🧬 biology

Coordination without communication: beyond optimisation and geometric Brownian motion

本論文は、直接的な通信や最適化を伴わない部分観測された確率系において、情報の制約を受けたフィードバックから集団の協調が創発する、物理的根拠に基づいた枠組みを導入するものであり、幾何ブラウン運動およびより広範な確率的成長レジームが、これらの条件付きダイナミクスの極限ケースとして生じることを示している。

原著者： G J Milburn, A K Ringsmuth

公開日 2026-06-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： G J Milburn, A K Ringsmuth

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

互いに会話ができない人々で満たされた、混雑した部屋を想像してみてください。彼らはテキストメッセージを送ることも、指示を叫ぶことも、会議を開くこともできません。実際、彼らは部屋の中に正確に何人の人がいるのかさえ知りません。

それなのに、どういうわけか、群衆は完璧に一斉に動き始めます。彼らは共に増え、共に減り、あるいは一斉にサイズが跳ね上がります。一体どのようにして、このようなことが可能なのでしょうか？

この論文は、そのような「静かなる協調」を理解するための新しい方法を提案しています。それは、グループが協調するために会話や計画を必要とするのではなく、ただ共有された、わずかに不鮮明な信号に対して反応するだけでよいということを示唆しています。

以下に、簡単な比喩を用いてこの論文のアイデアを解説します。

1. 「ファジーなラジオ」の信号

すべての人がラジオを身につけている混雑した群衆を想像してください。彼らは隣の人たちの声を聞くことはできません。その代わりに、彼らは全員、同じラジオ局の放送を聴いています。

この放送局は、群衆の規模に関連した信号を放送していますが、その信号は**ノイズ（雑音）**を含んでいます。それは、騒々しい建設現場のすぐそばで天気予報を聞こうとしているようなものです。群衆が実際にはほとんど変わっていないとしても、信号が「群衆は巨大だ！」と言ったり、「群虫は極めて小さい！」と言ったりすることがあります。

論文ではこれを**測定信号（measurement signal）**と呼んでいます。これは、全員が受け取っている共有された情報ですが、不完全なものです。

2. 「推測ゲーム」（推論）

人々は群衆を見ることができないため、そのノイズの混じったラジオ信号に基づいて、群衆の規模を推測しなければなりません。

もし信号が大きくなれば、彼らは「おっと、もっと人が到着したに違いない！」と推測します。
もし信号が小さくなれば、「人々が去っているのだ」と推測します。

彼らは、そこにいる人々の真の数を知っているわけではありません。彼らが知っているのは、ラジオ信号の履歴に基づいた**「最善の推測」**だけです。これが、論文で「推論（inference）」と呼ばれているものです。

3. フィードバック・ループ

ここにある魔法のような仕掛けがあります。人々は、自分の推測を使って、次に何をすべきかを決定します。

もし彼らが「群衆が増えている」と推測すれば、彼らはもっと仲間を招待する（あるいは論文の生物学的例におけるように、より速く繁殖する）ことを決めるかもしれません。
もし彼らが「群衆が減っている」と推測すれば、彼らは立ち去るか、あるいは繁殖を停止します。

全員が同じラジオを聴き、同じ信号に基づいて推測を行っているため、彼らは同時に反応します。これにより、コミュニケーションなしの協調が生まれます。彼らはリーダーに従っているのではなく、全員が同じノイズ混じりの天気予報に従っているのです。

4. 群衆の二通りの動き方

論文では、ラジオ信号がどれほど「明瞭」であるかによって、群衆が二つの全く異なる振る舞いを見せることを示しています。

「漂う」群衆（弱い信号）： もしラジオが非常にノイズだらけ（静電気のような状態）であれば、群衆のサイズは穏やかな微風に漂う葉のように、ゆっくりとランダムに変化します。これは**拡散的（diffusive）**な挙動と呼ばれます。
「跳ねる」群衆（強い信号）： もしラジオ信号が非常に明瞭であれば、群衆は即座に反応します。ある瞬間は小さかったものが、次の瞬間には突如として巨大なサイズへと「跳ね」ます。論文では、これを物理学における量子跳躍（quantum jumps）、つまりシステムがある状態から別の状態へと突然切り替わる現象と比較しています。

5. 「株式市場」とのつながり

著者たちは、信号が強く、フィードバックが適切であるとき、群衆の成長が**幾何ブラウン運動（GBM）**と全く同じ動きを示すことを明らかにしています。

皆さんも、株式市場におけるGBMをご存知かもしれません。これは株価の動きを予測するために使われる数学モデルです。通常、人々は株価がそのような動きをするのは、複雑な人間の取引戦略によるものだと考えます。

論文のひねり： この論文は、そのような複雑な人間の戦略や「賢い」エージェントは必要ない、と述べています。ただ、共有されたノイズ混じりの信号に反応する単純なエージェントのグループがあればよいのです。「株式市場」のような振る舞いは、人々が利益を最適化しようとすることからではなく、信号の物理学とフィードバックから自然に創発されるのです。

6. 「犠牲」の例

論文では、さらに「協力者（Cooperators）」と「裏切り者（Defectors）」という二種類の人間がいるシナリオについても考察しています。

協力者は、グループ全体を助けるために、何かリスクのあることやコストのかかること（例えば、栄養素を放出するために死ぬことなど）を行うボランティアのような存在です。
裏切り者は、自分で行うことはせず、ただ恩恵を受け取るだけのフリーライダーです。

論文は、道徳的な規範や「親切になろう」という計画がなくても、グループは自然にこれら二つのタイプの混合状態へと進化できることを示しています。もし「ラジオ信号（フィードバック）」が適切に調整されていれば、協力者のリスクを伴う行動は、たとえ短期的には個々に不利益をもたらすとしても、長期的にはグループ全体の成長を加速させるため、彼らは繁栄することができるのです。

重要なまとめ

この論文の主要な論点は、協調とは社会的な現象であるだけでなく、物理的な現象でもあるということです。

人々が「賢い」とか「利己的」とか「利他的」であると仮定する必要はありません。彼らに計画を持たせる必要もありません。世界の状態に関する共有された不完全な信号に反応するエージェントのグループがあれば、協力、協調、さらには「市場の暴落」といった複雑なパターンが自動的に出現するのです。

それは鳥の群れのようなものです。彼らはどこへ飛ぶべきかを指示するリーダーを必要としません。ただ、隣にいる鳥の動きに反応するだけでよいのです。この論文において、その「隣の鳥」の役割を果たしているのが、全員が耳を傾けている、共有されたノイズ混じりの信号なのです。

技術的要約：コミュニケーションなき調整

問題提起
本論文は、複雑系における調整（コーディネーション）と協力のモデリングにおける根本的な欠落に対処している。ゲーム理論から進化生物学に至る従来のモデルは、通常、エージェントが明示的な目的を持ち、利得関数を内面化しているか、あるいはグローバルなシステム変数（価格、個体群密度など）に直接アクセスできることを前提としている。これらのモデルは、エージェントが戦略を最適化したり、直接的にコミュニケーションを取ったりすることで集団的な成果を達成すると想定している。しかし、多くの生物学的および社会的システムは、**部分観測性（partial observability）**の下で機能しており、行動を制御するマクロな状態が個体からは直接アクセスできない場合が多い。その代わりに、エージェントはノイズを含む間接的な信号から、グローバルな条件を推論しなければならない。著者らは、明示的な最適化、コミュニケーション、あるいはエージェンシー（主体性）なしに、非平衡熱力学と情報制約付きフィードバックに基づく物理原則のみを通じて、調整が創発し得るかどうかを問うている。

手法
著者らは、部分観測された連続時間マルコフ過程に基づく、物理的に裏付けられたフレームワークを提案している。モデルの核となる構成要素は以下の通りである：

個体群動態： 個体数（ $n$ ）は、出生・死滅のマルコフ過程として進化する。遷移率（ $w^+_\alpha, w^-_\alpha$ ）は固定されているのではなく、共有された確率的な測定信号によって変調される。
部分観測性： 真の個体群状態 $n(t)$ $n (t)$ は、個々のエージェントから「隠された」状態にある。代わりに、エージェントは、個体群状態と相関はあるものの拡散ノイズの影響を受ける確率的な信号 $y(t)$ $y (t)$ （または測定電流 $I(t)$ $I (t)$ ）を観測する。
- 信号は、伊藤型確率微分方程式によってモデル化される： $dy(t) = \chi \bar{n}_c(t)dt + \sqrt{\kappa}dW(t)$ 。ここで、 $\bar{n}_c(t)$ は観測履歴に基づいてエージェントが推定した条件付き平均個体数であり、 $\chi$ は速度定数、 $\kappa$ はノイズ強度を表す。
推論とフィードバック： エージェントは、観測履歴を用いて、クシュナー・ストラトノヴィッチ型のフィルタリング方程式を介して、個体群状態の推定値（条件付き確率分布 $p_{n,c}(t)$ $p_{n, c} (t)$ ）を更新する。
- 遷移率は、測定電流 $I(t)$ に基づいて瞬時に調整される。これにより、マクロからミクロへのフィードバックループが形成される。
- 加入／離脱の速度は $\gamma(t) = \gamma(1 + \lambda I(t))$ と定義され、 $\lambda$ はフィードバックの強さ（加入に対しては正、離脱に対しては負）を決定する。
信号対雑音比（SNR）： 本フレームワークは、エージェントが利用可能な情報の質を決定する重要なパラメータとして、SNRを導入している。測定強度は $\Gamma = \chi^2/\kappa$ と定義される。

主な貢献と結果

幾何ブラウン運動（GBM）の創発： 著者らは、条件付き動態の極限としてGBMが現れることを示している。測定強度が十分に高く、条件付き個体統計がポアソン分布（分散が平均に等しい状態）に近似する場合、条件付き平均個体数の確率微分方程式はGBMの形式に収束する：
$d\bar{n}_c(t) = r\bar{n}_c(t)dt + \sqrt{\Gamma}\bar{n}_c(t)dW$
これは、GBMを原始的な仮定としてではなく、情報制約付きフィードバックから導出されたものであることを示している。
SNRによるレジーム依存性： SNRの特性を変化させると、多様な確率的成長挙動が生じる：
- 弱い測定（ $\Gamma$ が小さい場合）： 個体群動態は拡散的であり、条件付き平均は緩やかに成長する。
- 強い測定（ $\Gamma$ が大きい場合）： 動態は「ジャンプ状」のレジームを示し、条件付き統計がポアソン的挙動から急速に逸脱する（量子ジャンプに類似）。
- これらの軌跡レベルの違いにもかかわらず、アンサンブル平均の成長はすべてのレジームにおいて指数関数的である。
推論としての調整： 本論文は、調整を戦略的な整合や最適化としてではなく、部分観測下における推論とフィードバックの結果として再定義している。エージェントは、グローバルな変数に対する共有されたノイズを含む推定値に反応することによって、単に自身の行動を一致させている。
複数表現型の拡張： 本フレームワークは、二つの表現型（協力者と離脱者）のモデルへと拡張されている。協力者は公共財を生み出すために自己犠牲的な行動をとる一方、離脱者は生存する。総個体数と協力者の死亡率に関する個別の測定電流を導入することで、急速な初期成長が有利さをもたらす場合、測定信号のフィードバック動態のみによって「自己犠牲的」な行動がどのように促進されるかを明らかにしている。
PetersおよびAdamouとの関連： 本フレームワークは、適切な極限においてPetersおよびAdamou（PA）の確率的乗法的成長モデルを再現する。しかし、本論文はそれに対し明確に異なる物理的解釈を提供している。すなわち、時間平均とアンサンブル平均の成長率の違いは、戦略的な集約や共有の結果ではなく、測定下における条件付き動態の特性であるという点である。

意義と主張
本論文は、低レベルの動的システムと高レベルの協力の記述との間の、物理的に裏付けられた架け橋を提供することを主張している。その主な意義は以下の通りである：

エージェンシーの仮定の除去： 集団的な秩序や「協力のような」結果は、エージェントが内部状態、効用関数、あるいはコミュニケーション能力を持たなくても、創発し得ることを示している。行動は、測定と推論、およびフィードバックの物理学によって完全に駆動されている。
調整の失敗の再解釈： 本フレームワークは、大規模な集団的失敗（気候変動や経済危機など）が、個人の離脱や敵対心から生じるのではなく、ミクロの行動とマクロの状態を結ぶ**情報チャネルの限界（低いSNR）**から生じる可能性があることを示唆している。
好みの物理的基礎： 伝統的に「好み」や「利得関数」としてモデル化されるものが、不完全な情報に基づいて遷移率を調整するフィードバック則として理解できることを提案している。
GBMの一般化： GBMを、測定ノイズによって駆動されるより広範なクラスの確率過程の極限ケースとして示すことで、金融や生物学に見られる乗法的成長プロセスに対して、より根本的な物理的解釈を提供している。

著者らは、本フレームワークが既知のモデル（PAなど）を再現しつつも、それらを確率動態と情報理論の第一原理から導出することで、メカニズムに対する新しい視点を提供しているという、控えめな立場を維持している。