Thread by @Germ1Lvis

Après la randonnée, passons à la #plongée pour voir si l'évolution ne serait pas le meilleur des processus d'#optimisation. Pas de généralisation"la nature, c'est mieux", les formules "dame nature", "à voulu", autre joyeuseté ne seront donc que des tournures poétiques. #DarwinWin

https://twitter.com/Germ1Lvis/status/1439268473625092101

Les #sphyrnidae (ou requins marteaux) sont une famille #poisson qui, vous le savez peut-être déjà, a l'originalité de ne pas être profilé comme les autres. Une tête plate, comme d'autre #requin, mais large formant un T caractéristique.

Les biologistes nous affirment que cette forme permet un meilleur #odorat et les yeux aux extrémités du T une meilleure #vue. Je traduis à ma façon :

+ de place pour les capteurs #optiques, #nociceptifs et #électromagnétiques (grâce aux ampoules de #Lorenzini).

#requin

Hors le nombre de #capteurs, les emplacements plus éloignés permettent d'affiner les mesures (ou palier à des capteurs peu précis) par le truchement de la #parallaxe.

#géometrie

Plein de questions :
1⃣ Quel #processus est à l'œuvre pour permettre à ce prédateur d'exister, en plus des autres ?
2⃣ Si avec l'#évolution, l'optimum gagne, pourquoi tous les requins ne sont pas tous les mêmes ?
3⃣ Le #requin marteau est-il #optimum ? Et si oui, pourquoi ?

L'#évolution, en gros
Mille excuses, approximations biologiques, #CritiqueAdmise
La reproduction des animaux passe par la #méiose, un brassage génétique qui concluent à la formation d'organismes unique combinant de façon + ou - avantageuse les caractéristiques des parents.

Tous les enfants, même issus de même parents naissent différents (léger bémol sur les vrais jumeaux). L'environnement dans lequel va vivre chaque enfant et les contraintes de ce milieu déterminera s'il meurt ou survie jusqu'à pourvoir se reproduire.

Et ainsi de suite, #génération après générations ... perpétuant les caractéristiques les plus #adaptés et supprimant celle les moins adaptés.
En vidéo, exemple de générations de #bactéries colonisant des milieux de plus en plus hostile

🌳On arrive à de multiples solutions adaptées (avec aussi énormément de branches éteintes), favorisé par la diversité des environnements sur 🌏, mais aussi rythmé par la survenue d'événements surprise modifiant radicalement et rapidement le milieu pendant de nombreuse année.

Moi et mon ordinateur, je veux faire mieux !

Extraire des caractéristiques, je sais faire :

▫️ Dimension crane en X, Y et Z
▫️ Topologie générale du crâne
▫️ Rugosité de la peau
▫️ Position des capteurs
▫️ Caractéristique des capteurs
▫️ ...

Génération #aléatoire
S'il faut générer des "enfants" avec des combinaisons aléatoires de ces caractéristiques, une fonction tableur pourrait suffire.

𝑀𝒶𝒱𝒶𝓁𝑒𝓊𝓇𝟣=𝑅𝒶𝓃𝒹(𝑀𝒾𝓃𝒾𝓂𝓊𝓂;𝑀𝒶𝓍𝒾𝓂𝓊𝓂)

Si on connait les lois, on sait les appliquer. Simulons donc des contraintes d'environnement, résultat vie/mort ? On peut avoir des résultats continus plutôt que discret, par exemple en mesurant le nombre d'enfants plutôt que la survie jusqu'à 1er enfant.
nature.com/articles/s4159…

Et puisque c'est de l'#informatique, pas la peine d'attendre une majorité sexuelle et 9 à 10 mois de gestation (c'est le chiffre chez les #requins marteaux), on itère ! Encore ? Aller encore ? ... [et quelques centaines d'#itérations plus tard] ... On constate ...

Avec 2 parents de base, à moyenne de 100 enfants par paire de parent, avec un taux de survie de 4%, au bout de seulement 50 de cycles, on a eu :
5,6∙10¹⁶ individus créés au total
1,1∙10¹⁵ possibilités viables en génération finale

Parmi cette multitude, il est aisé de sélectionner une dizaine de champions pour trouver l'élu comme dans ce tableau de résultat de conception générative réalisée dans Fusion 360

So, #Darwin rules ?
Les algorithmes évolutionnaires ou génétiques sont de puissants outils pour l'optimisation. Dans la nature, la variété des résultats permet la résilience de la vie dans tous les environnements malgré parfois des changements soudain des écosystèmes.

Sur une conception de pièce, on arrive plusieurs solutions optimums (contrairement à la descente de gradient qui conclue à des optimums locaux). Le choix final peut se faire sur des critères plus nombreux.

Avis personnel : En mécanique, les optimisations sur base de génération évolutives usent de temps de calcul pour conclure à des résultats viables bien supérieur à la descente de gradient et le choix du concept finit de façon assez subjective.

D'ordre général, je réserverais ce type d'optimisation à des pièces dont certains critères sont difficilement implémentable (Physique complexe, Esthétisme, ...)

Aller plus loin :
▫️ Tweet @BigBangSciCom

https://twitter.com/BigBangSciCom/status/1166298856956530688?s=20

▫️ #BTS Méiose de @18Maarie twitch.tv/videos/1160896…
▫️ Algorithmes évolutionnaires par @ChatSceptique
▫️ Étude portant sur la simulation fluide sur un requin marteau nature.com/articles/s4159…