Evolution of Fear and Social Rewards in Prey-Predator Relationship

[기술 요약] 포식자-피식자 관계에서의 공포 및 사회적 보상의 진화

1. 연구 배경 및 문제 제기 (Problem)

공포는 위험을 회피하도록 학습시키는 강화학습(RL)의 핵심적인 부정적 보상(Negative Reward) 기제입니다. 기존 연구들은 공포가 포식자로부터 도망치기 위해 진화했다고 주장해 왔으나, 포식 압력(Predatory Pressure)의 변화가 공포뿐만 아니라 사회적 보상(집단 형성 등)의 진화에 어떤 영향을 미치는지에 대해서는 명확히 밝혀지지 않았습니다. 본 연구는 포식 압력과 다양한 보상 체계(음식, 사회적 상호작용 등) 사이의 복잡한 상호작용을 진화적 관점에서 규명하고자 합니다.

2. 연구 방법론 (Methodology)

연구진은 피식자(Prey)와 포식자(Predator)가 공진화(Co-evolution)하는 분산 진화 시뮬레이션 프레임워크를 구축했습니다.

• 에이전트 모델: 2D 물리 환경 내의 원형 에이전트로, 근접 센서(Proximity Sensors)와 촉각 센서(Tactile Sensors)를 통해 주변을 인식합니다.
• 강화학습(RL): 각 에이전트는 PPO(Proximal Policy Optimization) 알고리즘을 사용하여 센서 입력으로부터 운동 출력을 결정하는 정책(Policy)을 학습합니다.
• 진화 메커니즘: 에이전트의 보상 함수(Reward Function)는 유전적 파라미터($w_{eat}, w_{act}, w_{prey}, w_{pred}$)로 인코딩되며, 에너지 대사(Metabolism)에 기반한 출생 및 사망 모델을 통해 세대 간 유전 및 돌연변이가 일어납니다.
• 보상 구조:
  • 음식 섭취, 움직임, 피식자 관찰, 포식자 관찰에 대한 가중치 기반 보상을 가집니다.
  • 포식자 관찰에 대한 보상($w_{pred}$)이 음수이면 '공포'를, 양수이면 '사회적/호기심적 보상'을 의미합니다.
• 대조군 설정: 포식자 대신 정적인 함정(Static Pitfalls)이 존재하는 환경을 설계하여, '능동적 포식'과 '단순 위험'의 차이를 비교했습니다.

3. 주요 연구 결과 (Key Results)

① 공포와 사회적 보상의 공존 및 분화 (Branching Strategies)

• 대부분의 피식자에게서 포식자를 피하는 **공포(Negative $w_{pred}$)**가 진화했습니다.
• 그러나 일부 개체군에서는 포식자를 관찰할 때 양수 보상을 받는 **사회적 보상(Positive $w_{prey}$)**이 진화하여 집단 형성(Collective Grouping)을 유도했습니다.
• 계통학적 분화: 시뮬레이션 결과, '집단 방어 전략(P1: 높은 사회적 보상, 낮은 공포)'과 '개별 도주 전략(P2: 낮은 사회적 보상, 높은 공포)'이라는 두 가지 생존 전략이 공존하거나 교체되는 양상이 관찰되었습니다.

② 포식 압력에 따른 변화 (Predatory Pressure)

• 포식 능력(Mouth Size): 포식자의 입 크기가 커질수록(사냥 능력이 강해질수록) 피식자의 공포 보상($w_{pred}$)과 사회적 보상($w_{prey}$)이 모두 강화되었습니다. 즉, 강한 포식자는 공포와 결속력을 동시에 촉진합니다.
• 자원 풍요도(Resource Richness): 먹이가 부족할 경우($\Delta n$ 감소), 피식자는 집단 형성보다는 개별적인 먹이 활동을 위해 고립된 행동(Solitary behavior)을 선호하게 되었습니다.

③ 능동적 포식의 중요성 (Active Hunting vs. Static Pitfalls)

• 정적인 함정 환경에서는 공포가 진화하지 않았습니다. 오히려 함정 근처에 먹이가 집중되는 경향 때문에 함정을 향해 다가가는 **양수 보상($w_{pit}$)**이 진화했습니다.
• 이는 공포의 진화에 있어 단순한 물리적 위험보다 포식자의 능동적인 움직임, 치명성, 그리고 개체수 변동성이 결정적인 역할을 함을 시사합니다.

4. 연구의 의의 (Significance)

• 생물학적 통찰: 공포라는 감정이 단순히 위험 회피를 넘어, 사회적 결속(Social Reward)과 복잡한 생존 전략 사이의 균형점에서 진화함을 입증했습니다.
• 진화적 메커니즘 규명: 포식 압력이 어떻게 개별적 생존 전략과 집단적 생존 전략의 분화를 유도하는지 정량적으로 보여주었습니다.
• AI 연구에의 기여: 최적 의사결정(Optimal Decision-making)을 넘어, 다중 에이전트 환경에서 복잡한 감정과 동기(Motivation)가 어떻게 창발(Emergence)할 수 있는지를 설명하는 시뮬레이션 모델을 제시했습니다.