і свідомість

Іноді емерджентне обчислення пов’язують із проблемою свідомості.

Аргумент має загальний вигляд:

  • нейрони самі по собі не мають повноцінної свідомої поведінки;
  • велика мережа нейронів має глобальну динаміку;
  • свідомість, якщо вона є емерджентною властивістю, може залежати від цієї глобальної організації.

Проте це філософська та науково-теоретична гіпотеза, а не встановлений факт. Емерджентність сама по собі не пояснює механізм свідомості.

Емерджентне обчислення та машинне навчання

У машинному навчанні емерджентність може проявлятися на різних рівнях.

Модель навчається через локальні оновлення параметрів, але після навчання демонструє глобальну здатність:

  • класифікувати;
  • генерувати;
  • прогнозувати;
  • узагальнювати;
  • розпізнавати закономірності.

У великих нейронних мережах інколи спостерігають появу властивостей, які не були явно запрограмовані як окремі алгоритми.

Проте термін «emergent abilities» у сучасному AI є предметом активних дискусій: деякі ефекти можуть бути справжніми фазовими або масштабними переходами, тоді як інші можуть виникати через спосіб вимірювання, метрики або нелінійність оцінювання.

Емерджентність у reservoir computing

Reservoir computing дає особливо наочний приклад зв’язку між емерджентною динамікою та машинним навчанням.

Внутрішній резервуар створює складну динамічну траєкторію:

x(0) → x(1) → x(2) → … → x(t)

Вхід впливає на цю траєкторію, а система зберігає частину інформації про попередні входи.

Важливими властивостями є:

  • нелінійність — дає змогу формувати складні перетворення;
  • fading memory — система зберігає інформацію про минулі входи;
  • high-dimensional representation — сигнал розгортається у складніший простір;
  • separation property — різні входи мають створювати достатньо відмінні стани.

Саме ці властивості роблять динамічну систему придатною для обчислення часових залежностей. (DOI)

Фізичний reservoir computing

У фізичному резервуарі можна використати саму фізику як обчислювальний ресурс.

Наприклад:

вхідний сигнал → оптична система → інтерференція → нелінійна динаміка → вимірювання → readout.

Або:

вхід → магнітна структура → динаміка спінів → вимірювання → класифікація.

Або:

вхід → мемристивна мережа → зміна внутрішніх станів → вимірювання → результат.

Перевага полягає в тому, що частина математичних операцій відбувається фізично, без необхідності явно обчислювати кожен проміжний стан у цифровому процесорі.

Наноматеріали та емерджентні обчислення

Сучасні дослідження дедалі активніше розглядають наноматеріали як обчислювальні субстрати.

Причина полягає в тому, що наноструктури можуть мати:

  • високу нелінійність;
  • велику кількість внутрішніх станів;
  • пам’ять;
  • стохастичність;
  • складну колективну динаміку;
  • чутливість до зовнішніх сигналів.

Огляд 2026 року зосереджується на наноматеріалах і нанопристроях як платформах physical reservoir computing, підкреслюючи роль нелінійності, fading memory, квантового обмеження та стохастичної динаміки.

Емерджентне обчислення в магнітних системах

Магнітні системи є перспективним фізичним субстратом завдяки складній динаміці спінів і доменів.

Особливий інтерес становлять:

  • магнітні домени;
  • спінові хвилі;
  • магнонні системи;
  • скірміони;
  • топологічні структури;
  • спінтронні мережі.

Їх можна використовувати для створення динамічних резервуарів, у яких фізична еволюція системи виконує частину перетворення інформації.

Фотонні та оптичні системи

Фотоніка є привабливою для емерджентних обчислень завдяки:

  • дуже високій швидкості поширення сигналів;
  • можливості паралельної обробки;
  • інтерференції;
  • дифракції;
  • нелінійним оптичним ефектам;
  • низькому енергоспоживанню в деяких архітектурах.

У photonic reservoir computing оптична динаміка може створювати високорозмірне представлення сигналу, після чого простий readout виконує класифікацію або прогнозування. Фізичні reservoir-системи включають оптичні реалізації поряд з електронними, механічними та іншими платформами.

Механічні системи

Механічні структури також можуть виконувати функції резервуара.

Потенційні субстрати:

  • маятники;
  • пружини;
  • мембрани;
  • механічні резонатори;
  • метаматеріали;
  • механічні мережі.

Їхні коливання створюють багатовимірну динаміку, яку можна використовувати для перетворення сигналів. Огляди фізичного reservoir computing прямо включають механічні системи до класу потенційних фізичних резервуарів. (DOI)

Хімічні обчислення

Хімічні реакційні мережі можуть виконувати обчислення через:

  • концентрації речовин;
  • кінетику реакцій;
  • дифузію;
  • автокаталіз;
  • осциляції;
  • просторові патерни.

У такій системі не потрібно обов’язково представляти кожну логічну операцію транзисторами. Хімічна динаміка сама створює перетворення сигналу.

Це належить до ширшої категорії unconventional computing.

Квантові системи

Квантові системи мають складну багатовимірну динаміку та можуть використовуватися як фізичні резервуари.

У квантовому reservoir computing:

  • вхідний сигнал впливає на квантовий стан;
  • система еволюціонує відповідно до квантової динаміки;
  • стани вимірюються;
  • результати вимірювань подаються на readout.
  • Дослідження фізичного reservoir computing розглядають квантові резервуари поряд з іншими фізичними субстратами.

Водночас квантове обчислення загалом не слід ототожнювати з емерджентним обчисленням: квантові комп’ютери можуть реалізовувати чітко задані алгоритми та універсальні моделі обчислення.

Емерджентне обчислення та Тюрінгова повнота

Тюрінгова повнота означає здатність системи, за відповідного кодування та необмежених ресурсів, емулювати універсальну модель обчислень.

Якщо емерджентна система є Тюрінгово повною, її складна поведінка не просто «схожа на обчислення» — вона може реалізовувати довільні алгоритмічні обчислення в принципі.

Rule 110 є важливим прикладом: локальне правило клітинного автомата здатне емулювати машину Тюрінга.

Це демонструє, що простота локального механізму не означає обмеженість глобальної обчислювальної здатності.

Емерджентна обчислювальна потужність

У теоретичних дослідженнях artificial life висувалося ще сильніше твердження: колективна система інтерактивних агентів може мати обчислювальні можливості, яких немає в окремих агентів.

У роботах Відермана та ван Леувена аналізувалися системи штучного життя, у яких колективна поведінка когнітивних трансдюсерів приводить до появи обчислювальної потужності на рівні системи. Автори досліджували також твердження про super-Turing computing power у певних моделях інтерактивних еволюційних систем.

Такі твердження слід трактувати обережно. Вони залежать від моделі, способу взаємодії із середовищем, доступу до нескінченних або зовнішніх інформаційних ресурсів та визначення самого поняття «обчислення». Вони не означають, що звичайний фізичний комп’ютер може без додаткових припущень розв’язувати нерозв’язні задачі.

Проблема прогнозованості

Одна з головних проблем емерджентних систем полягає в тому, що прості правила можуть породжувати надзвичайно складну поведінку.

Формально:

просте правило ≠ проста глобальна поведінка.

Якщо система має високу нелінійність, навіть незначна зміна початкового стану може змінити результат.

Це породжує проблему:

як передбачити глобальну поведінку, не симулюючи всю систему?

У деяких випадках це принципово важко через обчислювальну складність. Дослідження емерджентності як обчислювально-теоретичного феномена пов’язують складність прогнозування з переходами від локальної алгоритмічної поведінки до глобальних складних або хаотичних режимів.

Обчислювальна незвідність

Обчислювальна незвідність (computational irreducibility) — ідея, що для прогнозування майбутнього стану деяких систем може не існувати істотно швидшого способу, ніж фактичне виконання їхньої динаміки.

Для емерджентних систем це особливо важливо.

Якщо:

S(t + 1) = F(S(t))

то для визначення S(T) інколи може знадобитися послідовно обчислити:

S(1), S(2), …, S(T).

Тоді немає короткого алгоритму, який безпосередньо «перестрибне» до S(T).

Це одна з причин, чому емерджентні системи можуть бути одночасно:

простими у визначенні;

складними у прогнозуванні.

Нерозв’язність і емерджентні системи

Тюрінгова повнота має важливий наслідок: деякі властивості системи можуть бути алгоритмічно нерозв’язними.

Наприклад, якщо клітинний автомат може емулювати універсальну машину Тюрінга, то для довільного початкового стану загальна відповідь на питання «чи досягне система певного стану?» може бути нерозв’язною.

Тому емерджентність може породжувати не лише високу практичну складність, а й фундаментальні межі формального прогнозування.

Robustness і fault tolerance

Децентралізовані системи можуть мати значну стійкість до відмов.

Якщо інформація та функція розподілені між N компонентами, вихід з ладу одного або кількох компонентів не обов’язково руйнує систему.

Це особливо корисно для:

  • ройових роботів;
  • сенсорних мереж;
  • біологічних обчислень;
  • нейроморфних систем;
  • масштабних розподілених систем.

Однак стійкість не є автоматичною властивістю емерджентності. Певні емерджентні системи можуть бути надзвичайно чутливими до пошкодження конкретних компонентів або зміни топології мережі.

Самовідновлення

Ще більш сильна властивість — self-healing.

Система може:

  • виявити втрату компонента;
  • перебудувати локальні зв’язки;
  • перерозподілити функції;
  • відновити глобальну поведінку.

Біологічні організми є одним із джерел натхнення для таких архітектур.

Масштабованість

Емерджентні обчислення потенційно добре масштабуються, тому що збільшення кількості елементів може відбуватися паралельно.

Але масштабування створює й проблеми:

  • більша кількість зв’язків;
  • складніша синхронізація;
  • затримки комунікації;
  • енергоспоживання;
  • накопичення шуму;
  • складність навчання;
  • складність контролю.

Тому «більше агентів» не завжди означає «краще обчислення».

Енергоефективність

Емерджентні обчислення можуть бути енергоефективними, якщо фізична динаміка безпосередньо виконує частину необхідних операцій.

Особливо цікавим є сценарій:

вхід → фізична динаміка → вимірювання → простий readout.

У reservoir computing відсутність необхідності тренувати весь динамічний резервуар може істотно зменшувати вартість навчання.

Фізичні реалізації потенційно можуть також зменшувати енергетичні витрати на переміщення даних між пам’яттю та процесором.

Neuromorphic computing

Neuromorphic computing намагається створювати обчислювальні системи, принципи роботи яких нагадують нервову систему.

Спільні риси з емерджентним підходом:

  • масовий паралелізм;
  • локальні взаємодії;
  • подієва обробка;
  • розподілена пам’ять;
  • нелінійна динаміка;
  • адаптивність.

Однак нейроморфний комп’ютер може бути цілком інженерно спроектованою цифровою системою, тому нейроморфність та емерджентність — різні поняття.

Unconventional computing

Емерджентні обчислення належать до ширшого поля unconventional computing — некласичних обчислень.

До споріднених напрямів належать:

  • квантові обчислення;
  • молекулярні обчислення;
  • ДНК-обчислення;
  • мемристивні обчислення;
  • нейроморфні обчислення;
  • оптичні обчислення;
  • фізичні reservoir computers;
  • робототехнічні рої;
  • біологічні обчислення;
  • хімічні обчислення;

обчислення на основі морфології.

Не всі вони є емерджентними, але багато з них використовують природну динаміку фізичного субстрату замість повного відтворення цієї динаміки цифровими алгоритмами.

Morphological computation

Морфологічне обчислення — ідея, що частина обчислювальної функції може бути реалізована фізичною формою системи.

Наприклад, механічна структура робота може автоматично стабілізувати рух завдяки своїй геометрії та пружності, не виконуючи кожну корекцію центральним процесором.

Це споріднено з емерджентним обчисленням, оскільки функціональна поведінка може виникати із взаємодії:

форма + фізика + середовище + керування.

Робототехніка

Емерджентні принципи особливо важливі для swarm robotics.

Замість одного складного робота можна використовувати сотні або тисячі простих роботів.

Кожен робот:

  • сприймає локальне середовище;
  • спілкується з сусідами;
  • виконує прості правила;
  • змінює свою поведінку.
  • Колектив може:
  • шукати об’єкти;
  • формувати структури;
  • розподіляти ресурси;
  • досліджувати територію;
  • переміщувати великі об’єкти;
  • відновлювати функціональність після відмов.

Емерджентні обчислення в штучному інтелекті

Для AI емерджентна парадигма особливо цікава у трьох напрямках.

Колективний AI. Багато агентів співпрацюють і створюють глобальну стратегію.

Динамічний AI. Нелінійна фізична або математична система використовується як обчислювальний субстрат.

Мультиагентні системи. Інтелектуальна поведінка виникає з взаємодії агентів.

У першому випадку інтелект може бути властивістю групи, у другому — властивістю динаміки субстрату, у третьому — результатом взаємодії агентів.

Складність і фазові переходи

Емерджентна поведінка часто пов’язана з фазовими переходами.

У фізиці:

параметр системи → критичне значення → зміна глобальної структури.

Аналогічно в обчислювальній системі зміна одного параметра може переводити її між:

  • стабільним режимом;
  • періодичним режимом;
  • складним режимом;
  • хаотичним режимом.

Тому пошук оптимального режиму роботи часто є задачею пошуку певної області параметрів, а не конкретного алгоритму.

Приклад: мурашина колонія

Нехай існують два маршрути між гніздом і джерелом їжі.

Кожна мурашка випадково обирає маршрут, але залишає феромон.

Нехай концентрація феромону на маршруті j дорівнює τ_j.

Ймовірність вибору маршруту можна концептуально записати:

P_j = τ_j^α / Σ_k τ_k^α

де α визначає силу впливу феромону.

Феромон випаровується:

τ_j(t + 1) = (1 – ρ)τ_j(t) + Δτ_j(t)

де:

ρ — коефіцієнт випаровування;

Δτ_j — нове відкладення феромону.

Якщо коротший маршрут використовується частіше, він накопичує більше феромону, що підвищує ймовірність його подальшого вибору.

Таким чином, оптимізаційна поведінка виникає з простих локальних правил.

Приклад: клітинний автомат

Нехай кожна клітина має стан:

x_i(t) ∈ {0,1}

і залежить від трьох клітин:

x_i(t + 1) = f(x_{i-1}(t), x_i(t), x_{i+1}(t))

На рівні окремої клітини це лише булева функція.

Але після тисяч ітерацій виникає просторово-часовий патерн:

S(t) = {x_1(t), x_2(t), …, x_N(t)}

Якщо цей патерн може містити стабільні об’єкти, рухомі структури або логічні взаємодії, система стає обчислювальним середовищем.

Rule 110 показує, що навіть така мінімальна локальна модель може бути універсальною.

Приклад: reservoir

Нехай фізична система має стан:

x(t + 1) = F(x(t), u(t))

а вихід:

y(t) = W_out x(t)

Тоді F може бути дуже складною фізичною динамікою, яку не навчають.

Навчається лише W_out.

Отже, складність «обчислюється природним шляхом» резервуаром, а навчання лише визначає, як зчитати потрібну інформацію.

Це одна з найпрактичніших форм використання емерджентної або динамічної обчислювальної поведінки.

Переваги

До потенційних переваг емерджентних обчислень належать:

  • високий ступінь паралельності;
  • децентралізація;
  • стійкість до часткових відмов;
  • можливість самоорганізації;
  • адаптивність;
  • здатність працювати в динамічному середовищі;
  • можливість використовувати природну фізичну динаміку;
  • потенційно низька енерговартість;
  • масштабованість;
  • можливість розв’язувати складні задачі без явного опису повного алгоритму;
  • придатність до робототехніки, AI та некласичних обчислювальних пристроїв.

Недоліки

Основні проблеми:

  • складність програмування;
  • складність прогнозування;
  • складність формальної верифікації;
  • чутливість до початкових умов;
  • складність контролю;
  • неочевидний зв’язок між локальними правилами та глобальним результатом;
  • можливість небажаної емерджентної поведінки;
  • складність масштабування;
  • складність відтворення результатів у фізичних системах;
  • вплив шуму та технологічних дефектів;
  • складність визначення точних обчислювальних меж.

Проблема програмування

Традиційне програмування часто має форму:

«задати бажану поведінку → реалізувати алгоритм».

Емерджентне програмування має іншу логіку:

«задати компоненти та правила взаємодії → знайти умови, за яких виникає бажана поведінка».

Тому задача розробника перетворюється з написання алгоритму на проектування динаміки.

Це часто називають designing for emergence або engineering emergence.

Directed emergence

Окремий сучасний напрям — керована емерджентність (directed emergence), коли властивості компонентів і правила їхньої взаємодії навмисно проектують так, щоб отримати потрібний глобальний результат.

У такій парадигмі інженер не задає кожен крок системи, а створює умови, за яких система сама приходить до потрібної конфігурації.

Це є важливою концептуальною зміною:

не програмувати поведінку безпосередньо, а програмувати умови її виникнення.

Сучасні роботи 2026 року використовують цей термін для опису проектування фізичних систем із заданими емерджентними обчислювальними властивостями.

Physics Processing

У нових концепціях емерджентного обчислення з’являється ідея Physics Processing — використання фізичного субстрату, характеристики якого безпосередньо відповідають характеру задачі.

Наприклад, якщо задача полягає в моделюванні певної фізичної системи, можна спробувати створити інший фізичний субстрат, який природно реалізує аналогічну динаміку.

Це протиставляється підходу, у якому фізична задача повністю перетворюється на послідовність цифрових операцій.

Концепція залишається новою та дискусійною; серед сучасних робіт вона представлена, зокрема, у пропозиціях 2026 року щодо нового обчислювального підходу.

Emergent computation і computational emergence

Це розрізнення є принципово важливим.

Emergent computation:

система → взаємодії → виникнення обчислювальної здатності.

Приклад:

мурашки → колонія → колективний пошук маршруту.

Computational emergence:

обчислювальний процес → нова властивість.

Приклад:

клітинний автомат → повторення локального правила → складний морфологічний патерн.

У сучасній системній науці ці концепції розглядаються як дві сторони ширшої проблеми зв’язку між обчисленням та емерджентністю.

Емерджентне обчислення як парадигма

У класичній парадигмі:

дані → програма → процесор → результат.

В емерджентній:

дані → взаємодія → динаміка → глобальний стан → результат.

У фізичній реалізації:

вхідний сигнал → фізичний субстрат → природна динаміка → вимірювання → результат.

Це означає, що поняття «комп’ютер» стає ширшим. Комп’ютером може бути не лише кремнієвий процесор, а й система, здатна надійно перетворювати інформаційні стани відповідно до визначеної обчислювальної функції.

Межа між обчисленням і фізичним процесом

Не кожен фізичний процес є комп’ютером.

Камінь, що падає, також змінює свій стан відповідно до фізичних законів, але ми не називаємо це обчисленням просто через наявність динаміки.

Щоб фізичний процес став обчислювальним субстратом, необхідно визначити:

  • як кодується вхід;
  • як система трансформує інформацію;
  • як кодується вихід;
  • як результат зчитується;
  • яку функцію реалізує система.

Саме тому сучасні теоретичні дослідження physical reservoir computing окремо розглядають питання, що означає для фізичної системи «обчислювати», а не просто еволюціонувати за законами фізики.

Формальна модель

Загальну емерджентну систему можна описати як:

S(t + 1) = F(S(t), U(t), P)

де:

S(t) — глобальний стан;

U(t) — зовнішній вхід;

P — параметри системи;

F — глобальна динаміка.

Якщо система складається з агентів:

S(t) = {s_1(t), …, s_N(t)}

і кожен агент оновлюється локально:

s_i(t + 1) = f_i(s_i(t), N_i(t), U_i(t))

то глобальна функція F виникає з множини локальних функцій f_i та топології взаємодій.

Обчислювальна функція може бути визначена як:

Y = G(S(T))

де T — момент зчитування, а G — оператор декодування.

Тоді повна схема:

U(0:T) → F → S(T) → G → Y

У цьому формалізмі емерджентність пов’язана з тим, що корисна обчислювальна властивість Y визначається глобальною динамікою, хоча фундаментальні правила F можуть бути локальними.

Теоретичні питання

Ключові відкриті питання галузі:

  • Які мінімальні умови необхідні для появи обчислення?
  • Як кількісно вимірювати емерджентність?
  • Як визначити, що глобальна властивість справді не редукується до простішого рівня опису?
  • Яка обчислювальна потужність фізичних субстратів?
  • Як оптимально проектувати емерджентні системи?
  • Чи можна автоматично знаходити локальні правила, що породжують задану глобальну поведінку?
  • Які межі прогнозованості емерджентних систем?
  • Як забезпечити верифікованість?
  • Як відрізнити справжню емерджентну властивість від артефакту метрики?
  • Як масштабувати фізичні емерджентні комп’ютери?
  • Як поєднати емерджентні та класичні алгоритми?

Кількісне вимірювання емерджентності

Одна з найскладніших проблем — перетворити поняття емерджентності з якісної характеристики на вимірювану величину.

Можливі підходи використовують:

  • теорію інформації;
  • взаємну інформацію;
  • transfer entropy;
  • інтегровану інформацію;
  • алгоритмічну складність;
  • теорію динамічних систем;
  • топологічні характеристики;
  • метрики багатомасштабної інформації.

У reservoir computing уже з’являються формальні підходи до кількісного аналізу зв’язку між емерджентною динамікою та прогнозувальною здатністю. Дослідження 2025 року повідомляло про взаємний зв’язок між оптимізацією predictive power та emergent dynamics у еволюційних reservoir computers.

Зв’язок із теорією складних систем

Емерджентні обчислення є частиною ширшої науки про complex adaptive systems.

Складна адаптивна система має:

  • багато компонентів;
  • нелінійні взаємодії;
  • зворотні зв’язки;
  • адаптацію;
  • багаторівневу організацію;
  • виникнення нових властивостей.

Обчислення в такій системі може бути не окремим модулем, а властивістю самої динаміки.

Зворотні зв’язки

Зворотний зв’язок є одним із головних механізмів емерджентності.

Загально:

x(t + 1) = F(x(t), y(t))

y(t) = G(x(t))

Тобто результат одного процесу впливає на наступний стан.

Позитивний зворотний зв’язок може підсилювати:

  • сигнали;
  • структури;
  • кластеризацію;
  • колективні тенденції.

Негативний зворотний зв’язок може стабілізувати:

  • систему;
  • концентрацію;
  • положення;
  • траєкторію.

Поєднання позитивних і негативних зворотних зв’язків часто породжує складну динаміку.

Нелінійність

Якщо система лінійна:

F(aX + bY) = aF(X) + bF(Y)

то її поведінку часто можна відносно просто розкласти на складові.

У нелінійній системі:

F(aX + bY) ≠ aF(X) + bF(Y)

Взаємодія компонентів може породжувати якісно нові ефекти.

Саме нелінійність є однією з фундаментальних передумов складної емерджентної поведінки.

Статистичність і стохастичність

Емерджентні системи можуть бути детермінованими або стохастичними.

У стохастичній системі:

x(t + 1) = F(x(t), ξ(t))

де ξ(t) — випадковий процес.

Стохастичність не обов’язково знижує обчислювальну здатність. Іноді шум може сприяти пошуку, оптимізації або генерації корисних різноманітних станів.

Це використовується, зокрема, у фізичних reservoir-системах, де природна стохастична динаміка може бути частиною обчислювального ресурсу.

Емерджентні обчислення і оптимізація

Багато задач оптимізації мають надзвичайно великий простір можливих розв’язків.

Емерджентні алгоритми використовують колективну динаміку для пошуку перспективних областей.

Приклади:

  • ACO;
  • PSO;
  • генетичні алгоритми;
  • еволюційні стратегії;
  • штучні рої.

У таких системах немає гарантії, що кожен локальний крок наближає до глобального оптимуму. Натомість колективна динаміка дозволяє досліджувати простір розв’язків.

Емерджентні обчислення і хаотичні системи

Хаотична система демонструє:

  • детерміновану динаміку;
  • сильну залежність від початкових умов;
  • довготривалу непередбачуваність;
  • складні траєкторії.

Хаос може бути проблемою для обчислень, але також ресурсом.

Reservoir computing, наприклад, використовує складну нелінійну динаміку для прогнозування часових рядів. Саме здатність динамічних систем генерувати багатовимірні представлення є фундаментом цього підходу.

Практичні застосування

Емерджентні обчислення потенційно застосовуються у:

  • штучному інтелекті;
  • машинному навчанні;
  • прогнозуванні часових рядів;
  • розпізнаванні сигналів;
  • робототехніці;
  • swarm robotics;
  • оптимізації;
  • моделюванні екосистем;
  • екології;
  • соціальних системах;
  • нейроморфних процесорах;
  • фізичних AI-прискорювачах;
  • edge computing;
  • сенсорних мережах;
  • молекулярному моделюванні;
  • біологічних обчисленнях;
  • нанотехнологіях;
  • фотонних процесорах;
  • магнітних і спінтронних системах.

Reservoir computing, зокрема, досліджується для задач обробки часових послідовностей, прогнозування, мовних і сенсорних сигналів та real-time processing.

Edge computing

Фізичні емерджентні системи можуть бути особливо цікавими для edge computing, де обробка виконується безпосередньо поблизу сенсора.

Переваги:

  • низька затримка;
  • менше передавання даних у хмару;
  • можливість автономної роботи;
  • низька вимога до пропускної здатності мережі;
  • потенційно нижче енергоспоживання.

Фізичний reservoir computing прямо розглядається як кандидат для швидкої локальної обробки часових сигналів та edge AI.

Кібернетична перспектива

Кібернетика розглядає системи через:

  • керування;
  • зворотний зв’язок;
  • інформацію;
  • стійкість;
  • адаптацію.

Емерджентні обчислення розширюють цю перспективу: замість проектування центрального контролера можна проектувати мережу локальних регуляторів, з якої глобальна стабільність або цільова поведінка виникає колективно.

Філософське значення

Емерджентні обчислення змінюють традиційне розуміння того, що означає «виконувати алгоритм».

У класичному підході алгоритм існує як абстрактна послідовність операцій.

В емерджентному підході алгоритмічна поведінка може бути властивістю фізичної або колективної динаміки.

Це породжує фундаментальне питання:

чи є обчислення фундаментальною властивістю лише штучно створених машин, чи воно може бути природною властивістю достатньо організованої фізичної динаміки?

Прихильники широкого підходу до natural computation розглядають фізичні, біологічні та соціальні процеси як потенційні форми обчислення. Більш консервативний підхід вимагає чіткого визначення кодування, функції та способу зчитування результату.

Обчислення в природі

Прикладами процесів, які досліджують як потенційні природні обчислення, є:

  • розвиток організмів;
  • нейронна активність;
  • імунні реакції;
  • колективна поведінка тварин;
  • екологічна самоорганізація;
  • генетична регуляція;
  • хімічна самоорганізація;
  • фізичні фазові переходи.

Однак твердження «природа обчислює» має різні інтерпретації. У слабкому сенсі майже будь-яка динамічна система може бути інтерпретована інформаційно. У сильному сенсі необхідно показати конкретну обчислювальну функцію.

Відмінність від цифрової симуляції

Важливо розрізняти:

симуляцію емерджентної системи та

обчислення за допомогою самої емерджентної системи.

Якщо комп’ютер моделює клітинний автомат, це звичайне цифрове обчислення симуляції.

Якщо фізична система сама реалізує потрібну динаміку, а її стани використовуються для отримання результату, це вже фізичне unconventional або emergent computing.

Таким чином:

модель системи ≠ фізичний субстрат системи.

Поточний стан досліджень

Станом на 2026 рік емерджентні обчислення не є єдиною стандартизованою технологією на рівні класичної архітектури фон Неймана. Це радше міждисциплінарна парадигма, що об’єднує кілька напрямів.

Особливо активні напрями:

  • physical reservoir computing;
  • нейроморфні матеріали;
  • мемристивні мережі;
  • фотонні обчислення;
  • магнітні та спінтронні системи;
  • наноматеріали;
  • штучне життя;
  • swarm intelligence;
  • мультиагентні системи;
  • математична теорія емерджентності.

Сучасні огляди reservoir computing підкреслюють одночасний розвиток математичної теорії, алгоритмів і фізичних реалізацій, але також вказують, що для широкого промислового застосування ще необхідні краща теорія, стандартизовані оцінки, масштабованість та інтеграція з іншими технологіями.

Основні труднощі сучасного етапу

Найважливіші інженерні проблеми:

  • Контроль. Як отримати потрібну глобальну поведінку без прямого керування всіма компонентами?
  • Програмованість. Як систематично перетворити бажану функцію на локальні правила?
  • Верифікація. Як довести, що система завжди виконує потрібну функцію?
  • Відтворюваність. Як гарантувати однаковий результат у фізичних пристроях?
  • Масштабування. Як збільшувати кількість компонентів без втрати стабільності?
  • Шум. Як відокремити корисну динаміку від фізичного шуму?
  • Інтерфейс. Як ефективно вводити та зчитувати інформацію?
  • Енергетика. Як отримати перевагу над сучасною CMOS-електронікою?
  • Теорія. Як порівнювати різні фізичні субстрати за обчислювальною потужністю?

Фізичний reservoir computing перебуває саме в цій зоні активних досліджень: уже існує широкий спектр реалізацій, але універсальних методів порівняння їхньої потужності, енергоспоживання та масштабованості ще недостатньо. (DOI)

Перспективи

Найімовірніше, найближча практична перспектива емерджентних обчислень полягає не в повній заміні традиційних комп’ютерів, а в гібридних архітектурах.

Наприклад:

  • класичний процесор + фізичний reservoir;
  • CPU/GPU + нейроморфний прискорювач;
  • цифрова система + оптичний reservoir;
  • роботи + локальні правила swarm intelligence;
  • AI + мультиагентна емерджентна система.

У такій архітектурі традиційний комп’ютер виконує те, що добре формалізується, а емерджентний субстрат — те, що природно реалізується його динамікою.

Загальна схема емерджентного комп’ютера

Концептуально:

Вхідні дані
↓
Локальні взаємодії
↓
Нелінійна динаміка
↓
Самоорганізація
↓
Емерджентні стани
↓
Зчитування
↓
Обчислювальний результат

Для фізичної реалізації:

Input → Physical substrate → Emergent dynamics → Measurement → Readout → Output

Ключова ідея

Найкоротше визначення емерджентного обчислення можна сформулювати так:

Емерджентне обчислення — це отримання корисної обчислювальної функції через колективну динаміку системи, у якій глобальна поведінка виникає з локальних взаємодій компонентів, а не задається повністю централізованим алгоритмом.

Його принципова відмінність від традиційного обчислення полягає не просто в кількості процесорів, паралельності або використанні біологічних аналогій. Суть полягає в перенесенні частини обчислювальної організації з явної програми на динаміку системи.

Саме тому клітинний автомат, мурашина колонія, нейронна мережа, рій роботів, фізичний reservoir, магнітна мережа або біологічна система можуть розглядатися як різні прояви однієї фундаментальної ідеї: складна обчислювальна функція може виникати з відносно простих локальних процесів, якщо структура взаємодій і динаміка системи забезпечують необхідне передавання, зберігання та перетворення інформації. (MDPI)

Емерджентні обчислення являють собою не один конкретний алгоритм і не один тип процесора, а спосіб розуміння та проектування обчислювальних систем.

Їхній фундаментальний принцип:

просте локальне правило + багато взаємодіючих компонентів + нелінійна динаміка + самоорганізація = потенційно складна глобальна обчислювальна поведінка.

Від клітинних автоматів і мурашиних колоній до нейронних мереж, ройових роботів і фізичних reservoir computers ця ідея демонструє, що обчислення може бути не лише послідовністю інструкцій, виконуваних центральним процесором, а властивістю самої організації та динаміки системи. Сучасні дослідження поступово переводять цю ідею від математичних моделей до фізичних обчислювальних пристроїв, де матеріал, мережа або колектив агентів стають безпосереднім носієм обчислювальної функції.

Дещо інше: