Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty

Das Paper stellt Procela vor, ein Python-Framework für mechanistische Simulationen, das durch epistemische Governance und dynamische Topologie-Anpassung strukturelle Unsicherheiten bewältigt, indem es zur Laufzeit neue Mechanismen hinzufügt, fehlerhafte entfernt und Kausalgraphen experimentell verändert – eine strukturelle Mutation, die über das bloße Re-weighting fester Modelle hinausgeht und so die Modellierung von Annahmen sowie die Fehlerreduktion bei der Ausbreitung antimikrobieller Resistenzen revolutioniert.

Das Wesentliche

Stellen Sie sich vor, Sie steuern ein riesiges, komplexes Schiff durch einen stürmischen Ozean. Normalerweise haben Sie eine feste Landkarte und einen einzigen Kompass. Aber was passiert, wenn der Ozean sich plötzlich verändert? Was, wenn niemand weiß, ob der Sturm durch Winde, Gezeiten oder eine unsichtbare Strömung verursacht wird? Und was, wenn Ihre Landkarte veraltet ist, aber Sie trotzdem weiterfahren müssen?

Genau dieses Problem löst die in diesem Papier vorgestellte Software namens Procela.

Hier ist die Erklärung in einfachen Worten, mit ein paar anschaulichen Vergleichen:

1. Das Problem: Die starre Landkarte

Bisher waren Computersimulationen wie ein starrer Fahrplan. Man hat am Anfang festgelegt: "Wir glauben, dass A B verursacht." Und dann lief das Programm 100 Jahre lang genau so weiter.
Das Problem: In der echten Welt (z. B. bei der Ausbreitung von Antibiotikaresistenzen im Krankenhaus) wissen wir oft nicht genau, was passiert. Ist es der Kontakt zwischen Patienten? Ist es schmutzige Oberflächen? Oder sind es die Medikamente selbst?
Wenn man sich für eine Theorie entscheidet und sich dann irrt, ist die Simulation wertlos. Sie ignoriert die Unsicherheit.

2. Die Lösung: Procela – Der "selbstzweifelnde" Simulator

Procela ist wie ein Schiffskapitän, der nicht nur navigiert, sondern ständig über seine eigene Navigationsmethode nachdenkt und die Landkarte im laufenden Betrieb neu zeichnet.

Statt einer starren Landkarte hat Procela drei besondere Fähigkeiten, die es von herkömmlichen Modellen unterscheiden:

• Die "Gedächtnis-Verstärker" (Variablen):
  In normalen Programmen ist eine Zahl einfach eine Zahl. In Procela ist jede Zahl wie ein Ratgeber, der sich an alles erinnert. Er merkt sich: "Herr Mechanismus A hat gestern 50 vorhergesagt, Herr Mechanismus B hat 60 gesagt." Der Ratgeber speichert alle diese Meinungen, ihre Zuversicht und ihre Herkunft. Er vergisst nichts.

• Die "Wettbewerber" (Mechanismen):
  Statt nur einer Theorie gibt es in Procela mehrere Teams, die gleichzeitig arbeiten.

  • Team A sagt: "Es ist Kontakt!"
  • Team B sagt: "Nein, es ist die Umwelt!"
  • Team C sagt: "Es sind die Medikamente!"
    Alle Teams arbeiten parallel. Sie werfen ihre Vorhersagen in den "Ratgeber".

• Der "Schiedsrichter mit Macht" (Governor):
  Das ist das Herzstück. Es gibt einen intelligenten Beobachter (den Schiedsrichter), der domänenunabhängig funktioniert. Er hat vier allgemeine Fähigkeiten, die für jedes Problemfeld gelten:

  1. Beobachten (Observe): Er überwacht Signale, die Sie für Ihr spezifisches Gebiet definieren.
  2. Entscheiden (Decide): Er löst Aktionen aus, wenn diese Signale bestimmte Schwellenwerte überschreiten.
  3. Handeln (Act): Er kann völlig neue Mechanismen hinzufügen, die es am Anfang gar nicht gab. Er kann scheiternde Mechanismen komplett entfernen. Er kann ändern, wie die Teams entscheiden (z. B. von "Mehrheitsentscheid" zu "Bestes Ergebnis"). Und er kann Experimente starten, die die zugrundeliegende Struktur der Simulation verändern.
  4. Lernen (Learn): Er behält erfolgreiche Konfigurationen bei. Wenn ein Experiment scheitert, kehrt er automatisch zum vorherigen, funktionierenden Zustand zurück.

  Der entscheidende Unterschied: Ein herkömmliches Ensemble-Modell ist wie ein Kapitän, der zwischen drei festen Landkarten hin und her wechselt. Procela kann in der Mitte der Reise eine brandneue Landkarte zeichnen, Instrumente hinzufügen, die vorher nicht da waren, oder ändern, wie der Kompass interpretiert wird.

3. Das Beispiel aus dem Papier: Antibiotika im Krankenhaus (AMR)

Um zu zeigen, wie Procela funktioniert, haben die Forscher es in einem simulierten Krankenhaus getestet, wo resistente Bakterien sich ausbreiten. Hier nutzen sie spezifische Signale, die nur für diesen Bereich (AMR) definiert wurden – Procela selbst kennt diese Begriffe nicht von Haus aus, sondern führt nur die Anweisungen des Schiedsrichters aus:

• Die Signale (Spezifisch für AMR):

  • Coverage (Abdeckung): Misst, wie genau die Vorhersagen eines Mechanismus-Teams sind.
  • Fragility (Fragilität): Misst, wie sehr sich die Teams darüber streiten, welche Intervention (z. B. Desinfektion vs. Isolation) angewendet werden sollte.
  • Probe (Sondierung): Ein Experiment, bei dem ein Mechanismus-Team kurzzeitig isoliert wird, um zu sehen, wie gut es allein funktioniert.

• Der Ablauf mit Procela:

  1. Der Schiedsrichter beobachtet, dass die "Coverage" sinkt und die "Fragilität" steigt – die Teams sind verwirrt.
  2. Er entscheidet, ein Experiment zu starten: Er isoliert kurzzeitig die "Kontakt-Theorie" (Probe), um ihre Leistung allein zu messen.
  3. Das Ergebnis zeigt, dass die "Kontakt-Theorie" allein schlecht abschneidet.
  4. Der Schiedsrichter handelt: Er entfernt die "Kontakt-Theorie" vorübergehend aus dem aktiven Pool und testet stattdessen, ob eine neue, zuvor nicht genutzte "Umwelt-Theorie" besser passt.
  5. Da die Umwelt-Theorie jetzt besser funktioniert, behält er diese Konfiguration bei.
  6. Später, wenn sich die Situation wieder ändert, passt sich Procela wieder an.

Das Ergebnis: Procela machte 20 % weniger Fehler als die starren Simulationen. Es lernte aus seinen Fehlern, genau wie ein guter Wissenschaftler, indem es die Struktur der Simulation selbst veränderte.

4. Warum ist das revolutionär?

Stellen Sie sich vor, ein Wettervorhersage-Modell würde nicht nur das Wetter vorhersagen, sondern auch selbst entscheiden: "Heute ist mein Modell für Regen falsch, ich schalte es aus, zeichne ein neues Modell für Schnee und ändere gleichzeitig, wie ich die Winddaten interpretiere."

Das ist Procela. Es ist ein Simulator, der seine eigene Arbeit hinterfragt und strukturell verändert.

• Es ist wie ein wissenschaftlicher Prozess in Echtzeit: Beobachten -> Hypothese aufstellen -> Experimentieren -> Auswerten -> Anpassen.
• Es ist überprüfbar: Jeder Schritt, jede Entscheidung und jeder Fehler wird aufgezeichnet. Man kann später genau nachsehen, warum das System eine bestimmte Entscheidung getroffen hat.

Zusammenfassung in einem Satz

Procela verwandelt starre, dumme Computermodelle in lebendige, lernende Systeme, die nicht nur zwischen festen Optionen wählen, sondern mutig genug sind, ihre eigene Struktur im laufenden Betrieb zu verändern – neue Mechanismen zu erfinden, alte zu entfernen und ihre Regeln anzupassen –, um in einer unsicheren Welt bessere Vorhersagen zu treffen.

Technische Zusammenfassung

Hier ist die überarbeitete, detaillierte technische Zusammenfassung des Artikels „Procela: Epistemic Governance in Mechanistic Simulations Under Structural Uncertainty" von Kinson Vernet auf Deutsch.

1. Problemstellung: Die Grenzen feststehender Ontologien

Herkömmliche mechanistische Simulationen (z. B. in der Epidemiologie, Klimaforschung oder Wirtschaft) basieren auf dem Paradigma fester Ontologien. Das bedeutet, dass Variablen, kausale Beziehungen und Auflösungsmechanismen vor der Ausführung definiert und während der gesamten Simulation statisch bleiben.

Dieser Ansatz versagt in Szenarien mit struktureller Unsicherheit, bei denen die wahre kausale Struktur des Systems umstritten, nicht identifizierbar oder veränderbar ist. Ein klassisches Beispiel ist die Ausbreitung von Antibiotikaresistenzen (AMR) in Krankenhäusern, bei der verschiedene Erklärungsmodelle (Ontologien) konkurrieren:

• Übertragung durch Patientenkontakt.
• Umweltreservoire (kontaminierte Oberflächen/Luft).
• Selektionsdruck durch Antibiotika.

Da Beobachtungsdaten oft nicht eindeutig zwischen diesen Modellen unterscheiden können, zwingt die Wahl eines einzigen Modells dazu, epistemische Unsicherheit zu ignorieren. Bestehende Ansätze wie Modellmittelung oder robuste Steuerung optimieren nur innerhalb eines festen Satzes von Modellen, ohne die Modelle selbst zu hinterfragen oder die Systemarchitektur anzupassen.

2. Methodik: Das Procela-Framework

Procela ist ein Python-Framework (3.10+), das epistemische Unsicherheit von einer prä-simulativen Annahme zu einem Laufzeitprozess erhebt. Es ermöglicht Simulationen, ihre eigenen Annahmen zu testen und die Systemtopologie dynamisch zu verändern.

Das Framework basiert auf vier fundamentalen Abstraktionen:

A. Variablen als epistemische Autoritäten mit Gedächtnis

Im Gegensatz zu herkömmlichen Variablen, die nur Werte speichern, sind Procela-Variablen epistemische Autoritäten.

• Sie speichern die vollständige Historie konkurrierender Hypothesen (jeweils mit Wert, Konfidenz, Quelle und Zeitstempel).
• Sie lösen Konflikte durch definierte Auflösungsrichtlinien (z. B. gewichtete Abstimmung, höchste Konfidenz).
• Dies ermöglicht eine vollständige Auditierbarkeit der Entscheidungsfindung.

B. Mechanismen als kausale Einheiten (Wissenschaftliche Theorien)

Jeder Mechanismus kodiert eine kausale Hypothese (eine „Wissenschaftstheorie").

• Mechanismen lesen Variablen, wenden Transformationen an und schreiben neue Hypothesen zurück.
• Mehrere Mechanismen können konkurrieren, um dasselbe Phänomen zu erklären.
• Sie können zustandsbehaftet sein und aus Fehlern lernen.

C. Governance als First-Class-Bürger (Allgemeine Fähigkeiten)

Governance (Steuerung) ist kein externes Skript, sondern ein integraler Bestandteil der Simulation, der strukturelle Mutationen durchführt. Im Gegensatz zu traditionellen Ensemble-Methoden, die lediglich Gewichte anpassen oder Mechanismen stumm schalten, verändert Procela die Architektur der Simulation zur Laufzeit:

• Beobachten: Der Governor überwacht domänenspezifische Signale (Indikatoren für Unsicherheit oder Fehler), die vom Nutzer definiert werden.
• Entscheiden: Basierend auf Schwellenwerten für diese Signale trifft der Governor Entscheidungen über strukturelle Eingriffe.
• Handeln (Strukturelle Mutationen): Der Governor führt tiefgreifende Änderungen an der Simulation durch, darunter:
  • Hinzufügen von Mechanismen, die zum Zeitpunkt der Initialisierung nicht existierten.
  • Entfernen von Mechanismen, die versagen.
  • Ändern der Auflösungsrichtlinien (Resolution Policies) von Variablen.
  • Ausführen von Experimenten, die den kausalen Graphen temporär verändern.
• Lernen (Automatische Reversion): Wenn ein Experiment oder eine Mutation zu einer Verschlechterung führt, wird die Änderung automatisch rückgängig gemacht. Dies verhindert langfristige Degradation und ermöglicht ein sicheres „Trial-and-Error" im laufenden Betrieb.

D. Executive (Orchestrierung)

Der Executive führt die Simulationsschritte durch, verwaltet den Zufallszustand für Reproduzierbarkeit und protokolliert alle Historien und Governance-Aktionen.

3. Fallstudie: Antibiotikaresistenz (AMR) in Krankenhäusern

Um Procela zu validieren, wurde eine Simulation der AMR-Ausbreitung in einem Krankenhausnetzwerk mit drei Einheiten durchgeführt. Diese Fallstudie dient als domänenspezifische Instanziierung der oben beschriebenen generischen Governance-Fähigkeiten.

• Szenario: Die „Wahrheit" (Ground Truth) wechselt dynamisch zwischen drei Regimen:
  1. Selektionsdruck (Antibiotika).
  2. Umweltkontamination.
  3. Patientenkontakt.
• Mechanismen: Drei Familien von Mechanismen (Kontakt, Umwelt, Selektion) konkurrieren um die Vorhersage der Anzahl kolonisierter Patienten.
• Domänenspezifische Signale: Im Gegensatz zu den generischen Fähigkeiten des Frameworks wurden für diese Studie spezifische Metriken implementiert, die als Eingabe für den Governor dienen:
  • Coverage: Misst, wie genau ein Mechanismus die Beobachtungen vorhersagt.
  • Policy Fragility: Misst die Diskrepanz in den empfohlenen Interventionen zwischen verschiedenen Mechanismen.
  • Recent Error: Der aktuelle Vorhersagefehler.

Governance-Strategien in der AMR-Studie

Drei Ebenen der Governance wurden implementiert, die den generischen Governor-Funktionen entsprechen, jedoch mit den oben genannten spezifischen Signalen arbeiten:

1. Policy-Fragilitäts-Governance: Erkennt hohe Diskrepanzen bei Interventionsempfehlungen (Signal: Fragility) und testet, ob ein Wechsel der Auflösungsrichtlinie hilft.
2. Coverage-Decay-Governance: Erkennt, wenn eine ganze Mechanismus-Familie ihre Vorhersagegenauigkeit verliert (Signal: Coverage), und deaktiviert diese Familie temporär oder fügt alternative Mechanismen hinzu, um die Gesamtvorhersage zu verbessern.
3. Structural Probe: Führt periodisch isolierte Tests durch, indem jeweils nur eine Familie aktiv ist, um deren Leistung im aktuellen Regime zu messen (Experimentieren mit dem kausalen Graphen).

4. Ergebnisse

Die Experimente wurden über 50 unabhängige Läufe mit 160 Zeitschritten durchgeführt.

• Fehlerreduktion: Die Coverage-Decay-Governance reduzierte den mittleren absoluten Fehler (MAE) im Vergleich zur statischen Baseline um 20,42 %.
• Entscheidungsqualität: Die Structural Probe zeigte die beste Leistung bei der Entscheidungsfindung (kumulierter Unterschied zur optimalen Intervention: +69,0 %), obwohl sie die Vorhersagegenauigkeit nur moderat verbesserte (+9,31 %).
• Experiment-Erfolgsrate: Governance-Experimente waren in Krisenzeiten (hoher Basisfehler) zu 71,4 % erfolgreich. Bei stabilen Phasen waren sie weniger erfolgreich, was zeigt, dass das System Krisen korrekt erkennt.
• Rückgängigmachung: Gescheiterte Experimente wurden erfolgreich revertiert, was langfristige Verschlechterungen verhinderte.
• Kombinierte Governance: Die Kombination aller Strategien führte zu einer gemischten Verbesserung (8,18 % Fehlerreduktion), zeigte aber, dass nicht-robustes Kombinieren Instabilität einführen kann.

5. Bedeutung und Beiträge

Der Artikel leistet vier wesentliche Beiträge:

1. Konzeptioneller Paradigmenwechsel: Procela etabliert Simulationen nicht als statische Modelle, sondern als adaptive, selbstfragende Prozesse, die ihre eigene Modellierung modellieren. Der Kern liegt in der strukturellen Mutation zur Laufzeit, nicht nur in der Gewichtung bestehender Modelle.
2. Technische Implementierung: Ein Open-Source-Framework, das epistemische Governance durch Invarianten, Hooks und Mutationen als First-Class-Bürger implementiert. Es unterscheidet sich fundamental von Ensemble-Methoden durch die Fähigkeit, die Systemtopologie dynamisch zu erweitern oder zu reduzieren.
3. Empirischer Nachweis: Der Nachweis, dass strukturelle Mutationen unter Unsicherheit messbare Verbesserungen erzielen (20,4 % Fehlerreduktion) und dass automatisches Reversen gescheiterter Experimente essenziell für die Stabilität ist.
4. Auditierbarkeit: Durch die Speicherung aller Hypothesen und Governance-Entscheidungen mit kryptografischen Quellen-Keys entsteht eine vollständige Prüfpflicht (Audit Trail) für die Evolution des Modells.

Fazit:
Procela überwindet die Grenzen traditioneller Modellierung, indem es epistemische Unsicherheit nicht als Hindernis, sondern als steuerbaren Prozess behandelt. Es ermöglicht Simulationen, sich an verändernde Realitäten anzupassen, indem sie nicht nur konkurrierende Theorien gewichten, sondern die Systemstruktur dynamisch optimieren, neue Mechanismen einführen und fehlerhafte Pfade automatisch verwerfen. Dies ist besonders relevant für komplexe Domänen wie Epidemiologie, Klimawissenschaft und Wirtschaft, wo die „wahre" kausale Struktur oft unbekannt oder umstritten ist.