Replicator--Mutator Dynamics on Networks with Spatial Nonlocality: Theory and Applications

Nello studio di come i gruppi cambino nel tempo, gli scienziati osservano spesso come gli individui scelgano tra diversi modi di agire. Immaginate una folla in cui tutti cercano di decidere se seguire una regola popolare o un'altra. In molti modelli, le persone imparano solo da chi sta proprio accanto a loro, copiando le scelte dei propri vicini. Questo apprendimento locale crea sacche di accordo, ma può anche intrappolare un gruppo in un singolo comportamento per molto tempo. Tuttavia, nel mondo reale, l'influenza raramente si ferma al vicino immediato. Una tendenza può diffondersi in una città, un rumor può saltare da una comunità all'altra e una nuova idea può viaggiare ben oltre la persona che l'ha sentita per la prima volta. Comprendere come queste connessioni a lungo raggio cambino il modo in cui i gruppi evolvono è fondamentale per spiegare tutto, dalla diffusione delle abitudini culturali alla stabilità delle norme sociali.

Un nuovo studio condotto dai ricercatori Porikshit Mondal ed Ernesto Estrada indaga esattamente questa questione. Hanno preso un modello matematico standard utilizzato per descrivere come i comportamenti competano e mutino all'interno di una rete di persone e vi hanno aggiunto uno strato di influenza a lungo raggio. Nella loro versione, un individuo non impara solo dai suoi contatti più stretti; può anche essere influenzato da persone più lontane nella rete, con la forza di tale influenza che diminuisce man mano che la distanza cresce. Simulando questo su vari tipi di reti, i ricercatori hanno scoperto che permettere queste connessioni a lungo raggio cambia fondamentalmente il risultato. Quando le persone possono imparare da altri distanti, il gruppo richiede molta meno variazione casuale per diventare diversificato. Ancora più sorprendente, se queste connessioni a lungo raggio sono abbastanza forti, il sistema può improvvisamente passare da uno stato in cui tutti seguono un unico leader a uno stato in cui ogni possibile comportamento è rappresentato equamente.

I ricercatori hanno iniziato costruendo un modello informatico di una popolazione in cui ogni persona adotta un comportamento specifico, e lo stato complessivo del gruppo è definito da quanti individui sostengono ogni visione. Nella versione tradizionale di questo modello, l'influenza è strettamente locale. Se sei connesso a qualcuno, potresti copiarlo; se non sei connesso, non ne sei influenzato. Questa configurazione porta spesso al "flocking comportamentale", dove l'intero gruppo alla fine converge su un singolo comportamento dominante, proprio come un banco di pesci che gira all'unisono. Per introdurre la complessità del mondo reale dell'influenza distante, il team ha utilizzato uno strumento matematico che permette interazioni attraverso molteplici passaggi nella rete. Hanno creato un sistema in cui il "peso" di un'influenza dipende da quanti passaggi separano due persone. Un numero piccolo nel loro modello significava che anche le connessioni distanti portavano un peso significativo, mentre un numero grande significava che contavano solo i vicini immediati.

Quando hanno eseguito le simulazioni su diverse strutture di rete, incluse reti "small-world" che imitano i circoli sociali e reti casuali, è emerso un modello chiaro. Nella versione con sola influenza locale, il gruppo aveva bisogno di un alto tasso di commutazione casuale — essenzialmente, un sacco di persone che cambiavano idea per errore — per uscire da un singolo comportamento dominante e raggiungere la diversità. Tuttavia, quando i ricercatori hanno attivato le connessioni a lungo raggio, il gruppo è diventato molto più sensibile al cambiamento. Hanno scoperto che con una forte influenza a lungo raggio, anche una quantità molto piccola di commutazione casuale era sufficiente per frantumare la dominanza di un singolo comportamento. Il gruppo passava rapidamente da uno stato di uniformità a uno stato di massima diversità, dove ogni comportamento disponibile veniva praticato da un numero simile di persone.

Questa transizione non è stata un cambiamento lento e graduale. I ricercatori hanno osservato che avveniva bruscamente, come l'azionamento di un interruttore. Una volta che l'influenza a lungo raggio superava una certa soglia, il sistema saltava quasi istantaneamente da uno stato di totale accordo a uno stato di totale varietà. Per confermare che si trattasse di un cambiamento reale e netto piuttosto che di una curva fluida, hanno testato il sistema in diversi modi. Hanno esaminato come la transizione si comportasse all'aumentare della dimensione del gruppo, trovando che il salto diventava più netto e definito nei gruppi più grandi. Hanno anche testato cosa accadesse aumentando lentamente il tasso di commutazione casuale e poi diminuendolo lentamente. Hanno scoperto che il sistema non tornava al suo stato originale allo stesso punto; invece, rimaneva nello stato diversificato anche quando il tasso di commutazione diminuiva, un fenomeno noto come isteresi. Questa "memoria" dello stato precedente, unita alla capacità del gruppo di stabilizzarsi in uno stato uniforme o in uno diversificato a seconda del suo punto di partenza, ha confermato che il sistema stava subendo una distinta transizione di fase del primo ordine.

Lo studio ha anche esplorato se questo effetto dipendesse dalla forma specifica della rete. Hanno testato il loro modello su strutture ad anello, reti casuali e reti con alcuni hub altamente connessi. Nonostante le differenze nel modo in cui queste reti erano costruite, il risultato era lo stesso: le forti connessioni a lungo raggio spingevano costantemente il sistema verso uno stato globalizzato di alta diversità. Ciò suggerisce che la capacità di imparare da fonti distanti è una forza potente che può prevalere sulla tendenza dei gruppi locali a bloccarsi in un singolo comportamento. I ricercatori hanno anche sviluppato un modo per misurare quanto siano simili le diverse reti nel loro comportamento. Confrontando come varie reti artificiali e reali rispondessero allo stesso mix di influenza locale e a lungo raggio, potevano mappare quali strutture si comportassero in modo simile e quali agissero diversamente, fornendo un nuovo modo per classificare le reti in base al loro potenziale dinamico piuttosto che solo alla loro forma.

Le implicazioni di queste scoperte vanno oltre la matematica astratta. Lo studio suggerisce che in qualsiasi sistema in cui le persone imparano dalle altre — che si tratti della diffusione di una nuova moda, dell'adozione di un punto di vista politico o dell'evoluzione di una lingua — la capacità di raggiungere attraverso la rete è un motore chiave della diversità. Se l'influenza è limitata ai vicini immediati, i gruppi possono ristagnare in un singolo modo. Ma se la rete permette l'apprendimento a lungo raggio, anche una piccola quantità di sperimentazione può innescare una trasformazione rapida e completa del comportamento del gruppo. I ricercatori hanno dimostrato che questo meccanismo promuove la "globalizzazione" nel senso che permette a un sistema di accedere e mantenere una vasta gamma di comportamenti simultaneamente, impedendo a qualsiasi singola opzione di dominare per sempre. Il loro lavoro fornisce un quadro matematico per comprendere come la struttura delle nostre connessioni plasmi la diversità delle nostre scelte collettive, rivelando che la distanza tra noi conta tanto quanto la forza dei nostri legami immediati.