dewi-kadita: A Python Library for Idealized Fish Schooling Simulation with Entropy-Based Diagnostics

本論文は、魚類の群れ形成をシミュレーションするためのPythonライブラリ「dewi-kadita」を提案しており、従来の秩序変数では捉えきれない複雑な組織化状態を、7つの情報理論的指標と独自の「海洋群れ指数（OSI）」を用いたエントロピー診断によって詳細に解析・定量化することを可能にしています。

要約

タイトル：魚の「群れのダンス」を解き明かす魔法の道具箱 🐟✨

みなさんは、海の中で魚たちが一斉に、まるで一つの生き物のようにスイスイと動く様子を見たことがありますか？ あれは「魚の群れ（スクール）」と呼ばれる現象です。

実は、魚たちはリーダーに指示されているわけではありません。隣の魚が右に動けば自分も右へ、ぶつかりそうなら避ける……という「ごく小さなルール」を全員が守っているだけで、あのような見事な集団行動が生まれます。

今回の研究は、この**「魚たちの不思議なダンス」をコンピュータの中で再現し、さらにそのダンスが「どれくらい統制が取れているか」を数値化する新しいツール（Pythonライブラリ：dewi-kadita）**を作った、というお話です。

---

1. コンピュータの中に「デジタル魚」を放流する 💻🐠

まず、研究チームはコンピュータの中に、仮想の海と、たくさんの「デジタル魚」を作りました。

このデジタル魚たちは、人間のように「あっちに行こう」と考えるのではなく、とてもシンプルな**「3つのエリア・ルール」**に従って動きます。

• 「近すぎ注意！」エリア（衝突回避）： 隣の魚が近づきすぎたら、ぶつからないようにパッと離れる。
• 「あっちに行こう」エリア（向き合わせ）： 少し離れたところに仲間がいたら、その進行方向に合わせる。
• 「離れないで！」エリア（まとまり）： もっと遠くに仲間がいたら、バラバラにならないように引き寄せられる。

これだけで、コンピュータの中で魚たちが生き生きと動き始めます。

---

2. 「ダンスの乱れ」を測る7つのセンサー 📊🔍

この研究のすごいところは、ただ動かすだけでなく、**「今、この群れはどれくらいカッコよく踊れているか？」を測る、7つの新しい「物差し（センサー）」**を開発したことです。

これまでの方法では、「みんな同じ方向を向いているか？」くらいしか分かりませんでした。しかし、この新しいツールはもっと細かくチェックします。

例えるなら、こんな感じです：

1. 「間隔のセンサー」： 魚同士が、ほどよい距離を保てているか？（ギューギューすぎないか？）
2. 「向きのセンサー」： 全員の向きがバラバラじゃないか？
3. 「深さのセンサー」： 上下方向に、偏りなく広がっているか？
4. 「回転のセンサー」： みんなで円を描くように、綺麗に回っているか？
5. 「密度のセンサー」： 局所的に「塊」ができすぎていないか？
6. 「仲間の相性センサー」： ペアになったとき、動きのタイミングが合っているか？
7. 「形のセンサー」： 群れ全体が、丸いのか、細長いのか？

これら7つの情報を合体させて、**「OSI（海洋スクーリング指数）」**という、たった一つの「群れの秩序スコア」を算出します。これが「1」に近いと「めちゃくちゃバラバラなカオス状態」、「0」に近いと「完璧に統制されたプロのダンス状態」ということになります。

---

3. 何がすごいの？（まとめ）🚀

このツールを使うと、これまで研究者がバラバラに作っていたプログラムを、世界中の科学者が同じ基準で使えるようになります。

• 爆速！： 最新の技術（Numba）を使って、コンピュータの計算スピードを10倍〜100倍にアップさせました。
• 正確！： 魚が「円を描いて回るモード」なのか、「一列になって進むモード」なのか、これまでの道具では見分けがつかなかった微妙な違いも、このツールなら一発で見抜けます。

結論：
この研究は、いわば**「魚たちの集団行動を分析するための、超高性能なデジタル顕微鏡と物差しをセットにした道具箱」**を世界中の科学者にプレゼントした、ということなのです！ これによって、海の生態系や、将来の自律型ロボットの群れ制御の研究が大きく進むことが期待されています。

技術概要

技術要約：dewi-kadita — エントロピー診断を用いた理想的な魚群シミュレーションのためのPythonライブラリ

1. 背景と課題 (Problem)

生物学的な集団運動（魚の群れ、鳥の群れなど）は、個々のエージェントの局所的な相互作用からマクロな秩序が生まれる「自己組織化」の典型例です。特に魚の群れは、海洋生態学やロボティクスにおいて重要な研究対象です。

しかし、既存の研究には以下の課題がありました：

• ツールの断片化: Couzinモデル（魚の行動モデル）を実装したコードは、各研究グループが独自に開発した非公開のものが多く、標準化されたインターフェースや再現性が欠如していました。
• 診断指標の不完全性: 従来の秩序パラメータ（偏極度 $P$ や回転度 $M$）だけでは、集団の複雑な組織構造（密度勾配、形状、速度相関など）を十分に記述できず、見かけ上似た状態を区別できない問題がありました。
• 計算コスト: 3次元空間における多粒子間の相互作用計算は計算負荷が高く、効率的な実装が求められていました。

2. 手法 (Methodology)

本研究では、オープンソースのPythonライブラリ dewi-kadita を開発しました。

A. シミュレーションモデル

• 3次元Couzinモデル: 各エージェントを自己駆動粒子として扱い、3つの同心円状のゾーン（反発ゾーン ZOR、配向ゾーン ZOO、吸引ゾーン ZOA）に基づく階層的な行動ルールを実装しています。
• 生物学的制約: 視覚的な死角（後方の円錐領域）、回転速度の限界（最大角速度 $\theta_{max}$）、および環境ノイズ（ガウス雑音）を組み込んでいます。
• 境界条件: 周期的なトーラス境界条件を採用し、無限の海洋環境をシミュレートしています。

B. エントロピーに基づく診断フレームワーク

従来の指標を補完するため、情報理論に基づく7つの新しいエントロピー指標を導入しました：

1. 凝集エントロピー ($H_{coh}$): 最近隣距離の分布による密度の均一性を測定。
2. 偏極エントロピー ($H_{pol}$): 速度方向の広がりを測定。
3. 深度層状エントロピー ($H_{depth}$): 垂直方向の分布を測定。
4. 角運動量エントロピー ($H_{ang}$): 回転への寄与の均一性を測定。
5. 最近隣エントロピー ($H_{NN}$): 局所的な密度構造の規則性を測定。
6. 速度相関エントロピー ($H_{vel}$): ペア間の速度整列の分布を測定。
7. 形状エントロピー ($H_{shape}$): 主成分分析（PCA）を用いた群れの形態的異方性を測定。

これらを統合し、集団の無秩序度を示す単一の指標 Oceanic Schooling Index (OSI) を定義しました。

C. 計算実装

• Numba (JITコンパイル): 相互作用計算をマシンコードにコンパイルすることで、計算速度を10〜100倍に加速。
• データ形式: 海洋学の標準ツールとの互換性を確保するため、CF準拠の NetCDF4 形式で出力。

3. 主な貢献 (Key Contributions)

• 標準化されたインフラ: 集団行動研究における「分子動力学（MD）コード」のような、検証済みで再現可能な標準プラットフォームを提供。
• 高次元な解析能力: 従来の秩序パラメータでは区別できなかった「動的並行状態（Dynamic Parallel）」と「トーラス状態（Torus）」を、エントロピー指標によって明確に識別可能にしました。
• 計算効率と相互運用性: 高速なシミュレーションと、海洋学分野の既存ワークフローへの容易な統合を実現。

4. 結果 (Results)

4つの典型的な集団状態（Swarm, Torus, Dynamic Parallel, Highly Parallel）を用いた検証により、以下の結果が得られました：

• 相の識別: 従来の指標 $(P, M)$ では区別が困難な状態も、OSIおよび各エントロピー指標を用いることで、無秩序な「Swarm」から高度に秩序化された「Highly Parallel」までを単調にランク付けすることに成功しました。
• 速度相関の検出: 特に速度相関エントロピー ($H_{vel}$) は、Highly Parallel状態においてほぼゼロになることで、集団内の完璧な整列を鋭敏に捉えました。
• パフォーマンス: 標準的なワークステーション上で、150〜250のエージェントによる長時間シミュレーションが数分以内で実行可能であることを確認しました。

5. 意義 (Significance)

dewi-kadita は、統計物理学と海洋生態学の架け橋となるツールです。単なるシミュレーターに留まらず、情報理論を用いた新しい解析手法を提示することで、生物の集団行動における「秩序の質」を定量化する新たなパラダイムを提供しました。これは、将来的な捕食者・被食者モデルや、海洋流動場を考慮した複雑な生態系シミュレーションへの拡張が期待される基盤技術です。