Tuning Agent-Based Predator-Prey Models Toward Lotka-Volterra Dynamics

Resumen Técnico: Ajuste de Modelos de Depredador-Presa Basados en Agentes hacia la Dinámica de Lotka-Volterra

Planteamiento del Problema
El reciente aumento de la potencia computacional ha permitido el uso de modelos basados en agentes (ABM, por sus siglas en inglés) a gran escala para simular sistemas adaptativos complejos. Sin embargo, una dificultad central persiste: los ABM suelen contener numerosos parámetros y reglas locales donde ajustes menores pueden conducir a comportas descontroladas, colapso poblacional o saturación artificial. El desafío radica en restringir estas dinámicas para producir estructuras poblacionales estables y significativas sin eliminar las interacciones locales que generan la complejidad. Específicamente, los autores investigan si los parámetros microscópicos de un sistema depredador-presa continuo pueden ajustarse para que las dinámicas de población resultantes se asemejen a las oscilaciones suaves y clásicas de las ecuaciones de Lotka-Volterra (LV).

Metodología
El estudio emplea un sistema depredador-presa continuo en dos dimensiones donde ovejas (presas) y lobos (depredadores) son modelados como agentes activos autopropulsados. El sistema está implementado utilizando ABMax, un marco basado en JAX que permite la simulación por lotes (batching) eficiente en aceleradores de hardware (GPUs NVIDIA A100).

• Dinámica de los Agentes: Los agentes poseen energía interna, capacidades de detección local (proyección de rayos con oclusión) y están controlados por Redes Neuronales Recurrentes de Tiempo Continuo (CTRNN) basadas en una interpretación moderna de Wilson-Cowan. Los agentes se mueven en un plano cartesiano, obteniendo energía de un parche central de hierba (ovejas) o mediante el consumo de presas (lobos), mientras incurren en costos metabólicos.
• Rotación Poblacional: El nacimiento y la muerte se basan en umbrales. Los agentes se reproducen si la energía excede un umbral durante un tiempo específico y hay un espacio disponible; mueren si la energía permanece por debajo de un umbral durante un tiempo determinado. La descendencia hereda los parámetros del controlador y la mitad de la energía del progenitor.
• Estrategia de Optimización: La optimización ocurre en dos etapas distintas:
  1. Optimización del Controlador: Utilizando la Estrategia Evolutiva de Adaptación de la Matriz de Covarianza (CMA-ES), los autores primero optimizan los controladores de red neuronal para ovejas y lobos por separado. Los lobos son entrenados contra controladores de ovejas aleatorios, y viceversa, para establecer comportamientos locales robustos.
  2. Ajuste a Nivel de ABM: Con los controladores fijos (ya sean las versiones evolucionadas o inicializaciones aleatorias), los autores optimizan los parámetros ecológicos (por ejemplo, tasas de ingesta de hierba, tasas de transferencia de depredación, costos metabólicos y umbrales de nacimiento/muerte).
• Función de Objetivo: El ajuste apunta a una función de pérdida basada en características diseñada para imponer dinámicas tipo LV. La pérdida ($L$) es una suma ponderada de varios componentes:
  • Pérdida de Correlación ($L_{corr}$): Utiliza la correlación de Pearson para recompensar el desfase entre las poblaciones de presa y depredador (la presa liderando al depredador) y la alineación de las pendientes de crecimiento/decrecimiento. También codifica la presión local de LV (una alta abundancia de presas impulsando el crecimiento de los depredadores, y viceversa).
  • Pérdidas de Estabilidad: Incluye términos para prevenir la extinción ($L_e$), prevenir la saturación en topes poblacionales artificiales ($L_c$), asegurar suficiente amplitud de oscilación ($L_a$), imponer trayectorias no monotónicas ($L_t$), penalizar trayectorias que no cruzan su media con la frecuencia suficiente ($L_{cross}$) y minimizar la deriva a largo plazo en las medias poblacionales ($L_d$).

Resultados Clave

• Convergencia hacia la Dinámica LV: La optimización guio con éxito los parámetros del ABM hacia regímenes que exhiben oscilaciones acopladas y sostenidas entre las poblaciones de ovejas y lobos. La función de pérdida disminuyó significamente, particularmente cuando se utilizaron controladores evolucionados en comparación con los aleatorios.
• Influencia del Controlador:
  • Controladores Evolucionados: Produjeron oscilaciones más "ruidosas" y menos idealizadas que, sin embargo, permanecieron bien delimitadas y evitaron la saturación extrema. Esto sugiere que los comportamientos locales aprendidos, al combinarse con parámetros ecológicos ajustados, producen dinámicas más fundamentadas conductualmente.
  • Controladores Aleatorios: Produjeron oscilaciones más suaves y regulares, pero tendieron a acercarse al techo poblacional artificial, lo que indica que, sin las restricciones conductuales aprendidas, el sistema depende fuertemente de los parámetros ajustados para mantener la estabilidad.
• Organización Espacial: Al ser visualizados, los agentes evolucionados exhibieron estructuras espaciales claras: los lobos se agregaron cerca del parche de hierba (donde la densidad de presas era mayor), mientras que las ovejas se dispersaron más ampliamente. Los autores señalan que este comportamiento espacial emergió de la optimización del controlador, mientras que el ajuste a nivel de ABM aseguró que este comportamiento siguiera siendo viable en horizontes temporales prolongados al equilibrar los flujos de energía.

Significancia y Reivindicaciones
El artículo sostiene que un régimen ecológico macroscópico deseado (dinámica de Lotka-Volterra) puede servir como un objetivo de optimización top-down explícito para la búsqueda en el espacio de parámetros de un modelo basado en agentes microscópico. Los autores enfatizan que su trabajo no implica que los ABM descubran automáticamente la dinámica de LV, ni que se pueda inferir un modelo microscópico único a partir de una trayectoria macroscópica.

En cambio, la significancia reside en demostrar que las restricciones macroscópicas pueden utilizarse para identificar regímenes de parámetros donde los sistemas complejos basados en individuos se mantienen dinámicamente bien comportados. El estudio destaca una distinción entre estructura conductual (generada por la optimización del controlador local) y estabilización a nivel poblacional (lograda mediante el ajuste de parámetros ecológicos globales). Este enfoque ofrece un método para estudiar sistemas multi-agente de evolución abierta utilizando restricciones ecológicas para mantener el sistema dentro de límites viables mientras se preservan dinámicas no triviales y emergentes. El trabajo también valida la utilidad del marco ABMax para paralelizar y optimizar simulaciones de agentes a gran escala.