Self-organized Regulation of Group Size and Number in Natural and Artificial Collectives
Diese Arbeit schlägt einen dezentralen Mechanismus vor und validiert diesen, der auf lokaler Wahrnehmung und individuellen Präferenzen basiert und es sowohl künstlichen als auch natürlichen Kollektiven, wie etwa Weißnasencoatis, ermöglicht, sich selbst zu organisieren und ihre Gruppengrößen sowie -zahlen aktiv an die Umweltanforderungen anzupassen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der Natur, von den wirbelnden Fischschwärmen bis hin zu den geschäftigen Kolonien von Ameisen, agieren Lebewesen selten allein. Sie sammeln sich, teilen sich auf und formen sich zu Gruppen neu, die sich wie Wolken verändern und wandeln. Diese Fähigkeit, sich zu organisieren und neu zu organisieren, ist lebensnotwendig. Eine Gruppe kann Schutz vor Fressfeinden bieten oder helfen, Nahrung zu finden, aber wenn sie zu groß wird, wird sie zur Last, da die Mitglieder um begrenzte Ressourcen kämpfen oder Krankheiten verbreiten. Wissenschaftler haben schon lange verstanden, dass es einen optimalen Punkt gibt, eine ideale Größe, in der eine Gruppe am besten funktioniert. Doch ein tieferes Rätsel bleibt bestehen: Wie weiß eine Ansammlung von Individuen, die jeweils nur eine begrenzte Sicht auf ihre unmittelbare Umgebung haben, wann sie zusammenbleiben und wann sie sich aufteilen sollen? Sie können nicht die gesamte Population sehen, noch können sie zählen, wie viele Gruppen es insgesamt gibt. Doch sowohl in der Natur als auch in den Maschinen, die wir bauen, scheinen Gruppen einen Weg zu finden, sich selbst zu regulieren und sich in einem stabilen Muster von Größen und Zahlen zu etablieren, ohne dass ein zentraler Anführer Befehle gibt.
Ein Forscherteam setzte sich zum Ziel, dieses Rätsel zu lösen, indem es eine spezifische Frage stellte: Kann eine Gruppe von Individuen, die nur über lokale Informationen und ihre eigenen persönlichen Präferenzen verfügt, sich selbst so organisieren, dass sie sowohl die Größe ihrer Gruppen als auch die Gesamtzahl der Gruppen kontrolliert? Um die Antwort zu finden, untersuchten die Forscher zuerst das einfachste mögliche Verhalten: das Folgen. In vielen Tiergruppen bewegen sich Individuen einfach auf einen Nachbarn zu. Die Forscher entwickelten ein mathematisches Modell, um zu sehen, ob dieses einfache Regelwerk allein stabile Gruppen erzeugen konnte. Sie fanden heraus, dass das Folgeverhalten zwar dazu führen konnte, dass sich Individuen zusammenballten, aber nicht ausreichte, um die Gruppengröße aktiv zu regulieren. Die Gruppen bildeten sich zwar, aber ihre Größe war ein passives Ergebnis der Umgebung, in der sie sich befanden, und keine bewusste Anpassung, um eine ideale Zahl zu erreichen. Die Tiere würden nicht wissen, ob sie sich in einer Gruppe befänden, die zu groß oder zu klein war.
Um dies zu korrigieren, schlugen die Forscher einen neuen Mechanismus vor, der auf einem einfachen inneren Gefühl basiert: einer persönlichen Präferenz für eine bestimmte Gruppengröße. Stellen Sie sich vor, jedes Individuum trägt ein stilles, inneres Empfinden dafür in sich, was die perfekte Gruppengröße für es selbst ist. Wenn sich die Gruppe, in der es sich befindet, zu klein anfühlt, sucht es nach anderen, die dazustoßen sollen. Wenn sie sich zu groß anfühlt, entscheidet es sich, die Gruppe zu verlassen und eine neue Gruppe zu gründen oder eine andere zu suchen. Diese Idee wurde in eine Computersimulation übertragen, bei der virtuelle Agenten – die Roboter oder Tiere repräsentieren – sich bewegten und Entscheidungen basierend auf dieser inneren Präferenz trafen. Die Forscher testeten dieses System unter drei verschiedenen Bedingungen der Kommunikation. Im ersten Fall konnten die Agenten nur sehen, wo sich andere befanden, ohne eine Vorstellung davon zu haben, wie viele in einer Gruppe sind. Im zweiten Fall konnten sie die Gruppengröße einmalig abfragen, bevor sie sich entschieden, beizutreten. Im dritten Fall erhielten sie einen konstanten, aktualisierten Informationsstrom über die Gruppengröße.
Die Ergebnisse zeigten, dass das System am besten funktionierte, wenn die Agenten Zugang zu Informationen über die Gruppengröße hatten. Wenn die Agenten nur Positionen wahrnehmen konnten, schwankten die Gruppen wild, wurden zu groß und schrumpften dann wieder zu klein, ohne jemals einen stabilen Rhythmus zu finden. Wenn die Agenten die Gruppengröße selbst bei nur einem Mal prüfen konnten, wurde das System wesentlich stabiler und die Gruppen pendelten sich näher an der gewünschten Größe ein. Die effektivste Methode war die kontinuierliche Kommunikation, bei der die Agenten ständig über die Größe der Gruppen Bescheid wussten, die sie in Betracht zogen. In diesem Szenario gelang es den virtuellen Robotern, drei perfekte Gruppen von jeweils vierzehn Individuen zu bilden, wodurch das chaotische Schwanken zwischen zu groß und zu klein eliminiert wurde. Die Forscher maßen, wie lange die Roboter in Gruppen verbrachten, die größer als die Zielgröße waren, und stellst fest, dass kontinuierliche Information diese „Übergröße“-Zeit im Vergleich zur Positionsmethale um mehr als neunzig Prozent reduzierte.
Um zu sehen, ob dieser künstliche Mechanismus die Realität widerspiegelt, wandten sich die Forscher an reale Daten von wildlebenden Weißnasen-Coatis, einem mit Waschbären verwandten Säugetier. Diese Tiere leben in sozialen Verbänden, die häufig sich aufteilen und wieder zusammenfinden. Das Team nutzte GPS-Tracking-Daten von zwei verschiedenen Coati-Gruppen, um ihr Modell zu kalibrieren. Sie programmierten die Coatis nicht mit einer spezifischen Regel; stattdessen leiteten sie die individuellen Präferenzen daraus ab, welche Gruppengrößen die Tiere in der Wildnis tatsächlich erfuhren. Für eine Gruppe, die sich gleichmäßig aufteilte, nahm das Modell an, dass alle Individuen eine ähnliche Präferenz teilten. Für eine andere Gruppe, die sich ungleichmäßig aufteilte, wies das Modell verschiedenen Individuen unterschiedliche Präferenzen zu. Als sie die Simulation mit diesen realen Präferenzen durchführten, reproduzierten die virtuellen Coatis die statistischen Muster der echten Tiere. Das Modell bildete erfolgreich die beobachtete Anzahl der Untergruppen, die typischen Größen dieser Untergruppen und die Art und Weise ab, wie die Gruppen zwischen verschiedenen Konfigurationen wechselten.
Die Studie legt nahe, dass die komplexen, sich wandelnden Sozialstrukturen, die in der Natur und in effizient organisierten technischen Systemen zu sehen sind, auf denselben grundlegenden Prinzipien beruhen könnten. Es ist nicht notwendig, dass jedes Individuum die Gesamtzahl der Tiere oder die Gesamtzahl der Gruppen kennt. Stattdessen entsteht Stabilität, wenn jedes Individuum einfach seine aktuelle Situation mit einem persönlichen Standard vergleicht und entsprechend handelt. Die Forschung zeigt, dass ein dezentrales System, in dem jeder Entscheidungen basierend auf lokaler Wahrnehmung und einem persönlichen Ziel trifft, das schwierige Problem der gleichzeitigen Regulierung von Gruppengröße und Gruppenzahl lösen kann. Während die Studie bestätigt, dass ein solcher Mechanismus mathematisch möglich ist und mit realen Tierdaten übereinstimmt, beweist sie nicht, dass wilde Coatis exakt diese Methode anwenden. Vielmehr zeigt sie, dass diese einfache, lokale Strategie eine plausible und kraftvolle Art und Weise ist, wie Kollektive ohne einen zentralen Kommandanten anpassen und gedeihen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.