Self-organized Regulation of Group Size and Number in Natural and Artificial Collectives
Cet article propose et valide un mécanisme décentralisé basé sur la perception locale et les préférences individuelles qui permet aux collectifs artificiels et naturels, tels que les coatis à nez blanc, de s'auto-organiser et de réguler activement la taille et le nombre de leurs groupes pour correspondre aux demandes environnementales.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le monde naturel, des bancs de poissons tourbillonnants aux colonies d'ants bourdonnantes, les êtres vivants agissent rarement seuls. Ils se rassemblent, se divisent et se reforment en groupes qui oscillent et changent comme des nuages. Cette capacité à s'organiser et à se réorganiser est vitale. Un groupe peut offrir une protection contre les prédateurs ou aider à trouver de la nourriture, mais s'il devient trop grand, il devient un fardeau, avec des membres qui se battent pour des ressources limitées ou propagent des maladies. Les scientifiques ont compris depuis longtemps qu'il existe un point d'équilibre, une taille idéale où un groupe fonctionne le mieux. Cependant, un mystère plus profond demeure : comment un ensemble d'individus, chacun n'ayant qu'une vue limitée de son environnement immédiat, sait-il quand rester ensemble et quand se séparer ? Ils ne peuvent pas voir l'ensemble de la population, ni compter combien de groupes existent au total. Pourtant, tant dans la nature que dans les machines que nous construisons, les groupes semblent trouver un moyen de s'auto-réguler, s'installant dans un schéma stable de tailles et de nombres sans qu'un chef central ne donne d'ordres.
Une équipe de chercheurs s'est donné pour mission de résoudre cette énigme en posant une question spécifique : un groupe d'individus, utilisant uniquement des informations locales et leurs propres préférences personnelles, peut-il s'auto-organiser pour contrôler à la fois la taille de ses groupes et le nombre total de groupes ? Pour trouver la réponse, ils ont d'abord examiné le comportement le plus simple possible : le suivi. Dans de nombreux groupes animaux, les individus se contentent de se déplacer vers un voisin. Les chercheurs ont construit un modèle mathématique pour voir si ce simple comportement de suivi pouvait effectivement créer des groupes stables. Ils ont découvert que si le comportement de suivi pouvait effectivement provoquer le regroupement des individus, il ne suffisait pas pour réguler activement la taille du groupe. Les groupes se formaient, mais leurs tailles étaient le résultat passif de l'encombrement de l'environnement, et non un ajustement conscient pour atteindre un nombre idéal. Les animaux ne savaient pas s'ils se trouvaient dans un groupe trop grand ou trop petit.
Pour corriger cela, les chercheurs ont proposé un nouveau mécanisme basé sur un sentiment interne simple : une préférence personnelle pour une taille de groupe spécifique. Imaginez chaque individu portant un sens interne discret de ce que serait la taille de groupe parfaite pour lui. Si le groupe dans lequel il se trouve semble trop petit, il cherche d'autres membres à rejoindre. S'il semble trop grand, il décide de partir et de former un nouveau groupe ou d'en trouver un autre. Cette idée a été transformée en une simulation informatique où des agents virtuels, représentant des robots ou des animaux, se déplaçaient et prenaient des décisions basées sur cette préférence interne. Les chercheurs ont testé ce système sous trois conditions de communication différentes. Dans le premier cas, les agents pouvaient seulement voir où se trouvaient les autres, sans aucune idée du nombre de membres dans un groupe. Dans le second, ils pouvaient demander la taille du groupe une seule fois avant de décider de rejoindre le groupe. Dans le troisième, ils recevaient un flux continu et actualisé d'informations sur la taille du groupe.
Les résultats ont montré que le système fonctionnait le mieux lorsque les agents avaient accès aux informations sur la taille du groupe. Lorsque les agents ne pouvaient voir que les positions, les groupes oscillaient violemment, devenant trop grands puis trop petits, sans jamais trouver un rythme stable. Lorsque les agents pouvaient vérifier la taille du groupe, même une seule fois, le système devenait beaucoup plus stable et les groupes se rapprochaient de la taille souhaitée. La méthode la plus efficace était la communication continue, où les agents connaissaient constamment la taille des groupes qu'ils envisageaient de rejoindre. Dans ce scénario, les robots virtuels ont réussi à former trois groupes parfaits de quatorze individus chacun, éliminant ainsi les fluctuations chaotiques entre l'excès et le manque. Les chercheurs ont mesuré le temps que les robots passaient dans des groupes plus grands que la taille cible, constatant que la communication continue réduisait ce temps de « surtaille » de plus de quatre-vingt-quinze pour cent par rapport à la méthode basée uniquement sur la position.
Pour voir si ce mécanisme artificiel reflétait la réalité, les chercheurs se sont tournés vers des données réelles provenant de coatis à nez blanc sauvages, un mammifère apparenté au raton laveur. Ces animaux vivent dans des bandes sociales qui se divisent et fusionnent fréquemment. L'équipe a utilisé des données de suivi GPS de deux groupes de coatis différents pour calibrer leur modèle. Ils n'ont pas programmé les coatis avec une règle spécifique ; ils ont plutôt déduit quelles pourraient être les préférences individuelles en se basant sur les tailles de groupes réellement vécues par les animaux dans la nature. Pour un groupe qui se divisait de manière égale, le modèle supposait que tous les individus partageaient une préférence similaire. Pour un autre groupe qui se divisait de manière inégale, le modèle attribuait des préférences différentes à différents individus. Lorsqu'ils ont lancé la simulation avec ces préférences réelles, les coatis virtuels ont reproduit les schémas statistiques des animaux réels. Le modèle correspondait avec succès au nombre de sous-groupes observés, à la taille typique de ces sous-groupes et à la manière dont les groupes passaient d'une configuration à une autre.
L'étude suggère que les structures sociales complexes et changeantes observées dans la nature, ainsi que l'organisation efficace des systèmes d'ingénierie, pourraient reposer sur les mêmes principes fondamentaux. Il n'est pas nécessaire que chaque individu connaisse le nombre total d'animaux ou le nombre total de groupes. Au contraire, la stabilité émerge lorsque chaque individu compare simplement sa situation actuelle à un standard personnel et agit en conséquence. La recherche démontre qu'un système décentralisé, où chacun prend des décisions basées sur une perception locale et un objectif personnel, peut résoudre le problème difficile de la régulation simultanée de la taille et du nombre de groupes. Bien que l'étude confirme qu'un tel mécanisme est mathématiquement possible et cohérent avec les données animales réelles, elle ne prouve pas que les coatis sauvages utilisent exactement cette méthode. Elle montre plutôt que cette stratégie locale simple est un moyen plausible et puissant pour les collectifs de s'adapter et de prospérer sans commandement central.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.