Schuler Inteligencia Artificial

DA FSICA INTELIGNCIA EXTRASSOMTICA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

INSTITUTO DE INFORMTICA
BACHARELADO EM CINCIA DA COMPUTAO
por
Joo Paulo Schwarz Schler

Projeto de Diplomao
Prof. Luis Otavio Alvares

Orientador
Porto Alegre, janeiro de 2000.
ndice geral
Lista de Abreviaturas..................................................................................................................4
Lista de Figuras...........................................................................................................................5
Lista de Tabelas...........................................................................................................................6
Resumo........................................................................................................................................7
Abstract........................................................................................................................................8
Anlise de Trabalhos j Realizados...........................................................................................9
1 Introduo...............................................................................................................................10
2 Fundamentos de Fsica...........................................................................................................11
2.1 Introduo.......................................................................................................................11
2.2 Entropia..........................................................................................................................11
2.3 Tunelamento...................................................................................................................14
2.4 Princpio da Incerteza de Heisenberg............................................................................15
2.5 Fundamentos de Fsica Quntica...................................................................................16
3 Caos........................................................................................................................................18
3.1 Introduo.......................................................................................................................18
3.2 Equaes de Lorenz.......................................................................................................22
3.3 Caos na atmosfera de Jpiter.........................................................................................23
3.4 Fractais............................................................................................................................24
3.5 O Fractal de Mandelbrot................................................................................................25
4 Computao Biolgica...........................................................................................................27
4.1 Resumo da Evoluo da Vida na Terra.........................................................................27
4.2 Fundamentos de Qumica Orgnica..............................................................................28
4.3 Fundamentos de Codificao Gentica.........................................................................29
4.4 DNA e Tcnicas de Programao.................................................................................30
4.5 Evoluo dos Seres Superiores.....................................................................................32
5 Autmatos Celulares..............................................................................................................33
5.1 Introduo.......................................................................................................................33
5.2 Autmato Celular 1D.....................................................................................................33
5.3 Gramtica Bidimensional..............................................................................................33
5.4 Game of Life..................................................................................................................35
5.5 Implementao do Life..................................................................................................37
6 Inteligncia Artificial.............................................................................................................40
6.1 Breve Discusso sobre Naturalidade x Artificialidade................................................40
6.2 Algoritmos......................................................................................................................40
6.3 Mquina de Turing.........................................................................................................40
6.4 Heursticas......................................................................................................................41
6.5 Algoritmos e Heursticas...............................................................................................41
6.6 Quadrado Mgico...........................................................................................................41
6.7 Uma Heurstica para Encontrar Quadrados Mgicos...................................................42
7 A Inteligncia Extrassomtica...............................................................................................45
7.1 Introduo.......................................................................................................................45
7.2 A Necessidade da Evoluo e Adaptao do Conhecimento......................................46
8 Concluses..............................................................................................................................48
8.1 Introduo.......................................................................................................................48
8.2 Concluses na Fsica......................................................................................................48
8.3 Concluses na Teoria do Caos......................................................................................48
8.4 Concluses na Computao Biolgica..........................................................................49

8.5 Concluses nos Autmatos Celulares...........................................................................49
8.6 Concluses na Inteligncia Artificial............................................................................49
8.7 Concluses na Inteligncia Extrassomtica..................................................................50
9 Sugestes para Trabalhos Futuros.........................................................................................51
Anexo 1 - Cdigos Fontes e Programas Executveis .............................................................52
Anexo 2 - O Software Magic Square Maker...........................................................................53
Anexo 3 - O Software Double Fractal......................................................................................54
Introduo.............................................................................................................................54
Implementao.....................................................................................................................56
Bibliografia................................................................................................................................59
Lista de Abreviaturas
IA
inteligncia artificial
DNA
cido desoxirribonuclico
fig. .
figura
pg.
pgina
sec.
seco
tab.
tabela
UCP
unidade central de processamento
Lista de Figuras
FIGURA 2.1- Absoro e reflexo de ftons pela superfcie.................................................14
FIGURA 2.2 - Os eltrons devero tunelar atravs da barreira de vcuo..............................15
FIGURA 2.3 - A bolinha de energia E tenta ultrapassar uma barreira de energia U............15
FIGURA 3.1 - simulao de corpos no vcuo sob efeito gravitacional no vcuo.................21
FIGURA 3.2 - simulao de corpos no vcuo sob efeito gravitacional no vcuo ................21
FIGURA 3.3 - Equaes de lorenz..........................................................................................22
FIGURA 3.4 - Borboleta gerada com as Equaes de Lorenz..........................................23
FIGURA 3.5 - Vista de uma regio do Tringulo de Sierpinski...........................................25
FIGURA 3.6 - fractal de Mandelbrot.......................................................................................26
FIGURA 5.1 - Exemplo de definio de transio de estado para um autmato celular que
gera estrutura semelhante ao tringulo de Sierpinski.............................................................33
FIGURA 5.2 - Comportamento de um autmato celular 1D ao longo do tempo definido
com as regras da Fig. 5.1. Os estados 0 e 1 foram trocados por . e X...................................33
FIGURA 5.3 - Um exemplo de regras de produo bidimensionais......................................34
FIGURA 5.4 - Um exemplo de produo bidimensional.......................................................35
FIGURA 5.5 - Algumas Colnias Estveis.............................................................................36
FIGURA 5.6 - Algumas Colnias Cclicas .............................................................................37
FIGURA 6.1- Trs quadrados mgicos de ordem 4...............................................................41
FIGURA 6.2 - quadrado mgico de ordem 22.......................................................................42
FIGURA 6.3 - Matriz Inicial....................................................................................................42
FIGURA 6.4 - Matriz Aleatria...............................................................................................42
FIGURA 6.5 - Comportamento catico da heurstica.............................................................43
Lista de Tabelas
TABELA 3.1 - Resultados obtidos com a classe TCaos........................................................19
TABELA 4.1 - Bases encontradas no cdigo gentico...........................................................28
TABELA 4.2 - Comparao entre o DNA e o computador digital........................................29
TABELA 4.3 - Enzimas de restrio e DNAs virais ..............................................................30
Resumo
O presente trabalho procura na fsica, matemtica, biologia e cincia da computao
respostas para problemas da Inteligncia Artificial. Teoria do caos, entropia e tunelamento
so introduzidos. Teoria do caos e entropia so usadas para explicar o aparecimento de vida
e inteligncia na Terra e comparadas com o comportamento do autmato celular Game of
Life. Uma heurstica para procurar quadrados mgicos apresentada demostrando seu
comportamento catico. A possibilidade de construo de hardware baseado no
comportamento probabilstico do tunelamento apresentada assim como sua aplicabilidade
em heursticas. Finalmente, proposto que a inteligncia artificial ou extrassomtica um
passo evolutivo na evoluo no tratamento da informao.
Abstract
The present research on physics, math, biology and computer science brings
answers to artificial intelligence problems. Chaos theory and entropy are also considered.
They are both used to explain the life and intelligence evolution on Earth and are both
compared with Game of Life cellular automata behavior. In order to research magic
squares, a heuristic is shown presenting a chaotic behavior. The possibility to construct a
random hardware is based on tunneling technology. Finally, the proposal is presented that
extrassomatic or artificial intelligence is an evolutive step on information management.
Anlise de Trabalhos j Realizados

A procura de respostas na fsica e matemtica para problemas da inteligncia
artificial no novidade. Em seu livro A Mente Nova do Rei [PEN89], Roger Penrose
analisa profundamente aspectos da fsica quntica, cosmologia e caos como um meio para
apresentar seus pontos de vista. Na introduo de seu livro, Penrose declara muito bem o
que pretende: ... posso pelo menos dizer que, segundo o meu ponto de vista, a nossa atual
falta de entendimento das leis fundamentais da fsica que nos impede de entender o
conceito de mente em termos fsicos ou lgicos.. O livro de Penrose inspirou o autor do
presente texto durante anos. O presente texto no nem de longe um resumo do trabalho de
Penrose. Enquanto Penrose fixa-se quase que exclusivamente na fsica, matemtica e
cincia da computao, o presente texto aborda aspectos como o aparecimento da vida e
inteligncia na Terra e uma forma diferenciada de estudar caos e entropia. Nos aspectos
relativos ao aparecimento de vida na Terra e sua lgica, a abordagem sobre o
funcionamento do DNA torna-se crucial.
A leitura do trabalho de Penrose exige muito de seu leitor passando por tpicos
extremamente densos de forma muito rpida durante suas 500 pginas. Sendo assim, para
dar sustentao leitura, foram muito teis os livros de Paul Davies[DAV94] [DAV96],
Halliday-Resnick-Walker[HRWa 94] [HRWb 94] e Stephen W. Hawking[HAW88] .
10
Introduo
1 Introduo
O objetivo do presente trabalho de diplomao procurar na fsica, matemtica,
biologia e cincia da computao respostas para problemas da Inteligncia Artificial.
evidente que tal discusso estar ligada a definio de inteligncia. Ainda que o trabalho
seja terico, sero apresentados modelos implementados em Pascal que fundamentaro
certas argumentaes. Sero apresentados algoritmos de autmatos celulares para
fundamentar argumentaes relativas ao aparecimento e evoluo da vida na Terra. Um
algoritmo para deteco de quadrados mgicos por meio de uma heurstica ser apresentado
tendo em vista que diversas propriedades das heursticas podem ser observadas durante sua
execuo. Vrios modelos matemticos sobre caos sero apresentados com o intito de
evidenciar certas propriedades de sistemas dinmicos.
Para discutir sobre inteligncia artificial, devemos entender a inteligncia natural e
sua origem nos seres biolgicos. Para entender o estado atual da biologia na Terra,
devemos entender por quais estgios e que regras definiram a evoluo da biologia e do
planeta. Certamente o objetivo proposto exigir conhecimentos de diversas reas de estudo
e pesquisa passando por biologia, fsica, caos e naturalmente cincia de computao.
Nos primeiros seres vivos da Terra, toda a sua informao estava presente em seu
DNA. Quando os primeiros crebros evoluram, tivemos os primeiros seres vivos que
tinham conhecimento extragentico. Em certo momento, os primeiros seres que possuam
mais conhecimento em seu crebro (extragentico) que em seu DNA apareceram. Quando
os seres humanos comeam a desenhar e escrever pondo os frutos de sua inteligncia fora
de seu crebro, surge o conhecimento extrassomtico. No momento em que passamos a
depositar no apenas o nosso conhecimento como tambm os mtodos pelos quais
resolvemos problemas (inteligncia) de tal forma que mquinas possam solucionar
problemas de forma automtica, estamos dando um passo to grande quanto ao de inventar
a escrita ou de evoluir um crebro. Agora, estamos gerando no apenas conhecimento
extrassomtico como tambm inteligncia extrassomtica.
O presente trabalho discorre sobre leis da fsica, teoria do caos, aparecimento da
vida e da inteligncia na Terra e cincia da computao com enfoque nos aspectos de
interesse para a inteligncia artificial.
11
Fundamentos de Fsica
2 Fundamentos de Fsica
2.1 Introduo
Muitos assuntos podem vir a ser interessantes quando estamos discutindo sobre
inteligncia artificial. A razo pela qual vamos abordar assuntos da fsica como entropia e
fsica de partculas apresentar sua importncia na discusso sobre o aparecimento
espontneo de vida no nosso planeta e fundamentar alguns conceitos sobre o entendimento
do nosso universo. Posteriormente, a entropia ser relacionada com o Game of Life, sendo
este o motivo de um aprofundamento detalhado. A fsica de partculas importante para
entender o determinismo ou no determinismo do nosso universo. Entender o nosso
universo entender o universo que gerou vida. Entender a vida entender o ambiente em
que se formou a mente. Se queremos discutir sobre mentes artificiais, devemos discutir
sobre fsica e teoria do caos.
2.2 Entropia
Todos ns estamos acostumados a algumas leis fundamentais do nosso mundo. Em
um dia quente, se em um copo que inicialmente possua apenas gua aparecer um gelo
boiando espontaneamente, teremos um fato espantoso. De outra maneira, assistir a um gelo
degelar espontaneamente em um copo de gua um evento bem comum. Existem
seqncias de eventos que somente ocorrem em uma direo do tempo. Isto significa que
eles somente ocorrem de uma maneira e no da maneira inversa. Os eventos espontneos
ocorrem segundo a segunda lei da termodinmica. a segunda lei da termodinmica que
define que os eventos somente podem ocorrer de uma maneira e no de outra.
Segunda lei da termodinmica: impossvel haver fluxo de calor de um
corpo para outro a uma temperatura mais alta, sem a ocorrncia de outra
mudana. [HRWa 94]
Um exemplo simples da segunda lei da termodinmica uma xcara de ch que
continuamente perde calor para o ambiente mais frio. Um outro exemplo mais complexo e
interessante da segunda lei da termodinmica a geladeira. Uma geladeira retira calor de
seu interior mais frio para dissip-lo no ambiente mais quente. Isso somente possvel pelo
fato de que a geladeira recebe energia eltrica para suas funes. A passagem de calor
contra o gradiente de temperatura s possvel em um ambiente maior em que a
termodinmica vale. No caso da geladeira, a energia de uma usina de fora enviada para a
geladeira e convertida em calor pelo motor da geladeira. A outra mudana citada na
definio apresentada pode ser vista aqui como o consumo de energia eltrica da geladeira.
Em 1856, o fsico alemo Hermann von Helmholtz, baseando-se na segunda lei da
termodinmica, disse : o universo est morrendo. [PDA94] O calor pode ser descrito
como o grau de excitao molecular. O fluxo de calor sempre ocorre em uma direo no
tempo. Quanto mais quente est um corpo, maior ser sua excitao molecular. A seta do
fluxo de calor que aponta do quente para o frio est associada seta do tempo que aponta
do passado para o futuro. No existe fluxo sem tempo. O fluxo percebido com a
passagem do tempo. Se o tempo irreversvel, o fluxo irreversvel.
12
Helmholtz sabia que a atividade fsica de um sistema fechado no dura para

sempre. Assim como um carro no pode andar para sempre sem ser abastecido, de alguma
forma as estrelas no poderiam dissipar energia para sempre. Considerando que no existe
nada alm do universo, o universo est em um ambiente fechado e que no possui fontes
exteriores para o abastecimento. Podemos concluir que o universo pode cair em um
estado onde a temperatura homognea em todo universo. Sendo assim, no haver fluxo
de calor e o o universo est morrendo porque est caminhando para um estado onde no
haver troca de calor. O estado em que no ocorre mais troca de calor porque todo o
universo atingiu a mesma temperatura chamado de estado entrpico mximo. A
concluso de que o universo est morrendo uma conseqncia imediata das leis da
termodinmica.
Se o universo est morrendo, a quantidade de tempo que existe em seu passado
finita. As leis da termodinmica mostram que impossvel qualquer universo com as leis
do nosso universo ser eterno. Em um universo, no pode existir fluxo de calor para sempre.
Mais cedo ou mais tarde, o universo acabaria caindo no estado entrpico mximo.
A entropia pode ser definida como uma medida de desordem atmica. Na escala do
universo, a entropia pode ser definida como o grau de desorganizao do universo.
Inicialmente, imaginemos uma piscina cheia em que um lado est totalmente ocupado de
tinta vermelha e o outro est cheio de tinta azul. Depois de algum tempo, a tinta comear a
se misturar. Certamente, por fora espontnea, as tintas nunca se separaro novamente. O
grau de desorganizao somente cresce ou se mantm igual. Nesse caso e sempre, a
entropia somente cresce ou se mantm.
Definio entrpica da segunda lei da termodinmica: Em qualquer
processo termodinmico que evolui de um estado de equilbrio para outro, a
entropia do conjunto sistema + vizinhana ou permanece inalterada ou
aumenta.[HRWa 94]
Ludwig Boltzmann indicou que a desordem pode ser medida quantitativamente
[HRWa 94]. De fato, existe a frmula S = k log W, onde S a entropia, W a medida de
desordem do sistema e k a constante de Boltzmann que vale 1.38 10 23 J K . Para
saber se um evento pode acontecer de forma espontnea, basta verificar se sua variao de
entropia positiva. Afirmar que a variao de entropia positiva significa que o estado
final possui maior entropia que o estado inicial respeitando a segunda lei da termodinmica.
Este o fato pelo qual um gelo no aparece espontaneamente em um copo de gua em um
dia quente. O aparecimento espontneo do gelo implicaria em uma variao negativa da
entropia. De outra forma, o gelo derrete espontaneamente apresentando uma variao de
entropia positiva .
Considerando que a entropia nunca diminui, a entropia do universo pode crescer

infinitamente? Para responder, vamos abordar um modelo: dois corpos em contato, isolados
do mundo exterior e com temperaturas distintas. Aps algum tempo, a temperatura de
ambos os corpos ser a mesma. Nesse ponto, a entropia ser mxima no podendo crescer
mais. Sendo assim, o universo tambm possui um ponto terico de entropia mxima do
qual no passar.
13
A histria da vida a histria do crescimento da complexidade organizada.

Paradoxalmente, enquanto a segunda lei da termodinmica descreve um universo que
caminha para a morte, estruturas de complexidade maior evoluem. A vida um sistema
altamente complexo e organizado que evolui ao longo do tempo. A explicao est no fato
de que para gerar um sistema organizado necessrio pagar um preo entrpico. A entropia
e a desordem so a negao de ordem e informao. Ordem e informao no vivem juntas
necessariamente. Um cristal um sistema altamente organizado que carrega pouca
informao ao considerar sua extrema redundncia; porm, uma bactria um sistema
altamente organizado que carrega grandes quantidades de informao em seu DNA. Existe
uma regra de incremento de complexidade operando no universo paralelamente segunda
lei da termodinmica. Um exemplo dessa regra a evoluo da vida na Terra em que
podemos ver a complexificao da biologia planetria ao longo de milhes de anos.
Graas sua organizao, a vida apresenta baixa entropia. Seres vivos podem at
mesmo apresentar variaes negativas em sua entropia em que seu estado final possui
menor entropia do que seu estado inicial. Isso no nega a entropia. Quando encontramos
um sistema que apresenta variao negativa de entropia, este sistema est inserido em um
sistema maior que apresenta variao positiva de entropia validando a segunda lei da
termodinmica. A vida passa o tempo todo defendendo sua organizao frente s ameaas
do mundo exterior, defendendo sua organizao interna. Os sistemas imunolgicos so
exemplos clssicos de defesa da organizao corprea. A luta travada no sentido de
desabilitar ou aniquilar o invasor. Defender a estrutura atual frente ameaa da entropia
defender a organizao da desorganizao.
Uma das caractersticas da vida a baixa entropia. Existem eventos naturais capazes
de apresentar baixa entropia em um determinado ponto. Onde existe vida, existe baixa
entropia. A baixa entropia pode ser observada no apenas sob o aspecto da organizao
qumica de um ser vivo como tambm podemos observar baixa entropia nos seus produtos.
A vida animal responsvel por grande quantidade de metano que jogada na atmosfera
terrestre. Considerando que o metano reage com outros gazes da atmosfera terrestre, a
presena de metano na atmosfera garante que ela fique longe do seu estado de equilbrio
qumico. Considerando que o estado de equilbrio o estado de mxima entropia, sob o
aspecto atmosfrico, a vida garante que a atmosfera fique fora do seu estado de equilbrio e
fora do seu estado de entropia mxima. O estado de equilbrio o estado de entropia
mxima. Qualquer situao que no poderia ocorrer de forma espontnea, apresenta baixa
entropia. Quando procuramos ondas de rdio vindas do espao exterior para efeitos de
deteco de vida inteligente aliengena, procuramos por uma onda de rdio que no poderia
ser gerada de forma espontnea ou natural. Procuramos por uma onda de rdio que possui
um padro definido e organizado. Procuramos por uma onda de rdio de baixa entropia.
A quantidade de energia que a Terra dissipa no espao semelhante a quantidade de
energia que a Terra recebe do Sol. [PEN 89] A energia recebida do Sol vem em ftons de
alta freqncia e a energia dissipada no espao enviada em ftons de baixa freqncia.
Por motivos no apresentados aqui, a entropia dos ftons que chegam menor do que a
entropia dos ftons que saem sendo que a quantidade de energia a mesma. A Terra recebe
energia de baixa entropia e devolve energia de alta entropia. [PEN 89]
14
FIGURA 2.1- Absoro e reflexo de ftons pela superfcie
De certa forma, a vida se alimenta da baixa entropia. As plantas usam a luz solar de
baixa entropia para fabricar oxignio molecular e matria orgnica liberando ftons de
baixa freqncia e alta entropia. Lembrando que uma das caractersticas da vida a baixa
entropia, quando um animal come uma planta, ele est se alimentando de uma fonte de
energia de baixa entropia.
O Sol uma grande fonte de energia de baixa entropia. [PEN89] O Sol possui uma
imensa regio com altas temperaturas e cercado por uma vasta rea com temperaturas
absurdamente mais baixas. Esse desequilbrio trmico garante uma baixa entropia. As
plantas aproveitam a energia de baixa entropia solar para desenvolver estruturas notveis e
complexamente organizadas.
Podemos abordar a entropia de forma mais abstrata para efeitos de computao. Em
uma computao do tipo 1 + 2 = 3, a informao de entrada descartada quando o
resultado 3 encontrado permitindo uso melhor aproveitado de seus recursos de memria.
Esse um exemplo tpico de uma memria de rascunho onde os operandos so descartados
quando no mais necessrios. A operao de descarte irreversvel e envolve um
incremento na entropia. A entropia do universo incrementada pela computao.
2.3 Tunelamento
O projeto dos circuitos que compem uma CPU moderna baseia-se em uma fsica
determinista. No ltimo captulo do presente trabalho, ser vista a utilidade de construir
circuitos probabilsticos alm dos determinsticos na sua aplicabilidade em implementao
de heursticas. Por hora, apenas estudaremos o comportamento probabilstico de algumas
partculas.
Por exerccio de imaginao, joguemos uma bola contra uma parede. No mundo
real, podemos ter certeza de que a bola bater e voltar. A parede uma barreira
intransponvel e a bola certamente ser refletida. Ainda por imaginao, suponhamos que o
comportamento da bola seja probabilstico e que ela tenha uma probabilidade de
desaparecer de um lado da parede e aparecer do outro. Esse comportamento da bola que
15
desaparece e reaparece do outro lado chamado de

tunelamento. Obviamente, o tunelamento no ocorre
em bolas. O tunelamento pode ser observado em
partculas regidas por probabilidades como o eltron.
Vamos supor que a bola substituda por um eltron;
o ar ambiente, por metal condutor; a barreira, por uma
fina camada de vcuo. Nessas condies, existe uma
probabilidade que um eltron tunele pela barreira.
No h como saber previamente se um eltron vai
tunelar ou no. A nica coisa que podemos calcular
qual ser a sua probabilidade de tunelar. [PEN89]
[HRWb 94] [HAW 88]
FIGURA 2.2 - Os eltrons devero

tunelar atravs da barreira de vcuo
Se o universo feito de partculas de

comportamento regido por espaos de probabilidade,
dado um estado atual do universo no poderemos
calcular o prximo estado do universo. Assim como
suas partculas, o universo no previsvel. Sendo
assim, o futurologismo sempre envolver incerteza.
No
prximo
captulo,
relacionaremos
o
comportamento probabilstico do eltron com a teoria
do caos e encontraremos resultados ainda mais
contundentes.
Uma outra analogia ao tunelamento pode ser feita. Vamos supor que lanamos uma
bolinha em uma superfcie sem atrito na direo de uma elevao sem energia para
ultrapassa-la e , para surpresa de todos, a bolinha aparece do outro lado da elevao.
FIGURA 2.3 - A bolinha de energia E tenta ultrapassar uma barreira de energia U
Na figura acima, a energia E da bolinha menor que a barreira de energia U. A

nica maneira de transpor a barreira o tunelamento em que E < U. A probabilidade do
eltron tunelar depende do tamanho de U. Quanto menor for U, mais provvel ser o
tunelamento.
2.4 Princpio da Incerteza de Heisenberg

No incio do sculo XIX, o marqus de Laplace argumentou que o universo era
determinstico[HAW88]. Na viso de Laplace, bastaria sabermos o estado completo do
universo e as leis fsicas que o regem para podermos calcular os estados futuros do
universo. Por meio de clculos, seria possvel prever qualquer coisa que desejssemos
dependendo apenas da capacidade para realizar clculos.
Princpio da Incerteza de Heisenberg: quanto mais precisamente se tentar
16
medir a posio de uma partcula, menos se pode medir sua velocidade, e

vice-versa.
Considerando no ser possvel determinar a velocidade e a posio de uma partcula
ao mesmo tempo, o estado atual de uma partcula no pode ser determinado.
Conseqentemente, o estado atual do universo tambm no pode ser determinado. O
princpio da incerteza no vale para uma bola de tnis; o princpio da incerteza vale
somente para partculas. Em uma nota de rodap, Richard Feynman expe seu pensamento:
Gostaria de colocar o princpio da incerteza no seu lugar histrico.

Quando as idias revolucionrias da fsica quntica estavam aparecendo,
as pessoas tentavam entende-las em termos de idias antiquadas ( isto , da
falcia da bolinha)... . Porm, num certo ponto, as idias antiquadas
comearam a falhar, e ento se estruturou um aviso que dizia, na verdade,
essas idias antiquadas no valem nada (...). Se forem abandonadas e em
lugar delas adotadas as que estou explicando nestas palestras (...) no
haver necessidade de um princpio da incerteza! [HRWb 94]
O que Feynman est propondo que no devemos pensar no eltron como uma
esferinha; devemos pensar no eltron como uma onda de matria.[HRWb 94]
2.5 Fundamentos de Fsica Quntica

Devemos lembrar que o calor de um corpo simplesmente a atividade molecular
que o corpo possui. A atividade molecular do corpo pode ser verificada a alguma distncia
pela radiao eletromagntica que ele emite. Acreditava-se que um corpo aquecido emitiria
a mesma quantidade de energia entre dois e trs milhes de megahertz [HAW88]. Emitir a
mesma quantidade de energia em infinitas freqncias implica emitir uma quantidade
infinita de energia o que obviamente impossvel.
Em 1900, Marx Planck resolveu o problema propondo que no existem freqncias
infinitas. O nmero de freqncias entre dois e trs megahertz em que encontraremos
energia finito e a energia emitida somente em determinadas quantidades.
Em 1905, Einstein formulou a hiptese, que mais tarde foi confirmada, de que a luz
poderia se comportar como se toda energia estivesse concentrada em pequenos pacotes
discretos chamados de ftons.
A energia de um fton o produto da constante de Plank pela freqncia
da onda
Em 1917, Einstein props que a energia de radiao quantizada. Isso significa
afirmar que a energia somente verificvel em certos nveis enquanto que os nveis
intermedirios so proibidos. Isso equivale a afirmar que a energia de radiao somente
apresenta nveis energticos discretos. A energia de um eltron tambm quantizada
[HRWb 94]. Se pensarmos que a energia de um fton discreta, fica natural pensar que a
energia de um conjunto de ftons tambm ser discreta. Se a energia de um eltron
naturalmente quantizada, em uma determinada faixa de energias, a quantidade de bits
necessria para representar o nvel energtico de um fton ser finita. Em um intervalo
definido de energia, possvel representar o nvel energtico de um fton sem rudo de
quantizao.
17
A fsica quntica a fsica da quantizao. Enquanto estamos acostumados a ver o

mundo que nos rodeia de forma contnua, a fsica quntica trabalha com partculas e nveis
de energia discretos.
18
Caos
3 Caos
3.1 Introduo
O caos trabalha com o lado desordenado da natureza, com a atmosfera de planetas,
com o mar turbulento, variaes de populaes de animais e com oscilaes que vo da
bolsa de valores ao crebro. Quem estuda o caos est preocupado em entender o todo a
partir de suas partes: eltron, cromossomos ou neurnios. O caos procura um padro no
aleatrio; procura uma ordem na desordem; procura um padro de desordem verificada em
sistemas muito diferentes como o fluxo de fludos, o clima da Terra ou o crebro humano.
No incio do sculo, acreditava-se que dado um conhecimento aproximado das
condies iniciais de um sistema, seria possvel calcular o comportamento aproximado
desse sistema. Existia a percepo de que a rbita de Marte nunca influiria no
comportamento da atmosfera terrestre tendo em vista que acreditava-se que variaes de
estado muito pequenas poderiam ser desprezadas. Em uma experincia acidental,
executando um simulador atmosfrico em um computador modesto, Lorenz descobriu que
uma variao muito pequena no estado inicial de um sistema dinmico complexo pode
implicar numa variao muito grande no estado final desse sistema.[GLE87]
muito fcil verificar que a influncia de variaes mnimas no estado inicial de
um sistema podem acarretar grandes alteraes no estado final em um sistema dinmico
complexo. Nossas vidas so sistemas dinmicos complexos. Se o autor do presente trabalho
tivesse acertado 19 e no 20 questes da prova de portugus no vestibular da UFRGS, ele
no teria sido classificado entre os alunos aprovados do vestibular de 1993. Sendo assim,
se o autor atingisse somente 19 acertos, o leitor no estaria lendo este texto no presente
momento. Esse um exemplo de que o futuro est imensamente ligado a suas condies
iniciais.
Para prever o futuro, devemos ter uma medio absolutamente correta de seu estado
inicial. Vamos supor que nosso termmetro somente percebe variaes de temperatura de
escala de 1C. Sendo assim, quando quantificarmos a informao de temperatura para
inclu-la em um sistema computacional, estaremos perdendo informao da casa dos
dcimos. Por exemplo, uma temperatura de 12,4C ser quantificada em 12C; da mesma
forma, 12.3C tambm ser quantificada em 12C. Esse erro introduzido pelo sistema de
medio chamado de rudo de quantizao. O fato pelo qual no podemos prever a
meteorologia na escala de meses ou anos est no fato de que um erro de quantizao inicial
muito pequeno provoca um erro final muito grande pondo por terra toda a esperana de
saber hoje qual ser a condio climtica no dia 17/07/2000 por uma previso feita em
19/10/1999. O mesmo tipo de sistema computacional usado para prever a condio
climtica poderia ser usada para prever a cotao da bolsa de valores com as mesmas
restries.
Por falta de um prego, perdeu-se a ferradura; por falta de uma ferradura,
perdeu-se o cavalo; por falta do cavalo, perdeu-se o cavaleiro; por falta do
cavaleiro, perdeu-se a batalha; por falta da batalha, perdeu-se a
guerra[GLE87]
Ainda que a teoria do caos trabalhe com o fluxo determinista no peridico, mesmo
sendo determinista, a impossibilidade da determinao do futuro est no fato de que nossas
medies do mundo que nos cerca sempre incluiro simplificaes ou rudos de
19
Caos
quantizao.
Na maior parte do tempo, um grande nmero de fatores garante que o tamanho
populacional de determinada espcie se mantenha dentro de certos limites. Quando uma
espcie possui relativamente muitos indivduos, a populao dessa espcie tende a
diminuir. De outra maneira, quando o nmero de indivduos de uma determinada espcie
muito baixo, ela tende a crescer. Na dcada de 1970, George Oster, Jim Yorke e Robert M.
May [MAY92] propuseram uma frmula que descrevia o comportamento populacional de
uma forma impressionante:
X
Xt L
t
1
Xt
A frmula deve ser entendida na forma como segue: X o tamanho da populao

em um determinado instante do tempo podendo assumir valores no intervalo aberto (0;1).
Quando X est prximo de zero, a populao pode crescer sem se preocupar com limites de
superpopulao. Quando X est prximo de 1, a populao est prxima de seu ponto mais
alto e dever diminuir tendo em vista a dificuldade de crescimento imposta pela
superpopulao indicada pelo fator (1-X) garantindo o decrscimo populacional. L a
velocidade com que a populao cresce na forma ideal.
Foi implementado um programa em Pascal orientado para objeto para simular o
comportamento populacional descrito acima. Foi criada uma classe chamada de TCaos com
dois mtodos: SetValues que define os valores iniciais da simulao e o mtodo Get que
retorna os valores de X. A implementao de tal classe to simples que vale a pena ser
apresentada agora:
type TCaos = object
{ classe que gera numeros caoticos

{ fonte em PASCAL/DELPHI
{ Joao Paulo Schwarz Schuler
}
private
L:extended; { Lambda }
X:extended; { valor }
public
procedure SetValues(PLAMBDA,PX:extended);
{ seta valores iniciais para Lambda e T }
{ lambda deve ser maior que 3.57
}
function Get:extended;
{ devolve proximo valor }
end; { of class declaration }
procedure TCaos.SetValues(PLAMBDA,PX:extended);
{seta Lambda}
begin
L:=PLAMBDA;
X:=PX;
end;
function TCaos.Get:extended;
{ devolve proximo valor }
begin
X:=X*L*(1-X);
Get:=X;
end;
}
}
20
Caos
Um programa Pascal para apresentar os primeiros 20 nmeros da seqncia para um

valor de populao inicial 0.5 e L de 3.98 poderia ser o que segue:
var I:integer;
C:TCaos;
begin
C.SetValues(3.98,0.5);
for I:=1 to 20 do
writeln(C.Get:10:5);
end.
Foi afirmado vrias vezes que uma modificao muito pequena no estado inicial de
um sistema dinmico complexo implica em uma grande modificao em seus estados
futuros. Sendo assim, vamos a um exemplo numrico usando a classe TCaos. Foram
obtidos os seguintes resultados nos primeiros 20 ciclos para o valor de L=3.98.
TABELA 3.1 - Resultados obtidos com a classe TCaos
Ciclo
Primeira Simulao
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0.5000000000
0.9950000000
0.0198005000
0.0772455920
0.2836892678
0.8087744753
0.6155401272
0.9418689064
0.2179124408
0.6782979035
0.8684752332
0.4546194900
0.9868036250
0.0518284780
0.1955863016
0.6261825549
0.9316302921
0.2535072579
0.7531804859
0.7398805734
0.7659800958
Segunda Simulao
0.5010000000
0.9949960200
0.0198161819
0.0773055334
0.2838909640
0.8091216006
0.6146864675
0.9426511164
0.2151587567
0.6720845551
0.8771398855
0.4289067168
0.9748840655
0.0974507950
0.3500574675
0.9055186030
0.3405075573
0.8937573996
0.3779213388
0.9356852659
0.2395098294
Observe que a primeira coluna descreve o nmero do ciclo. A segunda coluna

descreve os valores encontrados para uma populao inicial 0.5. A terceira coluna descreve
os valores encontrados para uma populao inicial de 0.501. A diferena encontrada no
estado inicial de apenas 0.001 enquanto que no estado final das simulaes encontramos
uma diferena que ultrapassa 0.52. Como coloca muito bem May: Quando as dinmicas
so caticas, a sensibilidade a condies iniciais to grande que previses a longo prazo
se tornam praticamente impossveis. [MAY92].
Um exemplo clssico de sistema dinmico na bibliografia do caos o sistema de
corpos no vcuo em rbita. Foi implementada uma classe em Pascal para efetuar
simulaes de corpos pontuais no vcuo com posio e velocidade vetorial no plano. Os
detalhes de implementao no sero descritos aqui. Para efeitos de rigor cientfico, os
fontes do simulador seguem em anexo para futura verificao. Ainda assim, em diferentes
simulaes, importante verificar que os corpos tomam caminhos diferentes para
velocidades iniciais quase iguais. Na figura que segue, podemos observar o caminho
seguido por cinco corpos sob a ao de suas prprias gravidades ao final de 5000 ciclos.
21
Caos
FIGURA 3.1 - simulao de

corpos no vcuo sob efeito
gravitacional. As linhas
descrevem a trajetria de
corpos no vcuo; as suas
trajetrias so alteradas
pelas
aceleraes
gravitacionais.
Alterando a velocidade de um nico corpo em seu estado inicial em menos de 1%

encontramos as seguintes rbitas:
FIGURA 3.2 - simulao de

corpos no vcuo sob efeito
gravitacional. As trajetrias
descritas por corpos aps
uma pequena variao do
estado inicial.
Uma nuvem no tem forma definida. Ainda assim, todos ns sabemos o que uma
nuvem. Uma nuvem pode assumir inumerveis formas diferentes. Ainda assim, uma
criana sabe identificar uma nuvem com extrema facilidade. Quando ns olhamos para uma
nuvem e a identificamos como tal, reconhecemos um padro no formato da nuvem. Uma
nuvem um sistema desordenado que pode ser reconhecido por possuir um determinado
padro de desorganizao. Na nuvem, podemos reconhecer uma organizao na
desorganizao. O estudo do caos est ligado ao estudo da aparente desordem e da
misteriosa ordem.
3.2 Equaes de Lorenz
O ltimo modelo catico que iremos abordar antes de entrar nos fractais o modelo
formado pelas equaes de Lorenz. [GLE87][OLI92] As equaes de Lorenz so um
modelo para o comportamento de um fludo aquecido que sobe por conveco. Conveco
o movimento vertical de um fludo muito aquecido. O comportamento catico
22
Caos
apresentado pelas equaes do Lorenz vale para sugerir o comportamento catico do leite
que aquecido no fogo at o comportamento catico de uma atmosfera planetria. Uma
equao diferencial uma equao que descreve como um sistema se modifica ao longo do
tempo. Lorenz criou um sistema chamado de sistema de Lorenz que composto por trs
equaes diferenciais :
dx/dt = A(y-x)
FIGURA 3.3 - Equaes de lorenz.
dy/dt = Bx - y - zx
A,B,C so constantes e x,y,z so variveis.
dz/dt = xy - Cz
Foi criada a classe TLorenz que implementa as
equaes de Lorenz. O mtodo dessa classe que realiza o clculo propriamente dito foi
implementado como segue:
procedure TLorenz.Run;
var DX,DY,DZ:extended;
const A = 5; B = 15; C = 1;
G = 10000;
{ granularidade ou 1/dt }
begin
DX:=(A*(Y-X))
/G;
DY:=(B*X - Y -Z*X) /G;
DZ:=(X*Y - C*Z)
/G;
X:=X + DX; Y:=Y + DY; Z:=Z + DZ;
end;
A constante G a constante de granularidade ou quantizao de tempo. Quanto

maior for G maior ser nossa preciso e menor ser o erro.
Cada estado do sistema feito pelas equaes de Lorenz dado por trs variveis:
X,Y,Z. Plotando no espao os pontos pelos quais o sistema passa, encontramos o famosa
borboleta apresentada na figura 3.4. Observando a borboleta podemos constatar
diversas propriedades de um sistema catico: no periodicidade e imprevisibilidade.
Entende-se por no periodicidade a propriedade que um sistema tem de nunca repetir o seu
estado. Isso significa que o sistema nunca passa pelo mesmo ponto. Em um sistema no
cclico, o nmero de estados possveis infinito.
FIGURA 3.4 - Borboleta gerada com as

Equaes de Lorenz em uma implementao
que segue em anexo.
As Equaes de Lorenz so equaes que podem ser usadas para demostrar

simplificadamente o comportamento catico de um fludo em conveco na atmosfera de
23
Caos
um planeta.
3.3 Caos na atmosfera de Jpiter
Jpiter um planeta vasto. A massa de Jpiter 318 vezes a massa da Terra.
Possuindo 16 luas, Jpiter apresenta um dimetro equatorial de 143.000km. [HRWb 94] O
ncleo de Jpiter formado por uma esfera de metal e rocha circundada por um vasto
oceano de hidrognio metlico e lquido. [SAG83] Olhando para Jpiter de sua rbita,
somente vemos nuvens que variam em seu colorido de acordo com sua composio
qumica. Entre a natural imprevisibilidade de qualquer sistema atmosfrico planetrio, uma
mancha vermelha de enormes dimenses logo identificada. A grande mancha vermelha
possui o tamanho de uma elipse que possui 44.000 quilmetros em seu eixo maior e 11.000
quilmetros em seu eixo menor.[SAG83] Vale lembrar que o dimetro equatorial da Terra
de 12.800 quilmetros. [HRWb 94]
Entre 1600 e 1610, Hobert Hooke viu a grande mancha vermelha. medida que os
telescpios ganhavam poder, as melhores imagens demostravam o desconhecimento sobre
o assunto. Foram apresentadas diversas teorias para explicar o fato da existncia de uma
grande mancha vermelha em Jpiter. Em fins do sculo XIX, foi suposto que a mancha
vermelha era formada por um enorme lago oval de lava liquefeita que saa de um vulco
prximo. Na dcada de 60, foi proposto que a mancha vermelha seria o alto de uma coluna
de gs ascendente que possivelmente estivesse saindo de regies mais profundas. De toda
maneira, durante sculos, uma grande mancha vermelha era vista da Terra. A mancha
vermelha parecia no se deslocar ou se deslocar muito pouco.[GLE87]
Em 1978, a sonda espacial Voyager fotografou a grande mancha vermelha com uma
qualidade impressionante. Foi possvel constatar que a grande mancha vermelha era um
sistema atmosfrico giratrio que lembrava um furaco. A grande mancha vermelha no
um furaco, ela apenas um sistema atmosfrico giratrio de enormes propores e que
apresenta estabilidade para sobreviver durante sculos. As fotos da Voyager apresentaram
um planeta composto em sua maior parte por fluidos em movimento.[GLE87]
Foi afirmado anteriormente que um sistema dinmico muito sensvel a suas
condies iniciais e que a atmosfera de um planeta um sistema catico. Como pode um
sistema atmosfrico giratrio sobreviver durante sculos onde somente deveria existir caos?
Como pode aparecer uma ilha de estabilidade em meio ao caos?
Em princpios da dcada de 80, Philip Marcus programou seu computador com as
regras que regem o fluido atmosfrico. Foi considerada uma atmosfera rica em hidrognio e
hlio em um planeta gigante como Jpiter e um perodo de rotao de 10 horas. O que era
esperado por poucos agora fato. Na simulao de Marcus, uma enorme massa atmosfrica
giratria estvel e equivalente a grande mancha vermelha nasce. As mesmas regras que do
origem ao caos deram origem a estabilidade na atmosfera de Jpiter. [GLE87] No somente
foi apresentada uma explicao para a grande mancha vermelha como tambm foi
apresentado um modelo matemtico que gera caos e dentro desse caos gera uma ilha de
estabilidade.
Logo aps a formao da Terra, a Terra era dominada pelo caos. Vale lembrar que
caos uma propriedade de um sistema dinmico complexo que apresenta uma desordem
aparente e uma ordem misteriosa que regula a desordem. natural pensar que no princpio
a desordem imperava tendo em vista que ela resultado da entropia. Quando a vida
24
Caos
comeou, a vida era uma ilha em meio ao caos. Assim como em Jpiter e na simulao de
Marcus, possvel o nascimento de uma ilha de estabilidade em meio ao caos. O
nascimento da vida na Terra o nascimento de uma ilha de estabilidade em meio ao caos.
3.4 Fractais
Idias divergentes so muito comuns na poltica. Vamos supor um pas que possui
um partido de direita e outro de esquerda. No partido de esquerda existem pessoas que
pensam de forma mais radical e pessoas que pensam de forma mais moderada. Entre
aqueles que pensam de forma mais moderada, existem aqueles que pensam de forma um
pouco mais radical do que a mdia daqueles que pensam de forma moderada no partido de
esquerda. Divergncias polticas podem ser observadas em diferentes escalas: indivduos,
grupos ou pases.
Analisando aspectos bem diferentes, uma rvore apresenta um certo padro. O
tronco divide-se em galhos menores. Os galhos continuam dividindo-se em outros galhos
at chegarmos s folhas. [GLE87] O que importante salientar agora que o padro
divide em menores observado em diferentes escalas. Assim como na rvore, na poltica,
o padro divergente observado em diferentes escalas.
Trecho retirado da apresentao do software Double Fractal:
Fractals are infinite complex images defined by a finite definition. We find
in fractals a model to understand many different sciences such as economy,
health and weather. [JPS98]
Voltando ao mundo matemtico, o tringulo de Sierpinski um tringulo dividido
em quatro partes. As trs partes exteriores so divididas em quatro partes da mesma forma.
O tringulos vo se partindo em outros tringulos at o infinito.[OLI92] O tringulo de
Sierpinski uma estrutura de complexidade infinita que possui uma definio simples e
finita. interessante observar que uma estrutura de complexidade infinita pode ser definida
por uma quantidade finita de bits.
FIGURA 3.5 - Vista de uma regio

do Tringulo de Sierpinski. Cada
parte do tringulo revela estrutura
semelhante ao seu todo.
3.5 O Fractal de Mandelbrot

O fractal de Mandelbrot feito no plano dos nmeros complexos. Tomemos a
funo complexa F de varivel complexa que definida como segue:
25
Caos
F :Z Z
Em que C uma constante do plano complexo.
x x2 C
Para cada ponto C do plano complexo, a funo F repetida por retroalimantao

at ultrapassar uma distncia definida da origem sendo que X0 = 0 + 0i , X1 = C , X2 = C2 +
C... De acordo com a velocidade que x ultrapassa uma distncia determinada constante da
origem, atribuda uma cor ao ponto C do plano complexo. [OLI92][PEN94]
A funo Pascal que calcula a cor de um ponto C no plano complexo poderia ser
implementada como segue:
iter:=0;
X.SetValues(0,0);
while (iter < maxiter) and (DistOrigem(X)< 100)
do begin
X:=PlusComplex(SquareComplex(X),C);
iter:=iter+1
end;
CountMandelIter:=iter;
CountMandelIter receber o
ndice de cor a ser usado no
ponto
de
entrada
C.
PlusComplex funo que soma
nmeros
complexos,
SquareComplex
eleva
ao
quadrado um nmero Complexo
e DistOrigem calcula a distncia
da Origem de um nmero
complexo.
Por exerccio, vamos fazer um mergulho no fractal de Mandelbrot nas figuras

3.6,3.7 e 3.8:
FIGURA 3.6 - fractal de Mandelbrot.

Regio do Plano Complexo:
(-3 -2i ; 2 + 2i)
O retngulo marcado ser ampliado na prxima
figura.
26
Caos
( -1,265524625 -0,4414168937i ;
-1,083511777 -0,2779291553i)
O retngulo marcado ser ampliado na prxima
figura.

(-1,206672505 -0,323812635i ;
-1,173154079 , -0,2863930982i )
Observe que na figura 3.8 possvel identificar uma forma em preto semelhante a
forma apresentada na figura 3.6 conferindo o comportamento fractal. A complexidade
infinita confere a possibilidade de continuarmos mergulhando de forma infinita no fractal.
27
Computao Biolgica
4 Computao Biolgica
4.1 Resumo da Evoluo da Vida na Terra
Primeiros milhes de anos aps a formao da Terra: os relmpagos e a luz
ultravioleta do sol estavam decompondo as molculas da atmosfera primitiva rica em
hidrognio. Novas molculas de complexidade gradualmente maior combinavam-se na
atmosfera. Os produtos da qumica atmosfrica precipitavam-se no oceano que
conseqentemente se tornava quimicamente mais complexo.[SAG83] O Jardim do den
molecular estava pronto. Caoticamente, a primeira molcula capaz de fazer cpias
grosseiras de si mesma formada. Toda uma estrutura de herana e evoluo e toda
atividade biolgica que tivemos contato est baseada em uma molcula ancestral ao cido
desoxirribonuclico, o DNA. A molcula principal da vida na Terra, o DNA tem a forma de
uma escada em que cada degrau pode conter um de quatro tipos de nucleotdeos diferentes
que so as quatro letras do alfabeto gentico. Cada letra do alfabeto gentico carrega 2 bits
de informao.
No oceano primitivo no existiam predadores; existiam somente molculas se
duplicando. A evoluo ao nvel molecular seguia de forma implacvel. Com o passar de
milhes de anos, molculas especializadas se agruparam formando as primeiras clulas
primitivas.[SAG83]
A vida na Terra apareceu logo depois de sua formao. A Terra foi formada h 4.6
bilhes de anos atrs enquanto que a vida apareceu h 4 bilhes de anos. Considerando as
dimenses de tempo, a vida apareceu pouco depois da formao da terra. Toda biologia da
Terra possui cdigo gentico descrito na mesma cadeia de DNA com 4 nucleotdeos.
[SAG83] Seres humanos, rvores e bactrias so descritos pelo mesmo alfabeto gentico.
Darwin no poderia estar mais certo. O motivo pelo qual os organismos so diferentes est
no fato de que suas instrues em seus cdigos genticos so diferentes ainda que seus
alfabetos sejam os mesmos.[SAG77]
Os segredos da evoluo so mutao, tempo e morte. A mutao uma alterao
de um nucleotdeo que passado para a gerao seguinte. A maior parte das mutaes so
desfavorveis para o indivduo enquanto que uma pequenssima parte torna o indivduo
melhor adaptado melhorando suas chances de propagar seu DNA. A morte responsvel
pela eliminao dos indivduos menos adaptados contribuindo para a evoluo.
Molculas com funes especializadas formaram colnias que resultaram nas
primeiras clulas. H 3 bilhes de anos, os primeiros seres multicelulares evoluiriam a
partir de clulas vegetais. importante observar que rvores e seres humanos so colnias
de clulas. Cada clula tambm uma colnia de seres descendentes dos seres que
existiram no mar primitivo da Terra. O fato de que as mitocndrias tenham seu prprio
DNA sugere fortemente que elas sejam descendentes de organismos independentes do mar
primitivo da Terra. Somos uma colnia de clulas em que cada clula tambm uma
colnia.
H 2 bilhes de anos atrs, nas mesmas regras que ditam a evoluo da vida, o sexo
apareceu. O sexo a troca de cdigo gentico entre organismos independentes. Com o
28
Computao Biolgica
sexo, segmentos de DNA podem ser trocados tornando o processo evolutivo

tremendamente mais rpido. Antes do sexo, a nica maneira de evoluir era por mutao. Os
seres que podem trocar DNA tem a possibilidade de evoluir muito mais rpido do que
aqueles que tem que esperar por uma mutao fortuita. Podemos afirmar que um dos
segredos da evoluo o sexo. No por acaso que seres humanos apresentam grande
interesse por troca de segmentos de cdigo gentico. [SAG77]
H 1 bilho de anos atrs, a atmosfera da Terra foi alterada de forma irreversvel. Os
vegetais da Terra fabricaram quantidades enormes de oxignio molecular que foi lanado
na atmosfera. As clulas vegetais possuem cloroplastos que so responsveis por converter
luz solar, gua e dixido de carbono em carboidratos e oxignio. A atmosfera perdia suas
caractersticas primitivas como a presena abundante de hidrognio. O oxignio, molcula
altamente reativa com diversas molculas orgnicas, foi um gs letal para a maior parte dos
seres vivos desprotegidos.[SAG83]
H 600 milhes de anos, o domnio das algas sobre o planeta foi perdido na
revoluo cambriana para uma enorme diversidade de novos e mais complexos seres vivos.
At ento, a evoluo ocorria principalmente no nvel de estrutura celular e bioqumica.
Pouco depois, apareceu o primeiro peixe e o primeiro vertebrado. Plantas migraram para a
terra e a evoluo seguiu seu curso. [SAG83]
Os organismos vivos mais simples que conhecemos so os virides que possuem
menos de 10.000 tomos. Provavelmente os virides so descendentes de organismos mais
complexos sendo dependentes de organismos maiores para se reproduzir. Os organismos
vivos de forma independente mais simples que se tem conhecimento so conhecidos por
PPLO que possuem cerca de 50.000.000 de tomos. [SAG83]
4.2 Fundamentos de Qumica Orgnica
Qumica Orgnica a parte da qumica que estuda os compostos de
carbono .[FEL88]
Os aspectos de qumica orgnica estudados aqui so aqueles de importncia para o
que ser tratado nas prximas seces. Estudamos os aminocidos tendo em vista que eles
so os blocos de construo de diversas molculas orgnicas maiores encontradas em seres
vivos. Entre os compostos de aminocidos que iremos estudar, esto as enzimas, que sero
importantes no decorrer da exposio de algumas abordagens.
Os aminocidos so compostos orgnicos que apresentam as funes qumicas
NH 2 e cido
COOH . O radical NH 2 bsico e o radical
amina
COOH cido garantindo que os aminocidos podem agir como aminas em certas
situaes ou cidos em outras. Uma ligao peptdica uma ligao que ocorre entre o
NH 2 . Um composto orgnico
COOH e o radical bsico
radical cido
formado por muitas ligaes peptdicas chamado de polipeptdio. Uma protena um
polipeptdio formado por diversos aminocidos ligados por ligaes peptdicas. [FEL88]
Molculas que podem participar de reaes qumicas e ao final dessas reaes
encontram-se inalteradas so chamadas de catalisadores. Catalisadores ligam-se a outras
29
Computao Biolgica
molculas e fazem alguma reao qumica sobre as molculas a que se ligaram. Depois de
cumprido o papel do catalisador, ele se desliga dos produtos que gerou e volta ao estado
inicial podendo reiniciar o processo. O catalisador tem a propriedade de poder quebrar e
compor molculas. Catalisadores so pequenas mquinas moleculares. Os catalisadores
esto para qumica assim como as funes esto para computao.
As enzimas orgnicas so protenas complexas que agem como catalisadores dos
processos biolgicos. Vale lembrar que protenas so compostos de aminocidos ligados
por ligaes peptdicas. Sendo assim, enzimas tambm so compostos de aminocidos.
[FEL88]
4.3 Fundamentos de Codificao Gentica
A molcula de DNA uma escada de nucleotdeos. Cada nucleotdeo feito por 3
partes: uma base nitrogenada ( prica ou pirimdica ), um acar e um cido fosfrico.
[NORF81] O nucleotdeo leva o nome da base que a parte que carrega informao. O
DNA uma longa seqncia do tipo ...-fosfato-acar-fosfato-acar-fosfato-... onde as
bases esto ligadas nos acares da seqncia. [FEL88]
TABELA 4.1 - Bases encontradas no cdigo gentico
Bases Pricas
Bases Pirimdicas
Citosina (C)
Adenina (A)
Timina (T)
Guanina (G)
Usando a frmula nmero de bits log 2 1 p em que p a probabilidade do

evento, podemos calcular quantos bits cada nucleotdeo carrega. A probabilidade de que um
determinado nucleotdeo aparea de ou 0.25. Sendo assim, cada nucleotdeo carrega
log 2 1 0.25 log 2 4 2 bits de informao. Vale observar que os nucleotdeos so
complementares. Adenina complementar de Citosina e Guanina complementar de
Timina.
Um cdon definido por um conjunto de 3 nucleotdeos. Sendo assim, existem

4*4*4=64 cdons diferentes. Cada cdon corresponde a um tipo de aminocido diferente.
O problema que existem somente 20 tipos de aminocidos, tornando o cdigo redundante.
Existem diferentes cdons para o mesmo aminocido permitindo que uma mutao
transforme um cdon em um cdon equivalente ou sinnimo sendo esta uma mutao
neutra. Na dcada de 50, incorretamente foram feitas propostas de modelos genticos em
que cdons mais comuns poderiam usar menos nucleotdeos bem ao estilo do cdigo de
compresso de Huffman. A idia geral do cdigo de compresso de Huffman representar
com menos bits os eventos mais freqentes e representar com mais bits os eventos menos
freqentes. A redundncia existente no cdigo gentico permite alguma proteo contra
mutaes. Em simulaes feitas por computador, David Haig e Laurence D. Hurst
mostraram que o cdigo redundante do DNA est quase no nvel timo no que tange
proteo a mutaes. [HAY98]
Considerando que o DNA humano possui cerca de 5 bilhes de nucleotdeos
[SAG77] e que cada cdon composto de 3 nucleotdeos, podemos concluir que o DNA
humano possui cerca de 1.7 bilhes de cdons. Para facilitar o clculo, supomos que os
30
Computao Biolgica
cdons referentes aos 20 aminocidos sejam equiprovveis. Sendo assim, o nmero de bits
necessrio
para
representar
o
DNA
humano
ser
de
9
9
bits
ou
918
megabytes!
A
quantidade
de
DNAs
log 2 1 1 20
1.7 10
7.3 10
diferentes de tamanho de 7.3 10 9 bits de exatos 2 7.3 10 .
4.4 DNA e Tcnicas de Programao

Toda vida que conhecemos e subseqentemente toda inteligncia biolgica que
conhecemos est baseada em DNA. Entender o funcionamento, o protocolo e as regras em
que o DNA escrito e interpretado so essenciais no entendimento da vida. Se queremos
falar de vida e inteligncia artificial deveremos falar sobre a computacionalidade do DNA.
No presente tpico, pretende-se examinar aspectos que possam ser importantes sobre o
cdigo gentico para cientistas da computao.
Em um computador, um programa um conjunto de dados e instrues que operam
sobre esses dados. Vale observar que o prprio programa uma informao contida na
memria do computador. Podemos olhar o DNA como uma memria que possui dados e
instrues analogamente memria de um computador.
Ainda que as regras bsicas de formao do DNA de uma rvore, bactria ou um
primata sejam semelhantes, a semntica ou significado associado a certos cdons ou genes
pode variar. Na gentica bacteriana, existem conjuntos de genes que so ativados em
conjunto por um nico operador. A ativao de um gene resulta na fabricao de um
composto de aminocidos. Quando um operador ativado, todo o seu conjunto de genes
ativado. A ativao de um operador lembra a chamada de funo que resulta na execuo
das instrues que descrevem a respectiva funo. O operador pode ser ativado ou
suprimido por um outro gene chamado de regulador situado em outro lugar do genoma.
O gene composto por uma sequncia de cdons. Considerando que cada cdon
corresponde a um aminocido, cada gene corresponde a um composto de aminocidos. O
gene regulador exerce funo de controle. O gene regulador controla a ativao ou
supresso do gene operador. Quando um gene operador ativado, ele desencadeia a
ativao de todo o conjunto de genes a que pertence.
Abordando um exemplo, vamos supor um gene regulador que comanda um gene
operador que ativa a produo de enzimas que metabolizam um acar. Apenas haver
sentido disparar a produo dessas enzimas quando existir a presena de acares. O gene
regulador dever reagir presena do acar ativando o gene operador que responsvel
pela produo de enzimas que metabolizaro o acar e dever desativar o gene operador
na falta de acares. interessante observar que um gene somente pode estar em dois
estados lgicos mutuamente exclusivos que so ativado e desativado.
TABELA 4.2 - Comparao entre o DNA e o computador digital
Instrues Bsicas de um Computador
Instrues Bsicas do DNA
Teste
Regulao (teste sobre o estado bioqumico)
Atribuio / Soma
Ao de uma enzima
O DNA no o nico lugar onde existe informao. O estado bioqumico de uma

bactria pode ser um tipo de memria sobre a qual os reguladores fazem seus testes. No
31
Computao Biolgica
exemplo do acar, os estados de memria em relao ao acar poderiam ser

hipoglicmico, normal ou hiperglicmico.
Podemos olhar uma bactria como um hardware em que a informao do seu DNA
o seu software. Ao olhar a tabela apresentada acima, ficam conseqentes as perguntas que
seguem: para cada mquina de Turing existe uma bactria equivalente? O poder
computacional de uma bactria total? Ser que o segredo da vida possui poder
computacional total? No pretendido responder tais perguntas aqui.
Quando trabalhamos com textos em computadores, comum trabalharmos com
longas seqncias de caracteres em cdigo ASCII. Cada letra do alfabeto possui um
correspondente no cdigo ASCII. Para o fim de linha, comumente usamos um caractere
terminador de ndice 13 (0DH ou ENTER ou CR). Abordando a comparao do DNA com
uma longa seqncia de caracteres, assim como nas seqncias ASCII, tambm existe um
smbolo terminador no DNA que pode ser um dos cdons UAA, UAG ou UGA em
bactrias. Existem indicaes de que UAA um cdon de terminao no
homem.[NORF81]
Em uma seqncia de caracteres longa, a supresso de um nico bit ou de um
conjunto de bits no mltiplos de 8 (bytes) acarreta um descompasso de sua leitura
tornando-a initeligvel perdendo at os smbolos terminadores. Da mesma forma, a perda de
um nucleotdeo ou um conjunto de nucleotdeos no mltiplos de 3 acarreta na perda de
longas sequncias de cdigo incluindo os terminadores.
Quando um computador est procurando por vrus em sua memria, ele varre toda a
memria procurando por uma sequncia definida de bytes que identifique a presena de um
determinado tipo de vrus na mquina. Em uma bactria, a situao extremamente
semelhante. Quando uma bactria invadida por um DNA estranho ( de origem viral ), o
DNA estranho poder ser interceptado por uma enzima de restrio que varrer o DNA at
encontrar uma sequncia de cdons previamente definida. Em caso afirmativo, o DNA ser
quebrado. Por exemplo, sempre que a enzima Eco R1 encontra uma sequncia do tipo
AATTC, o DNA ser quebrado.[NORF81]
TABELA 4.3 - Enzimas de restrio e DNAs virais
Enzimas de Restrio
Seqncia de DNA supostamente viral
Eco R1
GAATC
Hind III
AAGCTT
Hinf I
GANTC
Hpa I
GTTAAC
Encarando o fato de que as enzimas so processadores de molculas, j que podem

quebrar e compor molculas, se as molculas que uma enzima processa possui informao,
a enzima est processando no apenas molculas que carregam informao como est
processando a prpria informao.
32
Computao Biolgica
4.5 Evoluo dos Seres Superiores

Hoje, tanto os seres vivos mais simples como os mais complexos da Terra possuem
a mesma quantidade de tempo em histria evolucionria. Tanto bactrias, vrus, rvores e
homens so resultado de cerca de 4 bilhes de anos de evoluo. Uma bactria
contempornea no tem muito mais informao que uma bactria de alguns milhes de
anos atrs; porm, uma bactria contempornea muito mais efetiva em suas funes
bioqumicas. Ainda que a quantidade de informao no tenha se alterado de forma
significativa, a qualidade desta informao sofreu grande alterao. [SAG77]
33
Autmatos Celulares
5 Autmatos Celulares
5.1 Introduo
Um autmato celular um conjunto de autmatos identicamente programados que
interagem entre si. No autmato celular, cada autmato uma clula. Podemos construir
autmatos celulares com uma ou mais dimenses. Um autmato celular 1D um autmato
celular que possui uma seqncia infinita de autmatos justapostos em linha. Um autmato
celular 2D composto por autmatos postos lado a lado formando um plano. A mesma
abordagem pode ser usada para autmatos celulares de maior dimensionalidade.[GRE93]
5.2 Autmato Celular 1D
Normalmente, no autmato celular, o prximo estado de uma clula depende do seu
estado atual e do estado das clulas vizinhas. Em um autmato celular 1D, o prximo
estado de uma clula depende do estado dela prpria e de suas duas vizinhas. Normalmente,
s existem dois estados possveis para cada clula: 0 ou 1 ou verdadeiro ou falso.[GRE93]
Nesse caso, o estado de uma clula definido com 1 bit. Sendo assim, se o prximo estado
de cada clula funo do seu prprio estado e o estado de suas duas clulas vizinhas,
teremos uma entrada de 3 bits para cada clula. Se para cada entrada possvel deveremos
programar uma regra de transio de estado, deveremos construir 2 3 8 regras para cada
autmato. Cada regra que define o prximo estado de um conjunto de estados binrio
definida por 1 bit. Se cada autmato ou clula definida por 8 regras de 1 bit, existem
definies de clulas possveis ou existem 256 autmatos celulares 1D
2 8 256
possveis.
0
0
0
0
Tempo
Tempo
Tempo
Tempo
Tempo
Tempo
Tempo
0
0
1
1
0
1
0
1
0
1
2
3
4
5
6
:
:
:
:
:
:
:
->
->
->
->
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
1
1
0
.
.
.
.
.
.
.
.
.
.
.
.
.
X
1
1
1
1
.
.
.
.
.
X
.
.
.
.
.
X
X
.
.
.
.
X
.
X
.
.
.
X
X
.
.
X
.
X
.
X
.
X
.
0
0
1
1
X
X
.
.
X
X
.
.
X
.
X
.
X
.
0
1
0
1
.
.
X
X
.
.
X
->
->
->
->
.
.
.
X
.
X
.
.
.
.
.
X
X
.
.
.
.
.
.
X
.
FIGURA 5.1 - Exemplo de

definio de transio de estado
para um autmato celular que gera
estrutura semelhante ao tringulo
de Sierpinski.
1
1
0
0
.
.
.
.
.
.
X
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
FIGURA 5.2 - Comportamento

de um autmato celular 1D ao
longo do tempo definido com as
regras da Fig. 5.1. Os estados 0
e 1 foram trocados por . e X.
Observe a semelhana entre a Figura 5.2 e a figura 3.5. O tringulo de Sierpinski

pode ser gerado pelo autmato celular definido na figura 5.1. Isso prova que um autmato
celular pode apresentar comportamento fractal. Regras de produo simples podem gerar
fractais.
5.3 Gramtica Bidimensional
Gramticas de imagens e grficos foram primeiramente propostas para
34
Autmatos Celulares
processamento de imagens tais como o reconhecimento de cromossomos e o

reconhecimento de escrita manual. Para o que se pretende, existe interesse na gramtica
bidimensional nos aspectos que seguem: especificao simples e prxima intuio
humana e aplicabilidade na definio de autmatos celulares.
Para efeito de entendimento, um exemplo simples de aplicao de regras de
produo bidimensionais para desenvolvimento de fluxos de controle o que segue:
FIGURA 5.3 - Um exemplo de regras de produo bidimensionais.
A figura 5.4 apresenta um exemplo de produo incompleto baseado nas regras de

produo bidimensionais da figura 5.3.
35
Autmatos Celulares
FIGURA 5.4 - Um exemplo de produo bidimensional.
As regras de produo apresentadas no exemplo anterior poderiam ser alteradas

facilmente para alcanar maior ou menor generalidade.
5.4 Game of Life
Game of Life um autmato celular criado em 1970 por um jovem matemtico
chamado John Horton Conway. Sua meta era criar um simulador de clulas com trs
objetivos: nenhum desenho ( colnia ) simples iria obviamente crescer para sempre,
algumas colnias simples deveriam crescer selvagemente, garantir que colnias simples
poderiam levar muito tempo para desaparecer ou estabilizar. O prximo estado de cada
posio ocupvel por clula funo dos estados anteriores de suas vizinhas e dela prpria.
O simulador Life obedece a uma regra de produo bidimensional que obedece s
seguintes regras gerais de produo: todas as clulas que tiverem duas ou trs clulas
vizinhas permanecem vivas, e em todos os espaos ocupveis por clulas que tiverem trs
vizinhas, nascer uma clula na prxima gerao e em qualquer outro caso a clula
perecer. Vale observar que cada posio ocupvel por clulas possui um estado "viva" ou
"no viva". [DEW85]
Para abordar um simulador de vida importante definir o que vida. Ainda que no
seja simples defini-la, para efeitos do presente texto consideramos que vida a capacidade
que um ser ( molcula, estrutura ou colnia) de construir uma cpia de si prprio que tenha
capacidade de gerar novos semelhantes.
Em inmeras simulaes do Life no foi observada nenhuma estrutura com
capacidade de se replicar. Sendo assim, o Life no gerou vida, no significando isso que o
simulador Life no possa gerar vida. Vale lembrar que provavelmente a vida no levou
mais do que 600 milhes de anos para aparecer em nosso planeta.
A razo pela qual estamos to interessados no Game of Life est no fato de uma
estrutura simples poder desvelar uma estrutura complexa. A vida na Terra nasceu de
reaes qumicas simples. Sob a tica que a vida um sistema complexo e a qumica um
sistema simples, podemos afirmar que um sistema complexo emergiu de um sistema
simples. Sob outra tica, afirmando que as funes neuronais e qumicas do crebro so
36
Autmatos Celulares
funes simples e a mente uma funo complexa, podemos afirmar que a mente um
sistema complexo que emerge de funes elementares simples. Em um nvel mais
fundamental, como conseguir complexidade da simplicidade e ordem da desordem? No
Life, foram construdas regras simples com a esperana de encontrar sistemas mais
complexos e remotamente vida . [REG87]
John Conway realmente acredita em seu modelo falando: It is no doubt true, that
on a large enough scale Life would generate living configurations. Genuinely living,
evolving, reproducing, squabbling over territory. On a large enough board, there's no
doubt in my mind that this sort of thing would happen. No obstante, Conway provou que
o Life possui poder computacional total. Para cada mquina de Turing, existe uma
disposio de clulas no Life equivalente. Se Conway estiver correto quanto possibilidade
de vida evoluir em seu modelo, est aberta a possibilidade da evoluo de estruturas que de
alguma maneira comportam-se como cdigo gentico. Poderemos ver predadores e presas;
com alguma sorte, veremos o primeiro crebro e a primeira mente. [REG87]
Ao longo de quase 30 anos de pesquisa por diversos cientistas, foram descobertas e
nomeadas diversas estruturas de complexidade varivel no Game of Life. Algumas
estruturas encontradas chegam a ter 4000 clulas. Foram encontradas diversas estruturas
entre as quais as que simulam funes lgicas, que se comportam como memria e que se
deslocam no espao. A figura 5.5 apresenta colnias estveis enquanto que a figura 5.6
apresenta colnias de comportamento cclico.
FIGURA 5.5 - Algumas Colnias Estveis
37
Autmatos Celulares
FIGURA 5.6 - Algumas Colnias Cclicas
interessante observar que as regras que governam o Life no so inversveis. As

regras do Life apontam para o mesmo lado da seta do tempo. Dado um estado arbitrrio,
no sabemos definir o estado anterior; sabemos somente definir o estado posterior. Quando
chegamos a um estado onde todas as colnias esto estveis e no mais observada
nenhuma modificao de uma gerao para a outra, chegamos ao estado de mxima
entropia para um determinado estado inicial. Nesse estado, no ser possvel nenhuma
modificao que provoque a alterao de sua entropia.
A entropia sempre cresce ou se mantm. Isso implica que o grau de desorganizao
do universo sempre cresce ou se mantm. A evoluo da vida um processo que cresce em
complexidade. A vida caminha no lado contrrio da entropia. A vida deseja a eternidade. A
entropia garante a morte do universo. A eternidade o sonho de uma mente. A entropia
uma lei da termodinmica. A razo para a existncia do universo pode ser algo a ser
procurado por uma mente. O universo apenas existe.
5.5 Implementao do Life
Foram feitas trs implementaes das regras do Life: uma procedural e duas
orientadas para objeto. Ser interessante abordar primeiramente a forma procedural tendo
em vista a sua simplicidade. Muitos procedimentos presentes na implementao procedural
so reaproveitados nas outras implementaes.
38
Autmatos Celulares
Variveis
cel2:matriz auxiliar que contm e estado lgico das clulas no tempo t.
cel: matriz auxiliar que contm e estado lgico das clulas no tempo t+1.
RVIDEO: memria de vdeo.
A prxima gerao de clulas calculada a partir da gerao passada de clulas.
Sendo assim, para cada clula da prxima gerao contida em cel, ser necessrio consultar
o seu estado anterior e o estado anterior de suas vizinhas em cel2.
Para cada clula do universo Life, devemos executar as mesmas aes baseadas no
nmero de vizinhos que cada clula contm e no seu estado presente. Para cada clula do
Life ser necessrio testar as duas regras bsicas que compem o Life. O clculo do nmero
de vizinhos de uma determinada clula de posio x,y feito pela funo visit.
A rotina que calcula o nmero de vizinhos de uma dada clula (x,y) a que segue:
function visit(x,y:integer):byte;
{ funcao que conta o numero de celulas vizinhas para uma posicao x,y }
var co:byte;
begin
co:=0;
if cel2^[pred(Y),pred(X)] then co:=co+1;
if cel2^[pred(Y),x
] then co:=co+1;
if cel2^[pred(Y),succ(X)] then co:=co+1;
if cel2^[Y,
pred(X)] then co:=co+1;
if cel2^[Y,
succ(X)] then co:=co+1;
if cel2^[succ(Y),pred(X)] then co:=co+1;
if cel2^[succ(Y),X
] then co:=co+1;
if cel2^[succ(Y),succ(X)] then co:=co+1;
visit:=co;
end;
Sem perda de significado, pred(Y) pode ser entendido como Y-1 e succ(Y) pode ser
entendido como Y+1
A linha de cdigo que calcula a existncia de clula na prxima gerao a que
segue:
cel^[yc,xc]:=( (c=2) and (cel2^[yc,xc])) or (c=3);
Ou de forma detalhada:
cel^[yc,xc]:=
( (c=2) and (cel2^[yc,xc]))
or (c=3);
a clula [yc,xc] estar viva se :

possuir duas vizinhas e estiver viva
ou possuir trs vizinhas.
Quem est acostumado programao orientada para objetos em pascal, encontrar

uma verso trivial do Life voltada orientao para objetos. Foi criada uma classe do tipo
TLife. Foi tambm criada a instncia L da classe TLife. Feito isso, para ver o Life executar,
basta chamar seu construtor e rodar.
Na terceira e ltima implementao, foi criada uma classe TSuperLife que possui
2560 instncias da classe TLife dividindo o universo em 2560 partes de 25 clulas cada.
Cada instncia de TLife possui um universo bidimensional de 5x5 clulas. TSuperLife
apenas chamar a execuo das instncias de TLife que tiverem alguma chance de alterar
seu estado na prxima gerao preservando o tempo de CPU para aquelas regies do
universo que possuem clulas em atividade.
39
Autmatos Celulares
Vamos supor duas instncias de TLife adjacentes nomeadas de A e B sendo que A

est a esquerda de B. Vamos supor ainda que somente existem clulas em A e no existem
clulas em B. Sendo assim, s existe sentido despender tempo de CPU com a instncia A.
Podemos supor um caso em que existem clulas na borda direita de A quase em B. Sendo
assim, as evolues ocorridas em A podero provocar efeitos em B sendo necessrio o
disparo de B. A implementao apresentada prev estes casos e garante grande
desempenho.
Sempre que houver clulas nas bordas de uma instncia de TLife, ser necessrio
disparar a execuo das instncias de TLife vizinhas. Existem 4 tipos de testes para
identificar qual borda de uma instncia TLife foi atingida para os quatro lados do quadrado
formado por uma instncia de TLife.
Em todos os fontes apresentados, existe uma regio onde regras completamente
aleatrias prevalecem. Fora dessa regio, as formas que observamos obedecem s regras de
Conway. As cores somente servem para causar efeito visual e no interferem no andamento
do programa. A regio aleatria impulsiona o aparecimento de novas e diversas formas no
permitindo que a execuo caia em um estgio montono de mxima entropia.
40
Inteligncia Artificial
6 Inteligncia Artificial
6.1 Breve Discusso sobre Naturalidade x Artificialidade
Os eventos naturais so eventos da natureza ou causados pela
natureza.[COR99]
NATURAL: adjetivo derivado do Latim 'naturalis'. Que se refere ou
pertence a natureza. Produzido pela natureza. Que inato.[LAR95]
ARTIFICIAL: adjetivo derivado do Latim 'artificialis'. O que artificial
no produzido pela natureza, mas por uma tcnica ou que envolve artifcio.
[LAR95]
ARTIFCIO: processo, modo, meio, arte.[LAR95]
A definio de que evento artificial o evento causado pela ao humana e evento
natural no causado pela ao humana facilmente contestvel. Os seres humanos fazem
sexo e o sexo um evento natural. Por outro lado, caso exista vida inteligente no humana
transmitindo ondas de rdio na nossa galxia, estas ondas de rdio no tero sido feitas por
meios naturais ainda que sejam no humanas. Sendo assim, por diferentes aspectos, no
podemos classificar eventos naturais como eventos no provocados pela ao humana e
nem classificar eventos artificiais como eventos provocados pela ao do homem.
Alm do que j foi citado, existem outros fatores complicadores na definio de
natural e artificial. A espcie humana emergiu de um mundo natural. Somos frutos das
mesmas lei que governaram a evoluo biolgica de todas as espcies existentes. Se ns
somos naturais, por que nossas aes no so eventos naturais? A inteno dessa pergunta
proporcionar a reflexo sobre o assunto.
6.2 Algoritmos
Um algoritmo uma forma de clculo ou um seqenciamento finito de operaes
no ambguas em que cada operao tambm pode ser descrita por um algoritmo. Um
algoritmo sempre possui um nico incio e ao menos um fim.
Um algoritmo sempre deve apresentar uma soluo para uma entrada prevista em
seu domnio. Quando a soluo no existe para uma determinada entrada do domnio, o
algoritmo deve informar que a soluo no existe.
6.3 Mquina de Turing
Uma mquina de Turing uma coleo de seis coisas: um alfabeto de entrada em
que o smbolo branco no pertence a esse alfabeto, uma fita infinita dividida em clulas
onde cada clula pode conter um smbolo, uma cabea que pode ler, escrever e se mover
sobre a fita, um alfabeto que a cabea pode imprimir e um conjunto finito de estados com
exatamente um nico estado inicial. Um algoritmo definido sobre o que uma mquina de
Turing pode fazer. Os algoritmos somente possuem um nico incio porque a mquina de
Turing possui somente um nico estado inicial. [COH97] importante observar o fato de
que a fita infinita garantindo memria infinita mquina de Turing.
Todo problema para o qual existe uma mquina de Turing que o resolve dito
Turing computvel ou apenas computvel. O poder da mquina de Turing total. Para todo
41
problema que pode ser descrito por um algoritmo existe uma mquina de Turing
equivalente.
6.4 Heursticas
Uma heurstica no exige uma soluo para cada entrada de seu domnio. Quando
uma heurstica encontra uma soluo, no existe garantia de que a soluo encontrada seja
nica ou tima. Quando uma heurstica no encontra uma soluo, no existe garantia que a
soluo procurada no exista.[JAM84]
6.5 Algoritmos e Heursticas
Devemos lembrar que contrariamente s heursticas, os algoritmos sempre garantem
uma soluo para um problema de seu domnio. Quando trabalhamos com o jogo de
xadrez, a soluo a vitria. Existe uma mquina de Turing terica que garante a vitria ou
empate em qualquer partida de xadrez; porm, cada jogada levaria vrios bilhes de anos
para ser computada nos melhores computadores existentes. Ainda que o jogo de xadrez seja
um problema teoricamente computvel, o jogo de xadrez no um problema praticamente
solvel de forma algortmica.
O leitor pode estar se perguntando sobre o fato de o jogo de xadrez no ser
praticamente solvel ou computvel e ainda assim ser comum encontrar
microcomputadores que jogam xadrez. Jogos de xadrez para microcomputadores so
construdos usando heursticas. Sendo assim, quando o computador escolhe uma jogada,
no existe garantia que esta a melhor jogada ou que a jogada escolhida leve para vitria.
Isto explica o fato de computadores perderem partidas de xadrez.
Se existisse um algoritmo que jogasse xadrez, ele diria no momento de sua jogada:
certamente no existe jogada melhor do que esta. Em contraposio, uma heurstica diria:
esta jogada possivelmente nos leva para a vitria .
Vale observar que pessoas jogando xadrez supem que as suas jogadas as levaro
vitria apresentando um comportamento efetivamente heurstico.
6.6 Quadrado Mgico
Estudaremos quadrados mgicos para podermos aprofundar uma discusso sobre
heursticas. Um quadrado mgico um arranjo de nmeros de 1 at n em uma matriz
quadrada de ordem n em que cada nmero ocorre somente uma vez e a soma dos elementos
de cada linha e a soma dos elementos de cada coluna e a soma dos elementos das diagonais
principal e secundria resultam no mesmo valor. No difcil demonstrar que essa soma
n(n+1)/2. [ADL96] Um quadrado mgico de ordem 4 dever ter somas de 4(4+1)/2 = 34
enquanto que um quadrado mgico de ordem 22 dever ter somas de 22(22+1)/2 = 5335.
7
9
4
14
5
11
2
16
12
8
13
1
10
6
15
3
8
5
10
11
9
12
7
6
15
14
1
4
2
3
16
13
6
16
1
11
13
9
4
8
3
7
14
10
12
2
15
5
FIGURA 6.1- Trs quadrados mgicos de ordem 4.

Observe que a soma das linhas, colunas e diagonais resulta em 34.
Somente podemos encontrar quadrados mgicos de ordem 3 ou superior. Na figura

6.1, encontramos exemplos de quadrados mgicos de ordem 4. Na figura 6.2, encontramos
42
um quadrado mgico de ordem 22.

378
387
33
163
60
188
38
404
281
425
223
374
251
8
318
109
271
469
191
315
222
227
40
420
277
244
2
443
66
36
398
337
287
177
37
249
410
336
71
55
472
245
296
437
84
153
45
154
475
291
299
424
134
99
187
228
460
396
243
362
301
25
407
97
450
21
248
295
474
209
136
350
345
192
379
95
272
260
367
411
263
152
56
68
147
215
370
31
264
189
384
341
302
86
170
388
121
278
27
376
274
342
360
144
329
29
423
403
53
52
16
23
290
377
159
233
15
351
127
119
67
247
406
312
393
311
253
293
208
185
468
482
325
409
112
125
203
61
199
122
433
258
117
440
236
364
346
234
146
135
262
479
13
316
207
212
304
305
219
92
321
111
373
220
365
88
451
126
110
446
340
380
143
73
115
334
399
195
91
69
279
308
463
456
372
51
241
164
193
42
182
332
161
326
166
358
438
49
330
457
48
255
416
98
429
65
14
405
62
123
142
389
313
30
356
385
381
190
297
150
181
46
466
180
19
47
276
204
43
397
286
292
198
175
85
432
383
467
162
470
270
256
218
169
266
298
32
225
412
322
39
129
252
160
413
386
400
269
113
310
6
237
320
359
178
382
282
133
439
415
93
232
221
167
339
226
59
5
324
82
442
375
96
473
89
283
357
317
81
275
83
145
10
28
368
419
426
116
331
20
206
242
428
455
395
131
285
217
361
114
58
141
333
421
448
458
137
165
250
1
41
205
401
447
265
106
284
87
484
128
319
201
288
347
327
7
273
101
434
80
139
480
300
441
120
481
44
352
309
64
149
79
338
171
417
402
348
355
102
477
24
184
366
430
9
173
35
148
186
414
107
280
197
172
26
235
452
22
74
314
461
210
445
459
427
216
54
104
168
90
75
132
392
431
213
335
418
156
140
444
462
390
174
76
63
11
453
323
70
483
50
246
183
230
371
158
12
422
100
202
257
151
306
454
394
267
349
259
17
72
471
200
344
103
449
57
155
78
436
214
194
464
391
476
465
307
118
157
211
343
294
303
94
176
261
108
130
4
18
289
124
408
354
138
179
224
196
105
229
254
369
435
238
239
478
328
3
231
353
268
240
77
34
363
FIGURA 6.2 - quadrado mgico de ordem 22.

Observe que a soma das linhas, colunas e diagonais resulta em 5335.
6.7 Uma Heurstica para Encontrar Quadrados Mgicos

Devemos lembrar que uma heurstica no garante que encontraremos uma resposta
mesmo que ela exista. Em relao a uma heurstica que procura quadrados mgicos, por
ser uma heurstica, no existe garantia de que encontraremos um quadrado mgico mesmo
com vrias horas de computao. Ao contrrio dos algoritmos, as heursticas no garantem
respostas.
1
5
9
13
2
6
10
14
3
7
11
15
4
8
12
16
FIGURA 6.3 Matriz Inicial
15
3
9
4
12
16
10
14
5
7
11
1
13
8
2
6
FIGURA 6.4 Matriz Aleatria
Neste e nos pargrafos que seguem, abordaremos uma heurstica para encontrar
quadrados mgicos de ordem 4. Inicialmente comearemos com uma matriz idntica a
matriz apresentada na figura 6.3 . Os elementos da matriz inicial sero trocados
aleatoriamente de posio gerando uma matriz aleatria ao estilo da matriz apresentada na
figura 6.4. Depois, atravs de trocas, a heurstica tentar aproximar a matriz de um
quadrado mgico.
A heurstica para encontrar quadrados mgicos aqui proposta constituda pelos
seguintes passos:
1. Incio
2. Construir uma matriz inicial semelhante apresentada na fig
6.3.
3. Trocar seus elementos de posio aleatoriamente.
4. Dada uma quantidade de trocas de elementos escolhidas ao acaso,
escolher atravs de uma funo de avaliao qual a troca que
gera a matriz que mais se aproxima de um quadrado mgico.
5. Efetivar a troca escolhida no passo 4.
6. Se no quadrado mgico, repetir passos 4,5 e 6.
7. Apresentar quadrado mgico.
8. Fim.
43
O desempenho da heurstica apresentada depende muito de como o passo 4

implementado. Caso o nmero de trocas testadas seja muito alto, por exemplo 120,
dispenderemos muito tempo de UCP para nos aproximarmos de um quadrado mgico. Caso
o nmero de trocas testadas seja muito baixo, corremos o risco de no nos aproximarmos
de um quadrado mgico. A questo quanta inteligncia desejamos depositar no passo 4. A
questo se queremos executar muitas vezes um passo 4 simples ou poucas vezes um passo
4 mais elaborado. interessante observar que um passo 4 com muita inteligncia (nmero
muito grande de testes) deteriora o desempenho global em tempo de UCP da heurstica. A
quantidade de inteligncia ideal (nmero de testes ideal) no foi determinada.
Por que escolher trocas ao acaso no passo 4? Em uma matriz de ordem 4 existem 16
elementos. Existem 120 formas de combinar esses 16 elementos em pares. Sendo assim,
existem 120 trocas possveis em uma matriz de ordem 4. Foi implementada uma verso da
heurstica que testava todas as 120 possibilidades no passo 4. Foi um desastre. Ainda que o
passo 4 fosse executado menos vezes, cada passo consumia muito tempo de execuo.
Outro problema foi percebido, um passo 4 que testa todas as possibilidades e escolhe a
melhor totalmente determinstico possibilitando a ocorrncia eventual de ciclos infinitos.
FIGURA 6.5 - Comportamento catico da heurstica
A figura 6.5 formada pelos pontos (x,y) em que x a soma da primeira linha da
matriz e y a soma da primeira coluna durante a execuo da heurstica. Observe o padro
de asterisco que a figura apresenta. Esse padro surpreendeu o prprio criador do fonte
msm2.pas que segue em anexo. O padro emerge de uma desordem aparente. Estamos
presenciando nessa figura ordem e desordem. Durante um certo tempo, a execuo fica em
uma das diagonais do asterisco e, subitamente, a execuo passa para a outra diagonal
lembrando o comportamento da borboleta de Lorenz apresentada na figura 3.5. A figura 6.5
desvela o comportamento catico da heurstica aqui proposta. Ao menos nesse caso, a
heurstica apresenta uma inteligncia catica e no determinstica.
A heurstica apresentada poderia ser facilmente modificada para uma heurstica
mais abstrata e genrica:
1. Incio
2. Inicializar variveis.
3. Dado um certo espao de opes passveis de serem tomadas,
selecionar algumas opes ao acaso, escolher atravs de uma
funo de avaliao qual a opo selecionada que produz a
soluo parcial que mais se aproxima da soluo objetivo.
4. Optar pela opo escolhida no passo 3.
5. Se no encontrou objetivo, repetir passos 3,4 e 5.
6. Apresentar soluo objetivo.
7. Fim.
Considerando que a heurstica para quadrados mgicos apresentada usa nmeros
44
aleatrios nas suas funes mais importantes, no existe a possibilidade de entrar em um

ciclo infinito de execuo. Neste pargrafo, entende-se por ciclo um lao de execuo que
passa sempre pelos mesmos estados. Como toda heurstica, ela pode no chegar a um fim;
porm, a execuo no ser cclica. interessante observar que no foi necessrio construir
rotinas para evitar ciclos infinitos. O uso de nmeros aleatrios naturalmente evita o
aparecimento de ciclos infinitos.
Uma amostra aleatria de nmeros uma seqncia na qual no h
qualquer relao entre os elementos. [SCH87]
A heurstica apresentada ter comportamento to imprevisvel quanto imprevisvel
for o seu gerador de nmeros aleatrios. A maior parte das linguagens de programao
possuem geradores de nmeros aleatrios muito bons e normalmente no nos preocupamos
com eles. Os nmeros aleatrios que normalmente usamos nas linguagens de programao
no so realmente aleatrios sendo gerados por algoritmos. O desempenho da heurstica
apresentada depende da qualidade da gerao de nmeros aleatrios. Poderamos aproveitar
regras da fsica como o tunelamento e o comportamento probabilstico do eltron para
construir um gerador de nmeros aleatrios em hardware. Componentes que usam as
propriedades do tunelamento do eltron j foram construdos.[HRWb 94] Assim como
temos portas lgicas em nossos processadores convencionais, deveramos estudar a
possibilidade de construirmos portas probabilsticas baseadas no tunelamento do eltron e
us-las para gerao de nmeros aleatrios em hardware.
45
A Inteligncia Extrassomtica
7 A Inteligncia Extrassomtica
7.1 Introduo
J passamos pelo captulo da inteligncia artificial e ainda no discutimos o que
inteligncia. Um cachorro que calcula multiplicaes e divises um cachorro inteligente?
Estamos tentados a responder que sim. Uma calculadora que calcula multiplicaes e
divises uma calculadora inteligente? A inteligncia da calculadora dela prpria ou do
engenheiro que a projetou? Se admitirmos que a calculadora possui a inteligncia do seu
projetista estamos afirmando que a calculadora possui inteligncia: a inteligncia do seu
projetista. O que inteligncia?
O significado do termo inteligncia evoluiu muito ao longo do tempo absorvendo o
significado de outros termos. Morais [MOR90] entende que o termo inteligncia um dos
termos mais equvocos da filosofia e psicologia atual sobretudo devido diversidade de
contedos que carrega. Por vezes, o termo inteligncia aparece significando entendimento,
intelecto, conjunto de funes cognitivas, razo e capacidade de resolver problemas.
Orador e poltico romano, Marcus Tullius Cicero [LAR95] (106 a.C - 46 a.C)
traduziu do grego para o latim o termo intelligentia que significa penetrar dentro das coisas,
captar a sua intimidade, discernir ou entender a essncia.
Modernamente, no existe consenso sobre uma definio de inteligncia. Spearman
desabafa: Nos sucessivos congressos com o objetivo de definir a inteligncia, discutem-se
muitas teorias, ouvem-se brilhantes oradores, mas cada um expe a sua prpria opinio...
irreconcilivel com as demais. [MOR90] Ainda assim, muitos autores dividem a
inteligncia em dois tipos: (1) capacidade de compreender as relaes que existem entre os
elementos de uma situao; (2) maneira de aplicar utilmente as experincias adquiridas e
retidas na memria.
Na traduo de Cicero, o termo inteligncia refere-se a uma atividade passiva em
relao ao meio. Aquele que possui a inteligncia apenas capta, entende e discerne no
tomando um papel ativo. Modernamente, alm da atividade passiva, o ser inteligente exibe
um comportamento ativo tentando resolver problemas com base em sua memria ou sendo
criativo.
Robert Sternberg [STE95] propem muito convincentemente que existem trs tipos
de inteligncia: (1) inteligncia analtica que responsvel pela anlise e entendimento dos
objetos e suas relaes; (2) inteligncia criativa que responsvel pelas idias, criaes e
capacidade de reagir a eventos desconhecidos; (3) inteligncia prtica que responsvel
pela resoluo de problemas que so diariamente apresentados. De forma resumida, a
inteligncia serve para anlise e resoluo de problemas. Os trs tipos de inteligncia
reunidos devem resultar para aquele que a detm em sucesso na vida real.
Para que serve a inteligncia? Por que ela evoluiu com a seleo natural? Com o
aparecimento dos crebros e da inteligncia, a memria e anlise dos eventos ocorridos
durante a existncia dos seres poderia ser usada como base de conhecimento para analisar e
resolver novos problemas. Baseada na anlise e resoluo de problemas, essa resposta
muito semelhante ao que prope Sternberg para inteligncia.
Durante a atividade inteligente, a informao previamente analisada usada para
resolver novos problemas. De alguma forma, onde existe inteligncia, existe processamento
46
de informao. Ser que onde existe processamento de informao existe algum tipo de
inteligncia ainda que restrita? Para responder tal pergunta, faremos mais uma pergunta.
Para que serve o processamento de informao? No existe processamento de informao
sem pretenso de resolver problemas. A informao processada para ao menos tentar
resolver algum tipo de problema. Todos os algoritmos e heursticas existentes tentam
resolver ou resolvem algum tipo de problema. Algoritmos e heursticas so informaes
que descrevem como o processamento da informao dever ocorrer. Se solucionar
problemas ainda que de forma algortmica um tipo de inteligncia, ento o processamento
de informao decorrente dos algoritmos e heursticas um tipo de inteligncia.
A cincia da computao exige definies bem feitas e pouco ambgas. Para efeito
do presente texto, sob intensos protestos de alguns leitores, vamos abordar uma definio
de inteligncia que seja pouco nebulosa e bastante prtica.
Inteligncia a capacidade de processar informao. Inteligente aquele
que processa informao.
No inteno mudar novamente o significado da palavra inteligncia para o
significado apresentado anteriormente. A inteno de definir inteligncia serve apenas para
definir o significado que a palavra inteligncia tem no presente texto.
Um cachorro que sabe operar multiplicaes e divises tem a capacidade de
processar informao numrica. Sendo assim, o cachorro tem inteligncia numrica. Da
mesma forma, um calculadora tem inteligncia numrica. Uma bactria que consegue ler a
informao de seu DNA para construir uma cpia de si mesma possui inteligncia para se
copiar. Obviamente, um neurnio possui inteligncia de neurnio. A inteligncia do
crebro resultado da composio das inteligncias de seus neurnios. A classe
inteligncia de um cachorro uma especializao da classe inteligncia.
A memria um tipo de inteligncia? A funo memria um tipo de
processamento de informao? Se pensarmos que a funo memria consiste em buscar
uma informao relativa a uma informao de entrada, ento memria um tipo de
inteligncia. Existir tantos tipos de inteligncia quantos forem os tipos de processamento
de informao.
Um programa de computador descreve como a informao deve ser processada.
Sendo assim, um programa de computador descreve um tipo de inteligncia. Um programa
que foi concebido para resolver um problema algoritmicamente um programa que possui
inteligncia algortmica. Um programa que foi concebido para resolver um problema
heuristicamente um programa que possui inteligncia heurstica.
7.2 A Necessidade da Evoluo e Adaptao do Conhecimento

No incio da vida na Terra, a evoluo dependia somente da mutao e da seleo
natural. No existia o sexo para recombinar o cdigo gentico. Todo o conhecimento (
informao usada para resolver problemas ) dos seres primitivos estava armazenado no seu
DNA e o DNA s evolua por mutao. A evoluo seguia de forma lenta. [SAG77] Uma
bactria usa o conhecimento do seu DNA para construir uma cpia de si mesma. Uma
bactria uma mquina auto-replicativa.
Com o aparecimento do sexo, novas cadeias de DNA eram formadas pela
47
combinao de outros DNAs. Com o sexo, o DNA evoluiu mais rpido. Considerando que
o DNA possua o conhecimento usado para a sobrevivncia dos seres primitivos, o
conhecimento dos seres vivos da terra estava evoluindo.[SAG77]
Com o aparecimento dos crebros, a memria dos eventos ocorridos durante a
existncia dos seres poderia ser usada como base de conhecimento para resolver novos
problemas. Nesse momento, os seres vivos que possuam crebro tinham uma ferramenta
que incrementava o seu conhecimento de forma extremamente dinmica.
Os seres que possuem crebro possuem uma base de conhecimento extragentico (
fora do gentico ). Quando os seres humanos comeam a desenhar e escrever pondo os
frutos de sua inteligncia fora de seu crebro, surge o conhecimento extrassomtico. A
grosso modo, o conhecimento extrassomtico o conhecimento que est armazenado fora
do corpo. No momento em que passamos a depositar no apenas o nosso conhecimento
como tambm os mtodos pelos quais resolvemos problemas processando informao
(inteligncia) de tal forma que mquinas possam solucionar nossos problemas de forma
automtica, estamos dando um passo to grande quanto ao inventar a escrita ou
desenvolver um crebro. Agora, estamos gerando no apenas conhecimento extrassomtico
como tambm inteligncia extrassomtica.
Vale lembrar que conhecimento a informao usada para resolver problemas. O
DNA armazena o conhecimento de uma clula. Segue uma lista com os passos evolutivos
mais importantes no tratamento do conhecimento:
1. DNA.
2. Sexo.
3. Crebro ou meio de armazenamento de conhecimento fora do DNA ou
conhecimento extragentico.
4. Meio de armazenamento de conhecimento fora do corpo ou conhecimento
extrassomtico.
5. Meio de processamento de conhecimento fora do corpo ou inteligncia
extrassomtica.
Observando-se a lista acima, observa-se que a inteligncia extrassomtica uma
evoluo natural do conhecimento extrassomtico.
48
Concluses
8 Concluses
8.1 Introduo
As concluses aqui apresentadas so resultado da composio das concluses
parciais encontradas ao longo do texto e de utilidade para a cincia da computao.
8.2 Concluses na Fsica
Na seco 2.1, foi apresentada a lei que garante que a entropia do universo nunca
diminui enquanto que a vida depende e procura a baixa entropia. Foi mostrado que a vida e
a computao incrementam a entropia do sistema em que esto inseridos incrementando a
entropia do universo. De certa forma, a vida e a computao se alimentam da baixa
entropia. Se a inteligncia envolve algum tipo de computao, ento a inteligncia
incrementa a entropia do universo. Analisando sob outro aspecto, via de regra, tudo que
dissipa energia e ocorre naturalmente com o passar do tempo incrementa a entropia. A
atividade eltrica de uma UCP dissipa energia incrementando a entropia. A atividade
cerebral tambm dissipa energia e tambm incrementa a entropia.
Nas seces 2.3 e 2.4, introduzimos o tunelamento e o princpio da incerteza de
Heisenberg respectivamente. No tunelamento, vimos que o comportamento de um eltron
que tunela probabilstico. No somente isso, foi apresentado na seco 2.4 que no
possvel determinar a posio e a velocidade de uma partcula ao mesmo tempo. Sendo
assim, qualquer modelagem computacional de uma determinada realidade envolver erro
pela simples impossibilidade de precisar ao mesmo tempo a velocidade e posio de uma
partcula (ver sec. 2.4) e pela impossibilidade de prever quando ocorre o tunelamento (ver
sec. 2.3).
Na seco 2.5 abordamos fundamentos de fsica quntica. Se a energia somente
verificvel em certos nveis enquanto que os nveis intermedirios so proibidos
(quantizada), ento dentro de uma certa faixa, poderemos representar a energia de radiao
em um sistema computacional sem rudo de quantizao. Contrariamente s
impossibilidades de medio e clculo apresentadas nas seces 2.3 e 2.4, a seco 2.5
mostra que podemos incluir a informao gerada pela medio da energia de radiao em
um sistema computacional sem rudo de quantizao dentro de certos limites.
8.3 Concluses na Teoria do Caos
No terceiro captulo, introduzimos a teoria do caos. Usamos a teoria do caos para
mostrar que perturbaes muito pequenas no estado inicial de um sistema dinmico
complexo podem acarretar em grandes perturbaes posteriores. Quando modelamos
aspectos da realidade para prever o futuro, pequenos erros de medio e representao
podero invalidar as previses.
Na seco 3.4, apresentamos os fractais. Fractais so estruturas de complexidade
infinita. Seria necessria uma quantidade infinita de memria para armazenar
completamente um fractal. Por outro lado, uma quantidade finita e geralmente pequena de
memria necessria para armazenar as regras de produo de um fractal. interessante
49
Concluses
observar que estruturas de complexidade infinita podem ser definidas por regras ou
definies finitas.
Ainda no captulo 3, usamos a teoria do caos para responder o problema de como a
vida sendo um sistema organizado inserido em um sistema maior onde a desorganizao
nunca diminui, emerge.
8.4 Concluses na Computao Biolgica
No quarto captulo, mostramos como a vida apareceu na Terra, como a informao
organizada em uma molcula de DNA e um pouco de qumica orgnica. Partindo desses
fundamentos, calculamos de forma aproximada quantos bits de informao existe no DNA
humano e conclumos que existe cerca de 918 megabytes.
Mostramos nas seces 4.3 e 4.4 diversas semelhanas entre a maneira como a
informao processada no DNA e a maneira como a informao processada em um
computador. Questionamos o poder computacional de uma bactria. Mostramos que o
mtodo pelo qual um computador detecta a existncia de um virus computacional em sua
memria extremamente semelhante a maneira pela qual uma bactria detecta a existncia
de um virus orgnico em seu interior. Mostramos que existe computao ocorrendo em
nvel qumico em bactrias e clulas de organismos superiores. Quando esto processando
molculas que possuem informao, enzimas esto processando a prpria informao.
8.5 Concluses nos Autmatos Celulares
No quinto captulo, apresentamos os autmatos celulares e especialmente o modelo
de John H. Conway. O objetivo procurado pelo modelo de Conway encontrar vida em um
autmato celular. Conway realmente acredita que existe possibilidade da vida evoluir em
seu modelo e isso no ocorreu por falta de imensos recursos computacionais.
A vida na Terra nasceu de reaes qumicas simples. Sob a tica que a vida um
sistema complexo e a qumica um sistema simples, podemos afirmar que um sistema
complexo emergiu de um sistema simples. Conway criou regras simples em que no
entendimento dele a vida poderia emergir e evoluir. De forma mais abstrata, o que estamos
procurando se uma estrutura simples poder desvelar uma estrutura complexa.
Encontramos no modelo de Conway caos e entropia. Se a vida aparecer no modelo
de Conway, ela dever procurar e se alimentar da baixa entropia.
8.6 Concluses na Inteligncia Artificial
No sexto captulo, apresentamos fundamentos de algoritmos e heursticas.
Apresentamos uma heurstica para encontrar quadrados mgicos. A heurstica apresentada
usa gerao de nmeros randmicos para selecionar ao acaso alguns caminhos para
percorrer. Com uma funo de avaliao, era escolhida a melhor opo entre os caminhos
previamente selecionados. Considerando a seleo randmica, a heurstica apresentada no
cai em ciclos infinitos de execuo.
50
Concluses
Na figura 6.5, mostramos que a heurstica para encontrar quadrados mgicos

apresenta comportamento catico lembrando a borboleta de Lorenz. Foi mostrado
tambm que a heurstica apresentada pode ser generalizada para alcanar maior espectro.
Para a gerao de nmeros aleatrios, aproveitamos o estudo da seco 2.3 para
propor um gerador de nmeros randmicos baseado na tecnologia do tunelamento.
8.7 Concluses na Inteligncia Extrassomtica
No stimo captulo, chamamos inteligncia artificial de inteligncia extrassomtica
e mostramos que a inteligncia artificial ou extrassomtica resultado de um processo
evolutivo na maneira como o conhecimento usado. Com a inteligncia extrassomtica, o
conhecimento pode ser processado fora de organismos vivos.
51
Sugestes para Trabalhos Futuros
9 Sugestes para Trabalhos Futuros

A enorme quantidade de perguntas sem resposta feitas no presente texto do uma
idia da quantidade de trabalho que h por ser feito. A fsica aqui apresentada se restringiu
quase que exclusivamente a tunelamento e entropia. Roger Penrose [PEN 94] discutiu sobre
a fsica do crebro. Uma nova discusso aprofundada sobre a fsica e a lgica da mente e do
crebro aproveitando conhecimentos da cincia biolgica necessria. Essa discusso
deveria avaliar se os neurnios que modelamos em nossas redes neurais so biologicamente
corretos. Devemos procurar caos e entropia em redes neurais. Na simulao apresentada na
tabela 3.1 modelamos o tempo de forma escalar enquanto que na figura 3.3 modelamos o
tempo de forma contnua. Uma discusso sobre a forma como devemos modelar o tempo
para a lgica do crebro dever ser bastante til.
Quando abordamos o assunto dos autmatos celulares, estvamos procurando
complexidade na simplicidade, vida e reproduo. O mesmo tipo de procura poderia ser
feito em sistemas multiagentes. Os sistemas multiagentes aplicam-se muito bem a esse tipo
de pesquisa. Em analogia a biologia, poderemos criar agentes muito simples com
comportamento semelhante ao de molculas orgnicas. A complexidade e caos do sistema
multiagente se dar sobre a simplicidade de cada agente.
52
10
Anexo 1 Cdigos Fontes e Programas Executveis
Segue em anexo um disquete com os cdigos fontes e executveis de diversos
modelos apresentados ao longo desse trabalho. O diretrio /src contm os fontes
enquanto que o diretrio /bin contm os executveis para os sistemas operacionis
DOS/WINDOWS.
A tabela 3.1 foi gerada com a sada do programa TCAOS. As figuras 3.1 e 3.2 foram
geradas com o programa GRA5PB. A figura 3.4 foi gerada com o programa LORENZ2. A
figura 3.5 foi gerada pelo programa TPASCAL. As figuras 3.6, 3.7 e 3.8 foram geradas pelo
programa FRACTAL. As trs implementaes do Game of Life descritas no captulo 5 so
referentes aos fontes LIFEDIP1, LIFEDIP2 e LIFEDIP3. As figuras 6.1 e 6.2 forma feitas
com o programa MAGIC. A figura 6.5 foi feita pelo programa MSM2.
O cdigo fonte do Double Fractal apresentado parcialmente apenas no anexo 3.
53
Anexo 2 - O Software Magic Square Maker

Discutimos o que um quadrado mgico e como aplicar uma heurstica para
encontrar quadrados mgicos nas seces 6.6 e 6.7 do presente trabalho. Baseado nos
princpios da seco 6.7, foi construdo um programa para encontrar quadrados mgicos em
Delphi 2.0.
Fig. Anexa 2.1

Tela inicial do Magic Square Maker
Foi construda a classe TQuad que responsvel pela gerao de quadrados

mgicos. O objeto Q6 da classe TQuad instanciado no mdulo principal do programa. O
nico detalhe tcnico de implementao que no detalhado no captulo 6 e que no faz
parte do cdigo de interface a rotina de avaliao usada.
Sabendo que em um quadrado mgico a soma das linhas, colunas e diagonais deve
resultar em uma constante C, dada uma disposio de matriz vivel qualquer, atribuido
um ndice a distncia do quadrado mgico calculando-se o somatrio das somas dos
mdulos das diferenas encontradas entre a constante C e os resultados atuais. A funo de
avaliao EvalQuad pode ser consultada no fonte que segue em anexo. Uma otimizao da
funo EvalQuad foi implementada com o nome de EvalQuadWithMax. A funo de
avaliao sobre uma matriz bastante lenta quando tem que percorrer todos os elementos
da matriz. EvalQuadWithMax somente avalia a matriz completamente quando ela est
muito prxima de um quadrado mgico.
54
Anexo 3 - O Software Double Fractal

Introduo
O software Double Fractal um
gerador de fractais destinado usurios
que no possuem nenhum conhecimento
prvio em teoria do caos ou matemtica
fractal. Alm de fractais bem conhecidos,
5 fractais desenvolvidos pelo prprio
autor tambm esto presentes na verso
2.6. ( ver fig. Anexa 3.1 )
A primeira verso do software
Double Fractal foi desenvolvida no
perodo de dezembro de 1997 a janeiro
de 1998. O nome Double Fractal se deve
ao fato de que a verso 1.0 ( ver fig.
Anexa 3.3 ) gerava apenas dois tipos de
fractais. Esse software se espalhou
rapidamente pela internet sendo possvel
fazer download dele em centenas de
mirrors de sites especializados da
internet.
Fig. Anexa 3.1

Tela inicial do Double Fractal V.2.6
Fig. Anexa 3.2

Prmio ganho pelo Double Fractal
A medida que novas verses

foram desenvolvidas e o software
ganhava maturidade, vieram os primeiros
prmios. O software Double Fractal
recebeu a premiao pick of the week
do site http://www.skylarkutilities.com/
em 2 de maio de 1999.( ver fig. Anexa
3.2 ) O software Double Fractal recebeu
a classificao
TOP
do site
http://www.softseek.com em 12 de
outubro de 1999. O software Double
Fractal foi publicado no CFS Master
Freeware Collection CD-ROM edition
5. O Double Fractal 2.6 ser publicado
no CD-ROM que distribuido
juntamente com a revista PC-Active que
circula na Holanda e Blgica em
fevereiro de 2000.
A verso 2.6 do Double Fractal exporta seus fractais nos formatos de

imagem Windows/BitMap e documento POV-Ray permitindo aplicar suas imagens como
superfcies de outros objetos ( ver fig. Anexa 3.4 ) e gerar belas e misteriosas superfcies
fractais em 3D. ( ver fig. Anexa 3.5 ) Mais informaes sobre suas capacidades podem ser
encontradas no endereo:
http://www.schulers.com/fractal/ .
55
Fig. Anexa 3.3

Tela inicial do Double Fractal V.1.0A
Fig. Anexa 3.4 - Imagens fractais aplicadas a outras superfcies.

A esquerda, vemos um objeto 3D gerado pelo Star Office 5.0 em que a textura de sua
superfcie foi gerada pelo Double Fractal usando o conjunto JP2Set.
A direita, vemos quatro objetos 3D gerados pelo Star Office 5.0 em que as texturas de
suas superfcies foram geradas pelo Double Fractal usando os conjuntos JP1Set
(toride), JP2Set(esfera grande) e JP3Set.
Fig. Anexa 3.5 - Imagem gerada pelo POV-Ray usando uma superfcie exportada pelo
software Double Fractal.
56
Implementao
O Double Fractal foi implementado em Delphi 2.0 usando cerca de 2.500 linhas de
cdigo em Object Pascal. Para os desavisados, Object Pascal a linguagem que o Delphi
compila junto com as classes e objetos descendentes da Visual Component Library.
Durante o projeto e implementao, houve a preocupao de manter o cdigo fracamente
acoplado e fortemente coesivo.
A facilidade de uso do Double Fractal evidente. Para gerar um fractal, basta
pressionar o boto referente ao fractal escolhido. ( ver fig. Anexa 3.1 ) As janelas de
construo de todos os fractais so quase iguais. Todas as janelas de construo ( ver fig.
Anexa 3.5 ) so objetos de classes descendentes da classe TFormBasicJPSet. A classe
TFormBasicJPSet possui 1 Timer que gera eventos a cada 2 segundos. Os fractais so
gerados em memria por Threads descendentes da classe TCalcOnForm. Para garantir
grande coeso e baixo acoplamento, o cdigo que gera o fractal em memria no o
mesmo que joga o fractal no dispositivo de sada. Sendo assim, a inteligncia (gerao do
fractal) est separada da entrada e sada.
Quando um objeto descendente da classe TFormBasicJPSet alocado e disparado,
ele dispara a execuo do seu Thread descendente de TCalcOnForm que gera o fractal em
memria. Enquanto o Thread est sendo executado, o timer dispara a cada 2 segundos a
rotina que joga o fractal na sada. por isso que vemos o fractal ser gerado em pulsos que
ocorrem a cada 2 segundos. Considerando a alta localidade do cdigo de TCalcOnForm, ele
mantido a maior parte do tempo dentro das memrias cache L1 e L2.
Fig. Anexa 3.6 - Uma das diversas janelas de construo.

O software Double Fractal possui cerca de 2.500 linhas de cdigo. Sendo assim,
uma abordagem mtodo por mtodo seria impraticvel. Sero apresentados somente os
trechos de cdigo mais importantes. Segue a declarao da classe TCalcOnForm:
57
type TCalcOnForm = class (TThread)

FormPai:TFormBasicJPSet;
FSet:TBasicSet; { Fractal Set}
FCountIter:TCountIterFunction;
protected
procedure Execute; override;
end;
A funo FCountIter a funo que gera um ponto do fractal. Na verdade,

FCountIter um ponteiro que aponta para a funo que gera um ponto do fractal. O mtodo
Execute chama FCountIter para cada ponto do plano complexo em que o fractal gerado.
Segue a implementao do mtodo Execute :
procedure TCalcOnForm.Execute;
var X,Y:integer;
T,L,N:TComplex;
XBASE,YBASE,DX,DY:extended;
begin
XBASE:=FormPai.XBASE;
YBASE:=FormPai.YBASE;
DX:=FormPai.DX;
DY:=FormPai.DY;
L.SetValues(2,2.1,2.2);
T.SetValues(0,0.5,0.6);
FreeOnTerminate := True;
{X}
for Y:=0 to MAXY do
begin {external for}
for X:=0 to MAXX do
{Y}
begin { internal for }
T.SetValues(X*DX/MAXX+XBASE,
Y*DY/MAXY+YBASE,0);
FSet.SetValues(L,T);
FormPai.CEL[Y,X]:=FCountIter(FSet); // gera um ponto do fractal !!!
end; { internal for }
FormPai.LastCalculed:=Y;
if FormPai.WantToQuit then
begin
FormPai.InTask:=False;
exit;
end;
end; {external for}
end; { of procedure }
A regio retangular do plano complexo em que o fractal gerado definida por dois
pontos: (XBASE ; YBASE) e (XBASE + DX ; YBASE+DY). As constantes MAXX e
MAXY definem a resoluo da imagem a ser gerada que normalmente 500x400. Para
gerar o fractal de Mandelbrot, a funo FCountIter deve ser ligada em tempo de execuo
com a funo CountMandelIter. Observe a semelhana de CountMandelIter com o fonte
apresentado na seco 3.5 do presente trabalho.
58
function CountMandelIter(M:TBasicSet):longint;
const MAXITER=200;
var iter:longint;
Z,C:TComplex;
begin
iter:=0;
C:=M.T;
Z.SetValues(0,0,0);
while (iter < maxiter) and (Z.X*Z.X+Z.Y*Z.Y < 10000)
do begin
Z:=PlusComplex(SquareComplex(Z),C);
iter:=iter+1
end;
CountMandelIter:=iter;
end;
Fig. Anexa 3.7 - Licena e Direitos

Mais informaes voc encontrar via WWW em http://www.schulers.com/fractal
ou na seco 3.5 do presente trabalho.
59
Bibliografia
[ADL96] ADLER, Allan. A Math Forum Web Unit - What is a Magic Square?,
1996. Disponvel por WWW em
http://forum.swarthmore.edu/alejandre/magic.square/adler/adler.whatsquare.html ,
[BAF86] BARR, Avron; FEIGENBAUM, Edward, The Handbook of Artificial
Intelligence. First Printing, 1986.
[COH97] COHEN, Daniel I. A. Introduction to Computer Theory, Second
Edition, John Wiley & Sons, Inc, 1997 .
[COR99] CORDENONSI, Andre Zanki. A Evoluo de Sistemas Biolgicos
como Base para o Desenvolvimento de Sistemas de Vida Artificial. Trabalho
Individual I do CPGCC-UFRGS.
[DAV94] DAVIES, Paul. The Last Three Minutes. BasicBooks, New York,
1994. p. 9-19; 101-118.
[DAV96] DAVIES, Paul. About Time. Touchstone, New York, 1996. p.163-172.
[DEW85] DEWDNEY, A.K. Computer Recreations, Scientific American 252
(May 1985) 18.
[FEL88] FELTRE, Ricardo. Qumica V.3, Editora Moderna, So Paulo, 1988. p.
347-356.
[GLE87] GLEICK, James. CAOS, Editora Campus Ltda, Rio de Janeiro, 1990.
[GRE93] GREEN, David G. Cellular Automata , 1993. Disponvel por WWW
em http://life.csu.edu.au/complex/tutorials/tutorial1.html
[HAY98] HAYES, Brian. The Invention of the Genetic Code. American
Scientist. January-February 1998 disponvel por WWW em
http://www.amsci.org/amsci/issues/Comsci98/compsci9801.html
[HAW88] HAWKING, Stephen W. Uma Breve Histria do Tempo, editora
Rocco Ltda, So Paulo, 1988.p. 63-70
[HRWa 94] HALLIDAY; RESNICK; WALKER. Fundamentos de Fsica V.2.
Livros Tcnicos e Cientficos Editora S.A. p.227-242.
[HRWb 94] HALLIDAY; RESNICK; WALKER. Fundamentos de Fsica V.4.
Livros Tcnicos e Cientficos Editora S.A. p.151-187.
[JAM84] JAMES, Mike. Inteligncia Artificial em BASIC. Editora Campus,
1994. p.10-58.
[JPS98] SCHLER, Joo Paulo Schwarz. Double Fractal Home Page.
Disponvel por WWW em http://www.schulers.com/fractal .
[LAR95] Grande Enciclopdia Larousse Cultural, Nova Cultural, 1995.
[KIR92] KIRSH, David. Foundations of Artificial Intelligence. The MIT Press,
1992.
60
[MAY92] MAY, Robert M. O Frgil Equilbrio da Vida. Revista Cincia Hoje,

Maro / Abril de 1992.
[MOR90] MORAIS, Manuel. Logos - Eciclopdia Luso-Brasileira de Filosofia.
Editorial Verbo. Lisboa / So Paulo, 1990. p.1447-1463.
[NORF81] NORA, James J.; FRASER, Clarke. Gentica Mdica. Guanabara
Koogan S. A. , Rio de Janeiro, 1991
[OLI92] OLIVER, Dick. Fractal Vision: Put Fractal to Work for You. Pratice
Hall, 1992 .
[PEN89] PENROSE, Roger. A Mente Nova do Rei, editora Campus Ltda, Rio de
Janeiro, 1991.
[REG87] REGIS, Ed. Who's Got Einstein's Office?, Addison-Wesley, 1987 ou
disponvel por WWW em
http://www.stephenwolfram.com/about-sw/interviews/87-einstein/text.html .
[SAG77] SAGAN, Carl. The Dragons of Eden - Speculations on the evolution of
Human Intelligence, The Ballantine Publishing Group, Toronto, 1977
[SAG83] SAGAN, Carl. COSMOS. Livraria Francisco Alves Editora S.A., Rio de
Janeiro, 1983. p.23-42.
[SCH87] SCHILDT, Herbert. Turbo Pascal Avanado. McGraw-Hill, So paulo,
1988. p. 197-222.
[STE95] STERNBERG, Robert. Interview With Robert Sternberg. Skeptic
Magazine vol. 3, no. 3, 1995, p. 72-80 disponvel por WWW em
http://www.skeptic.com/03.3.fm-sternberg-interview.html

Schuler Inteligencia Artificial

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Schuler Inteligencia Artificial

Uploaded by

Copyright:

Available Formats

DA FSICA INTELIGNCIA EXTRASSOMTICA

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

DA FSICA INTELIGNCIA EXTRASSOMTICA

Joo Paulo Schwarz Schler

Prof. Luis Otavio Alvares

Porto Alegre, janeiro de 2000.

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

8.4 Concluses na Computao Biolgica..........................................................................49

DA FSICA INTELIGNCIA EXTRASSOMTICA

unidade central de processamento

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

Anlise de Trabalhos j Realizados

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

Helmholtz sabia que a atividade fsica de um sistema fechado no dura para

Considerando que a entropia nunca diminui, a entropia do universo pode crescer

DA FSICA INTELIGNCIA EXTRASSOMTICA

A histria da vida a histria do crescimento da complexidade organizada.

DA FSICA INTELIGNCIA EXTRASSOMTICA

FIGURA 2.1- Absoro e reflexo de ftons pela superfcie

DA FSICA INTELIGNCIA EXTRASSOMTICA

desaparece e reaparece do outro lado chamado de

FIGURA 2.2 - Os eltrons devero

Se o universo feito de partculas de

FIGURA 2.3 - A bolinha de energia E tenta ultrapassar uma barreira de energia U

Na figura acima, a energia E da bolinha menor que a barreira de energia U. A

2.4 Princpio da Incerteza de Heisenberg

DA FSICA INTELIGNCIA EXTRASSOMTICA

medir a posio de uma partcula, menos se pode medir sua velocidade, e

Gostaria de colocar o princpio da incerteza no seu lugar histrico.

2.5 Fundamentos de Fsica Quntica

DA FSICA INTELIGNCIA EXTRASSOMTICA

A fsica quntica a fsica da quantizao. Enquanto estamos acostumados a ver o

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

A frmula deve ser entendida na forma como segue: X o tamanho da populao

{ classe que gera numeros caoticos

DA FSICA INTELIGNCIA EXTRASSOMTICA

Um programa Pascal para apresentar os primeiros 20 nmeros da seqncia para um

Observe que a primeira coluna descreve o nmero do ciclo. A segunda coluna

DA FSICA INTELIGNCIA EXTRASSOMTICA

FIGURA 3.1 - simulao de

Alterando a velocidade de um nico corpo em seu estado inicial em menos de 1%

FIGURA 3.2 - simulao de

DA FSICA INTELIGNCIA EXTRASSOMTICA

FIGURA 3.3 - Equaes de lorenz.

A,B,C so constantes e x,y,z so variveis.

A constante G a constante de granularidade ou quantizao de tempo. Quanto

FIGURA 3.4 - Borboleta gerada com as

As Equaes de Lorenz so equaes que podem ser usadas para demostrar

DA FSICA INTELIGNCIA EXTRASSOMTICA

DA FSICA INTELIGNCIA EXTRASSOMTICA

FIGURA 3.5 - Vista de uma regio

3.5 O Fractal de Mandelbrot

DA FSICA INTELIGNCIA EXTRASSOMTICA

Para cada ponto C do plano complexo, a funo F repetida por retroalimantao

Por exerccio, vamos fazer um mergulho no fractal de Mandelbrot nas figuras

FIGURA 3.6 - fractal de Mandelbrot.