Physics-Informed Neural Networks for Incommensurate Fractional Volterra-Lotka Systems: Forward Solutions, Memory Asymmetry, and Inverse Parameter Recovery

Seit Jahrzehnten verlassen sich Ökologen auf ein klassisches mathematisches Modell, um zu verstehen, wie zwei Arten in der Wildnis miteinander interagieren. Dieses als Lotka-Volterra-System bekannte Modell verfolgt, wie Populationen wachsen, schrumpfen und sich gegenseitig durch Konkurrenz, Prädation oder gegenseitigen Nutzen beeinflussen. Die Gleichungen sind einfach genug, um sie auf eine Serviette zu schreiben, und doch fangen sie das wesentliche Drama der Natur ein: den Aufstieg und Fall von Räuber und Beute oder den Kampf um Ressourcen zwischen Rivalen. Diese traditionellen Gleichungen gehen jedoch davon aus, dass die Zeit für jedes beteiligte Lebewesen auf die gleiche Weise fließt. Sie behandeln die Vergangenheit als ein einzelnes, einheitliches Gedächtnis, das alle Arten gleichermaßen beeinflusst. In der Realität erleben ein langlebiger Elefant und ein kurzlebiges Insekt die Zeit oder die Geschichte nicht auf die gleiche Weise. Die Population eines Elefanten könnte durch die Erinnerungen an Dürren vor Jahrzehnten geprägt sein, während die Zahlen eines Insekts vielleicht nur auf die Bedingungen der letzten Wochen reagieren. Dieser Unterschied darin, wie Organismen sich an ihre Vergangenheit „erinnern“, ist ein entscheidendes Puzzlestück des ökologischen Gefüges, das Standardmodelle lange Zeit ignoriert haben.

Eine neue Studie der Forscherin Humaira Zulfiqar widmet sich diesem Versäumnis, indem sie eine flexiblere Version des klassischen Modells entwickelt. Anstatt zu fordern, dass beide Arten dasselbe Gedächtnis an die Vergangenheit teilen, erlaubt die Studie jeder Art ihr eigenes, einzigartiges Erinnerungstempo. Die Forscherin nutzte ein modernes Rechenwerkzeug namens „Physics-Informed Neural Network“ (physik-informiertes neuronales Netz), was im Wesentlichen ein Computerprogramm ist, das darauf trainiert wurde, komplexe Gleichungen zu lösen, indem es die Gesetze der Physik lernt, anstatt nur Zahlen zu verarbeiten. Indem sie dieses Programm lehrte, die spezifischen, unterschiedlichen Arten und Weisen zu respektieren, wie jede Art ihre Geschichte erinnert, deckte die Studie Verhaltensweisen auf, die zuvor unsichtbar waren. Die Ergebnisse legen nahe, dass sich die Beziehung zwischen zwei Arten auf überraschende Weise verändern kann, wenn sie über sehr unterschiedliche Erinnerungen verfügen. Ein Paar von Tieren, das sich eigentlich gegenseitig helfen sollte, könnte unter den richtigen Bedingungen der Differenz im Gedächtnis so agieren, als würde das eine das andere schädigen. Diese Entdeckung stellt die Vorstellung infrage, dass wir ökologische Ergebnisse immer allein basierend auf der Art der Interaktion vorhersagen können, und zeigt, dass die Geschwindigkeit, mit der eine Art die Vergangenheit vergisst oder sich an sie erinnert, genauso wichtig ist wie die Interaktion selbst.

Der Kern dieser Arbeit liegt in der Adressierung einer mathematischen Einschränkung, die Forscher geraume Zeit vor Rätsel gestellt hatte. Frühere Versuche, „Gedächtnis“ in diese Populationsmodelle einzufügen, funktionierten gut, wenn beide Arten als gleichmäßige Erinnerungsraten angenommen wurden. Wenn die Raten differierten, versagten die Standard-Mathematikwerkzeuge, da die Gleichungen keinem ordentlichen, vorhersehbaren Muster mehr folgten. Zulfiqar wandte sich einem anderen Ansatz zu und nutzte ein neuronales Netz, das in der Lage war, diese unordentlichen, ungleichen Bedingungen zu handhaben. Das Netzwerk wurde mit zwei separaten „Gedächtnis“-Einstellungen entworfen, einer für jede Art, was es dem Computer ermöglichte, zu simulieren, wie Populationen sich entwickeln, wenn eine Art weiter in die Vergangenheit zurückblickt als die andere. Die Forscher testeten diese neue Methode zuerst gegen bekannte Lösungen für den einfacheren Fall mit gleichem Gedächtnis, um sicherzustellen, dass sie genau war. Die Vorhersagen des Computers stimmten mit den etablierten mathematischen Benchmarks mit einem durchschnittlichen Fehler von weniger als drei Tausendstel überein, was bewies, dass die Methode zuverlässig ist.

Nachdem die Methode verifiziert worden war, untersuchte die Studie, was passiert, wenn die zwei Arten unterschiedliche Erinnerungsraten haben. Die Simulationen deckten alle sechs klassischen Arten ökologischer Beziehungen ab, von reiner Konkurrenz bis hin zum Mutualismus. In jedem Fall änderten die ungleichen Erinnerungsraten die Details der Populationskurven. In einem Konkurrenzszenario neigte beispielsweise die Art mit dem längeren Gedächtnis (diejenige, die sich über einen längeren Zeitraum an vergangene Bedingungen erinnert) dazu, bei Druck langsamer zu sinken. Es war, als wäre diese Art widerspenstiger und würde die Vorteile einer besseren Vergangenheit länger festhalten. In Räuber-Beute-Szenarien hing die Größe der Populationsschwankungen von der spezifischen Erinnerungsrate des jeweiligen Tieres ab und nicht von einem einzigen, gemeinsamen Faktor. Diese Ergebnisse zeigten, dass das „Gedächtnis“ einer Art nicht nur ein Hintergrunddetail ist; es formt aktiv den Rhythmus und die Intensität ihres Überlebens.

Die bemerkenswerteste Entdeckung ergab sich, als die Forscher ein Szenario betrachteten, in dem zwei Arten sich theoretisch gegenseitig helfen sollten. Im Standardmodell gilt: Wenn beide Arten von der Anwesenheit der anderen profitieren, werden sie immer gemeinsam wachsen. In diesem neuen Modell jedoch, wenn eine Art ein sehr kurzes Gedächtnis und die andere ein sehr langes Gedächtnis hatte, verschob sich das Ergebnis dramatisch. Die Art mit dem kurzen Gedächtnis wuchs schnell, während die Art mit dem langen Gedächtnis unterdrückt wurde und zurückging. Ein Beobachter, der nur die endgültigen Zahlen betrachtet, würde den Eindruck gewinnen, dass eine Art die andere schädigt, obwohl die zugrunde liegenden Regeln besagten, dass sie einander helfen. Die Forscher nennen dies einen „gedächtnisinduzierten Rollenwechsel“ (memory-induced role transition). Dies deutet darauf an, dass eine Beziehung, die wie eine schädliche Beziehung aussieht, in der Realität tatsächlich eine hilfreiche sein könnte, die durch die unterschiedlichen Arten, wie die beiden Arten die Zeit erleben, verzerrt wird. Dieses Phänomen tritt nicht auf, wenn beide Arten dieselbe Erinnerungsrate haben, was verdeutlicht, dass der Unterschied in ihren internen Uhren der entscheidende Treiber ist.

Über die bloße Simulation der Zeit nach vorne hinaus testeten die Forscher auch, ob dieses neue Modell auch rückwärts funktionieren kann, um Geheimnisse zu lösen. Die Forscher erstellten einen Satz fiktiver Populationsdaten mit Rauschen, um zu simulieren, was ein Feldforscher in der Wildnis sammeln würde. Dann baten sie den Computer, die verborgenen Regeln zu finden, die diese Daten erzeugt hatten, einschließlich der Wachstumsraten, der Stärke der Interaktionen und der spezifischen Erinnerungsraten für beide Arten. Das neuronale Netz konnte alle acht verborgenen Werte aus nur dreißig Datenpunkten erfolgreich wiederherstellen, mit einer Fehlermarge von weniger als 3,5 Prozent. Dies ist eine bedeutende Leistung, da es zeigt, dass es selbst mit begrenzten und unvollkommenen Daten möglich ist, die spezifischen Merkmale des Gedächtnisses verschiedener Arten zu entschlüsseln. Es öffnet die Tür für zukünftige Studien, reale Populationsdaten zu analysieren und zu bestimmen, ob Arten auf unterschiedlichen Zeitskalen operieren, was potenziell erklärt, warum einige ökologische Interaktionen anders aussehen als das, was einfache Modelle vorhersagen.

Die Studie kommt zu dem Schluss, dass die Annahme eines einzigen, geteilten Gedächtnisses für alle interagierenden Arten eine Vereinfachung ist, die wichtige biologische Realitäten übersieht. Indem sie unterschiedliche Erinnerungsraten zulässt, offenbart das Modell eine reichere, komplexere Welt der ökologischen Dynamiken. Die Ergebnisse stürzen die klassischen Modelle nicht um, sondern erweitern sie, indem sie zeigen, dass die Geschichte einer Population für jedes Geschöpf unterschiedlich wichtig ist. Die Forschung legt nahe, dass wenn Ökologen seltsame oder unerwartete Muster in der Natur sehen, wie etwa eine mutualistische Beziehung, die wie ein Kampf aussieht, sie in Betracht ziehen sollten, ob die zwei Arten einfach unterschiedliche Wege haben, sich an ihre Vergangenheit zu erinnern. Die Arbeit bietet ein neues mathematisches Werkzeug, um diese Fragen zu erforschen, und geht über die Vorstellung hinaus, dass die Zeit für alle gleich ist, und erkennt an, dass in der Wildnis die Vergangenheit für jede Art eine andere Geschichte ist.