Self-organized Regulation of Group Size and Number in Natural and Artificial Collectives
Questo articolo propone e valida un meccanismo decentralizzato basato sulla percezione locale e sulle preferenze individuali che consente sia ai collettivi artificiali che a quelli naturali, come i coati dal naso bianco, di auto-organizzarsi e regolare attivamente le dimensioni e il numero dei propri gruppi per adattarsi alle richieste ambientali.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel mondo naturale, dai banchi di pesci che si rincorrono alle colonie di formiche in fermento, gli esseri viventi raramente agiscono da soli. Si radunano, si dividono e si riformano in gruppi che cambiano e si trasformano come nuvole. Questa capacità di organizzarsi e riorganizzarsi è vitale. Un gruppo può offrire protezione dai predatori o aiutare a trovare cibo, ma se diventa troppo grande, diventa un peso, con membri che lottano per risorse limitate o diffondono malattie. Gli scienziati hanno compreso da tempo che esiste un punto di equilibrio, una dimensione ideale in cui un gruppo funziona al meglio. Tuttavia, un mistero più profondo rimane: come fa una collezione di individui, ognuno dei quali ha solo una visione limitata del proprio ambiente immediato, a sapere quando restare uniti e quando separarsi? Non possono vedere l'intera popolazione, né possono contare quanti gruppi esistano in totale. Eppure, sia in natura che nelle macchine che costruiamo, i gruppi sembrano trovare un modo per autoregolarsi, stabilendosi in un modello stabile di dimensioni e numeri senza un leader centrale che impartisca ordini.
Un team di ricercatori si è posto l'obiettivo di risolvere questo enigma ponendosi una domanda specifica: può un gruppo di individui, utilizzando solo informazioni locali e le proprie preferenze personali, auto-organizzarsi per controllare sia la dimensione del proprio gruppo che il numero totale di gruppi? Per trovare la risposta, hanno prima esaminato il comportamento più semplice possibile: seguire. In molti gruppi animali, gli individui si limitano a muoversi verso un vicino. I ricercatori hanno costruito un modello matematico per vedere se questa semplice regola potesse effettivamente creare gruppi stabili. Hanno scoperto che, sebbene il comportamento di seguire possa effettivamente causare l'aggregazione degli individui, non era sufficiente per regolare attivamente la dimensione del gruppo. I gruppi si formavano, ma le loro dimensioni erano un risultato passivo di quanto l'ambiente fosse affollato, non un aggiustamento consapevole per raggiungere un numero ideale. Gli animali non avrebbero saputo se si trovassero in un gruppo troppo grande o troppo piccolo.
Per correggere questo aspetto, i ricercatori hanno proposto un nuovo meccanismo basato su un semplice sentimento interno: una preferenza personale per una specifica dimensione del gruppo. Immaginate che ogni individuo porti con sé un senso interiore, silenzioso, di quale sia la dimensione perfetta del gruppo per lui. Se il gruppo in cui si trova sembra troppo piccolo, cerca altri che si uniscano. Se sembra troppo grande, decide di andarsene e iniziare un nuovo gruppo o trovarne uno diverso. Questa idea è stata trasformata in una simulazione al computer in cui agenti virtuali, che rappresentano robot o animali, si muovevano e prendevano decisioni basate su questa preferenza interna. I ricercatori hanno testato questo sistema sotto tre diverse condizioni di comunicazione. Nella prima, gli agenti potevano solo vedere dove si trovassero gli altri, senza avere idea di quanti fossero in un gruppo. Nella seconda, potevano chiedere la dimensione del gruppo una sola volta prima di decidere di unirsi. Nella terza, ricevevano un flusso costante e aggiornato di informazioni sulla dimensione del gruppo.
I risultati hanno mostato che il sistema funzionava meglio quando gli agenti avevano accesso alle informazioni sulla dimensione del gruppo. Quando gli agenti potevano solo vedere le posizioni, i gruppi oscillavano selvaggiamente, crescendo troppo e poi restringendosi troppo, senza mai trovare un ritmo stabile. Quando gli agenti potevano controllare la dimensione del gruppo anche solo una volta, il sistema diventava molto più stabile e i gruppi si assestavano più vicino alla dimensione desiderata. Il metodo più efficace era la comunicazione continua, in cui gli agenti conoscevano costantemente la dimensione dei gruppi che stavano considerando. In questo scenario, i robot virtuali sono riusciti a formare tre gruppi perfetti di quattordici individui ciascuno, eliminando il caos delle oscillazioni tra troppo grandi e troppo piccoli. I ricercatori hanno misurato quanto tempo i robot trascorrevano in gruppi più grandi della dimensione target, scoprendo che la comunicazione continua riduceva questo tempo di "eccesso dimensionale" di oltre il novantacinque per cento rispetto al metodo basato solo sulla posizione.
Per vedere se questo meccanismo artificiale rispecchiasse la realtà, i ricercatori si sono rivolti ai dati del mondo reale provenienti dai coati dal naso bianco selvatici, un mammifero imparentato con il procione. Questi animali vivono in bande sociali che si dividono e si fondono frequentemente. Il team ha utilizzato i dati di tracciamento GPS di due diversi gruppi di coati per calibrare il proprio modello. Non hanno programmato i coati con una regola specifica; al contrario, hanno inferito quali potessero essere le preferenze individuali basandosi sulle dimensioni reali dei gruppi che gli animali sperimentavano in natura. Per un gruppo che si divideva equamente, il modello assumeva che tutti gli individui condividessero una preferenza simile. Per un altro gruppo che si divideva in modo disomogeneo, il modello assegnava preferenze diverse a diversi individui. Quando hanno eseguito la simulazione con queste preferenze del mondo reale, i coati virtuali hanno riprodotto i modelli statistici degli animali reali. Il modello ha replicato con successo il numero osservato di sottogruppi, le dimensioni tipiche di tali sottogruppi e il modo in cui i gruppi transitavano tra le diverse configurazioni.
Lo studio suggerisce che le complesse e mutevoli strutture sociali viste in natura e l'organizzazione efficiente dei sistemi ingegnerizzati potrebbero basarsi sugli stessi principi fondamentali. Non è necessario che ogni individuo conosca il numero totale di animali o il numero totale di gruppi. Invece, la stabilità emerge quando ogni individuo confronta semplicemente la propria situazione attuale con uno standard personale e agisce di conseguenza. La ricerca dimostra che un sistema decentralizzato, in cui tutti prendono decisioni basate sulla percezione locale e su un obiettivo personale, può risolvere il difficile problema di regolare simultaneamente sia la dimensione del gruppo che il numero di gruppi. Sebbene lo studio confermi che tale meccanismo è matematicamente possibile e coerente con i dati animali reali, non prova che i coati selvatici utilizzino esattamente questo metodo. Piuttosto, mostra che questa strategia semplice e locale è un modo plausibile e potente affinché i collettivi possano adattarsi e prosperare senza un comandante centrale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.