🔢 mathematics

Modeling and Analysis of Human Social Flocking Behavior: Based on Multi-Agent Dynamic Systems Theory

본 논문은 인간의 "사회적 군집(social flocking)" 행동에 관한 다중 에이전트 동적 시스템 모델을 제안하며, 이는 응집력과 분열과 같은 집단 역학을 분석하기 위해 의견 상태, 인지 속도, 학습 효율성을 사회적 분류 및 규범 메커니즘과 통합한다.

원저자: Guangying Lv, Wei Ou, Xiaohuan Wang

게시일 2026-09-02

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Guangying Lv, Wei Ou, Xiaohuan Wang

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인간은 고대 부족이 함께 사냥하던 시절부터 현대의 사무실에서 프로젝트를 위해 협업하는 모습에 이르기까지 항상 집단을 이루어 이동해 왔습니다. 오랫동안 과학자들은 새 떼가 날아가거나 물고기 떼가 헤엄치는 것과 같은 동물의 움직임을 관찰함으로써 이러한 집단을 이해해 왔습니다. 그러한 동물 집단에서의 규칙은 단순합니다. 모두가 함께 머물기 위해 이웃의 속도와 방향에 자신을 맞추는 것입니다. 만약 한 마리의 새가 속도를 줄이면 다른 새들도 함께 속도를 줄입니다. 이는 물리적 이동에는 완벽하게 작동하지만, 연구자들이 이와 동일한 규칙을 인간 사회에 적용하려 했을 때 그들은 벽에 부딪혔습니다. 인간의 맥락에서 만약 모든 사람이 정확히 같은 속도로 배우고 발전한다면 문제가 발생합니다. 이는 모든 사람이 정확히 똑같은 것을 두고 경쟁하게 만들어, 서로 다른 기술이나 관점이 들어설 자리를 없애버립니다. 이는 사회적 관점에서 볼 때, 모두가 결승선 없는 경주에 갇혀버린 듯한 막다른 길과 같은 완벽한 균일성의 상태로 이어집니다.

난징 정보과학기술대학교(Nanjing University of Information Science and Technology)의 연구팀은 어떻게 사람들이 서로를 동일하게 강요하지 않으면서도 실제로 어떻게 함께 모여 살 수 있는지 이해하기 위해 새로운 종류의 수학적 모델을 구축하기로 했습니다. 그들은 사람들이 서로 다른 속도로 발전하면서도 어떻게 함께 앞으로 나아갈 수 있는지를 설명할 방법을 찾고자 했습니다. 그들은 새 떼의 규칙을 복제하는 대신, 인간의 의견과 학습 속도를 균형을 맞춰야 할 두 가지 별개의 요소로 취급하는 시스템을 만들었습니다. 그들의 연구는 건강한 사회가 반드시 모두를 같게 만들 필요는 없으며, 오히려 차이가 건강한 범위 내에서 유지되는 특정한 종류의 균형이 필요하다는 점을 시사합니다.

연구진은 먼저 모든 사람을 아이디어의 공간을 통과하여 이동하는 하나의 점으로 가정하며 시작했습니다. 각 개인은 다양한 이슈에 대한 자신의 견해를 나타내는 '입장(stance)'과, 마음을 바꾸거나 배우는 속도를 나타내는 '인지 속도(cognitive velocity)'를 가집니다. 이 모델에서 학습 속도는 어떤 방향으로 생각하는지와 관계없이 한 사람의 정신이 얼마나 활발한지를 측정하는 단일한 숫자입니다. 그들의 발견의 핵심은 집단이 잘 기능하기 위해서는 이웃 간의 학습 속도 차이가 너무 작아서도 안 되고, 너무 커서도 안 된다는 것입니다. 차이가 너무 작으면 사람들은 너무 유사해져서 공격적으로 경쟁하기 시작하는데, 연구진은 이를 '인볼루션(involution, 내포)'이라 부릅니다. 차이가 너무 크면 사람들은 서로 멀어져 소통을 멈추게 됩니다. 집단은 그들의 학습 속도 차이가 특정 '데드 존(dead zone)', 즉 서로를 도울 수 있을 만큼 충분히 다르면서도 연결을 유지할 수 있을 만큼 충분히 유사한 편안한 중간 지대에 놓여 있을 때만 건강하게 유지됩니다.

이 아이디어를 테스트하기 위해 연구팀은 가상의 사람들을 대상으로 일련의 컴퓨터 시뮬레이션을 실행했습니다. 첫 번째 실험에서 그들은 공유된 목표 없이 오직 국지적인 규칙만을 사용하여 사람들이 상호작용하게 했습니다. 결과는 즉각적이고 극명했습니다. 집단은 무너졌습니다. 공통의 비전이 그들을 끌어당기지 못하자, 사람들은 고립된 클러스터로 흩어졌고, 일단 충분히 멀어지자 다시는 서로를 찾을 수 없게 되었습니다. 이는 인간 집단이 응집하기 위해서는 공유된 목표가 필수적임을 확인시켜 주었습니다. 두 번째 실험에서 그들은 모든 이가 도달하고자 하는 목표 지점인 '집단적 비전(collective vision)'을 추가했습니다. 이것은 모든 것을 바꾸어 놓았습니다. 흩어져 있던 개인들이 다시 모여들어 공유된 목표를 향해 움직이는 응집력 있는 집단을 형성했습니다. 그러나 단순히 그들을 불러 모으는 것만으로는 충분하지 않았습니다. 집단이 너무 균일해지는 것을 방지하기 위한 규칙 또한 필요했습니다.

연구진은 이 균형을 관리하기 위해 모델에 두 가지 새로운 힘을 도입했습니다. 첫 번째 힘은 유사성에 대한 브레이크 역할을 합니다. 두 사람이 거의 정확히 같은 속도로 배울 때, 이 힘은 그들을 부드럽게 밀어내어 그들이 직접적인 경쟁자가 되지 않도록 서로 다른 강점을 개발하도록 독려합니다. 두 번째 힘은 큰 격차를 위한 안전망 역할을 합니다. 만약 한 사람이 다른 사람보다 훨씬 빠르게 배우고 있다면, 이 힘은 느린 학습자를 빠른 학습자 쪽으로 부드럽게 끌어당기지만, 오직 그 격차를 관리 가능한 크기로 좁힐 수 있을 만큼만 그렇게 합니다. 이는 그들을 동일하게 만드는 것이 아니라, 차이를 건강한 범위 내로 유지하는 것입니다. 시뮬레이션 결과, 이러한 규칙들이 적용되었을 때 집단은 자연스럽게 대부분의 이웃이 '동맹(allies)'이 되는 상태로 진화했습니다. 이 동맹들은 서로 대화할 수 있을 만큼 가까우면서도, 서로에게 유용할 수 있을 만큼 달랐습니다.

연구는 또한 사회적 규칙과 장벽이 집단에 어떤 영향을 미치는지 조사했습니다. 그들은 사람들이 넘을 수 없는 문화적 금기나 법적 제한을 나타내는 '장벽(barriers)'을 시뮬레이션에 도입했습니다. 이러한 장벽이 존재할 때, 집단은 장벽을 우회하여 항해해야 했으며, 이는 군중의 형태를 변화시켰습니다. 흥likely하게도, 장벽은 어떤 방향으로는 사람들을 밀어냈지만, 동시에 사람들이 사회적 유대를 깨뜨리는 방식으로 움직이는 것을 방지함으로써 집단을 연결된 상태로 유지하는 데 도움을 주었습니다. 시뮬레이션은 이러한 장벽이 집단을 다소 넓게 퍼지게 만들 수는 있지만, 사람들이 잘못된 방식으로 너무 가까워지는 것을 방지함으로써 더 많은 건강한 관계를 유지하는 데 실제로 도움이 되었다는 것을 보여주었습니다.

가장 중요한 발견 중 하나는 사회가 작동하기 위해 특정한 범위의 허용치가 필요하다는 것이었습니다. 연구진은 사람들의 의견이 얼마나 가깝거나 멀 수 있는지에 대한 '허용 밴드(tolerance band)'를 정의했습니다. 만약 이 밴드가 너무 좁으면 집단은 취약해져서 작은 차이에도 사람들이 흩어지게 됩니다. 만약 밴드가 넓다면, 집단은 더 포용적이 되어 매우 다른 견해를 가진 사람들 사이에서도 결속력을 유지할 수 있습니다. 시뮬레이션은 이 밴드의 너비를 조정함으로써 엄격하고 균일한 사회부터 개방적이고 다양성을 존중하는 사회에 이르기까지 다양한 유형의 사회를 모사할 수 있음을 보여주었습니다. 핵심은 사람들을 떼어놓는 규칙(경쟁을 피하기 위한)과 사람들을 묶어두는 규칙(멀어지는 것을 방지하기 위한)이 올바르게 균형을 이룰 때만 시스템이 작동한다는 것이었습니다.

연구진은 또한 이러한 종류의 사회적 균형이 존재하기 위해서는 경쟁을 피하기 위한 최소한의 차이가 소통이 단절되기 전의 최대한도 차이보다 작아야 함을 수학적으로 증명했습니다. 만약 이 두 숫자가 뒤바뀐다면, 시스템은 사람들이 끊임없이 서로를 밀어내고 당기며 안정적인 곳을 찾지 못한 채 혼란스러운 루프에 빠지게 됩니다. 이 조건은 그들의 모델에서 건강한 사회를 위한 근본적인 요구 사항입니다. 이는 사회가 사람들이 배우는 속도의 차이를 어느 정도 수용할 용의가 있어야 하며, 그 차이가 합리적인 범위 내에 머무는 한 가능하다는 것을 의미합니다.

결론적으로, 이 논문은 사회적 응집력을 생각하는 새로운 방식을 제시합니다. 그것은 집단의 목표가 모든 사람을 같게 만드는 것이 아니라, 차이가 관리될 수 있는 구조를 만드는 것이라고 제안합니다. 이 모델은 집단이 모든 사람이 발맞추어 걷도록 강요함으로써가 아니라, 서로를 돕고 배울 수 있는 범위 내에서 각자의 속도로 움직이도록 허용함으로써 결속을 유지할 수 있음을 보여줍니다. 시뮬레이션은 이러한 조건이 충족될 때, 집단이 자연스럽게 이웃들이 서로의 고유한 정체성을 유지하면서도 서로를 지원하는 동맹이 되는 상태로 안착함을 입증했습니다. 이는 다양성을 가진 집단이 공유된 비전과 차이를 조절하는 규칙을 가지고 있는 한, 균일한 집단보다 더 강력하고 안정적일 수 있다는 것에 대한 수학적 설명을 제공합니다.

기술 요약: 인간 사회적 군집 행동의 모델링 및 분석

문제 제기
Cucker–Smale 모델과 같은 기존의 군집 이론은 주로 속도 정렬(velocity alignment)과 충돌 회피를 목표로 하는 물리적 시스템(예: 새 떼, UAV 대형)을 위해 설계되었습니다. 이러한 모델에서 에이전트들은 공통된 속도 벡터로 수렴합니다. 그러나 이 프레임워크를 인간의 사회적 상호작용에 직접 적용하는 것은 근본적인 모순을 야기합니다. 만약 사회 구성원들이 그들의 "학습 효율성"(인지적 변화율)을 완전히 일치시킨다면, 이는 기능적 중복, 균질화된 경쟁, 그리고 "내포(involution, 과도하고 비생산적인 경쟁 상태)"로 이어지기 때문입니다. 본 논문은 사회적 군집을 동일한 상태로의 수렴이 아니라, 다양성을 보존하면서도 집단적 응집력을 유지하는 조정(coordination)으로 모델링하는 수학적 프레임워크의 필요성을 다룹니다. 핵심 과제는 개인이 적절한 수준의 효율성과 입장 차이를 유지하면서도, 지나친 균질화와 파편화를 모두 피할 수 있는 안정적인 평형 상태를 정의하는 것입니다.

방법론
저자들은 다중 에이전트 동적 시스템(Multi-Agent Dynamic Systems) 이론에 기반한 "사회적 군집(Social Flocking)"의 수학적 모델을 제안합니다. 방법론은 다음과 같은 주요 구성 요소를 포함합니다:

에이전트 상태 정의: 개인은 다음과 같이 정의된 상태를 가진 $\alpha$ -에이전트로 모델링됩니다:
- 사회적 입장 ( $q_i \in \mathbb{R}^m$ ): $m$ 개의 사회적 이슈에 대한 의견을 나타내는 좌표.
- 인지적 속도 ( $p_i \in \mathbb{R}^m$ ): 입장 변화의 비율.
- 학습 효율성 ( $e_i = \|p_i\|$ ): 인지적 속도의 스칼라 크기로, 학습 또는 적응의 전반적인 속도를 나타냄.
제어 입력 분해: 선형 합의(consensus) 항을 사용하는 Cucker–Smale 모델과 달리, 제어 입력 $u_i$ 는 입장 방향 벡터 $n_{ij}$ 를 따라 작용하는 세 가지 독립적인 힘의 채널로 분해됩니다:
- 입장 힘 (Stance Force): 쌍체 작용 함수 $\phi_\alpha(z)$ 를 기반으로 하며, 입장이 너무 가까우면 반발력을, 너무 멀면 인력을 제공하며, 선호되는 거리 $d_\alpha$ 를 중심으로 작동합니다.
- 효율성 차별화 힘 (Efficiency Differentiation Force): 차별화 함수 $\rho(\Delta_{ij})$ 를 사용하는 새로운 항으로, 여기서 $\Delta_{ij} = |e_j - e_i|$ 입니다. 이 함수는 균질화(involution)를 방지하기 위해 효율성 차이가 너무 작을 때( $\Delta_{ij} < \delta$ )는 반발력을 생성하고, 차이가 적절할 때( $\delta \le \Delta_{ij} < \Delta_{max}$ )는 인력을 생성합니다.
- 유계 조정 힘 (Bounded Coordination Force): 데드존(dead-zone) 함수 $\phi_{co}(\Delta_{ij})$ 를 사용하는 항입니다. 이 힘은 효율성 차이가 허용 범위 내에 있을 때( $\Delta_{ij} \le \tau$ )는 0이며, 차이가 $\tau$ 를 초과할 때만 활성화되어 격차를 허용 한계치까지 압축합니다. 이는 전역적 속도 정렬을 "유계 조정"으로 대체합니다.
2차원 사회적 분류: 논문은 **2차원 허용 대역(tolerance band)**을 기반으로 한 분류 메커니즘을 도입합니다:
- 입장 차원: $[d_\alpha - \epsilon_1, d_\alpha + \epsilon_2]$ 의 허용 대역.
- 효율성 차원: 건강한 구간 $[\delta, \tau]$ .
- 분류 로직: 관계는 경쟁자(Competitors) (두 차원 모두 너무 가깝거나 유사하여 반발을 유발함), 낯선 이(Strangers) (하나 또는 두 차원 모두 너무 멀리 떨어져 있어 인력/압축을 유발함), 또는 동맹(Allies) (두 차원 모두 건강한 구간 내에 있음)로 분류됩니다.
시스템 아키텍처:
- 알고리즘 1 (순수 상호작용): 위의 힘들을 통해 상호작용하는 $\alpha$ -에이전트들만 포함합니다.
- 알고리즘 2 (집단적 비전): 전역적 목표 가이드와 파편화를 방지하기 위한 속도 댐핑을 제공하는 $\gamma$ -에이전트(가상 리더)를 추가합니다.
- 알고리즘 3 (사회적 장벽): 위치 반발력과 속도 투영 댐핑을 가하는 사회적 규범 또는 제도적 장벽을 나타내는 $\beta$ -에이전트를 추가합니다.

주요 기여

사회적 군집의 수학적 모델: 본 논문은 물리적 군집(합의를 요구함)과 사회적 건강(다양성을 요구함) 사이의 모순을 해결하는 자기 일관적 모델을 구축합니다. 이는 벡터 수준의 속도 정렬을 스칼라 수준의 효율성 경계 설정으로 대체합니다.
유계 조정 및 차별화: 데드존 함수 $\phi_{co}$ 와 차별화 함수 $\rho$ (균질화 임계값)의 도입은 효율성 차이가 0으로 수렴하는 대신 특정 건강한 구간 $[\delta, \tau]$ 내에서 유지되도록 하는 메커니즘을 생성합니다.
평형의 필요 조건: 논문은 비자명한 평형(non-trivial equilibrium)이 존재하기 위한 필요 조건으로 $\delta < \tau$ 임을 엄밀하게 증명합니다. 만약 균질화 임계값이 조정 데드존보다 크면, 시스템은 영구적으로 진동하게 됩니다.
2차원 분류 프레임워크: 입장 거리와 효율성 차이를 기준으로 사회적 관계를 정의하는 새로운 3x3 분할 기준을 제시하여, "다르면서도 조화를 이루는 것"이라는 개념을 수학적으로 공식화합니다.
안정성 및 구조 분석: 저자들은 점근적 동적 평형 상태에서 모든 활성 엣지(edge)가 "동맹" 기준을 만족함을 증명합니다. 또한, 이 모델의 사회적 네트워크는 본질적으로 희소하며(2D에서는 평면적, 3D에서는 유계 차수), $n$ 이 커질 때 완전 그래프(complete graph)를 형성할 수 없음을 보여줍니다.

결과
논문은 이론적 발견을 검증하기 위해 시뮬레이션 실험을 제시합니다:

파편화 대 응집: 시뮬레이션 1은 집단적 비전( $\gamma$ -에이전트)이 없을 경우 순수 사회적 상호작용이 돌이킬 수 없는 파편화로 이어진다는 것을 보여줍니다. 시뮬레이션 2는 $\gamma$ -에이전트가 초기 파편화를 성공적으로 극복하여 집단이 하나의 비전을 중심으로 응집하도록 유도함을 보여줍니다.
분산된 효율성 평형: 시뮬레이션은 효율성 차이가 건강한 구간 $[\delta, \tau]$ 를 향해 수렴함을 확인합니다. 조건 $\delta < \tau$ 가 위반될 경우(예: $\delta > \tau$ ), 시스템은 안정화되지 못하고 지속적인 진동을 보입니다.
사회적 규범의 역할: 시뮬레이션 3은 $\beta$ -에이전트(장벽)가 금기 구역으로부터 개인을 효과적으로 밀어내고 방향 선택적 댐핑을 제공함을 보여줍니다. 이는 공간적 확산(응집 반경)을 증가시키지만, 고속 위반을 억제하고 개인을 순응적인 경로로 안내함으로써 "동맹" 관계의 비율을 높입니다.
매개변수 민감도: 실험을 통해 더 넓은 허용 대역( $\epsilon_1, \epsilon_2$ )이 더 높은 비율의 안정적인 "동맹" 관계를 이끌어내며, 이는 더 포용적인 사회를 특징짓는다는 것을 검증합니다.

의의 및 주장
본 논문은 다양성의 보존을 안정성 요구 사항으로 명시적으로 모델링하는 최초의 "사회적 군집" 수학적 프레임워크를 제공한다고 주장합니다.

이론적 의의: 이는 군집 평형을 동일한 속도의 상태에서 "분산된 효율성 평형" 상태, 즉 다양성이 경계 내에서 보존되는 상태로 재정의합니다. 또한 "다르면서도 조화를 이루는 것"이라는 사회학적 개념에 대한 엄밀한 수학적 정식화를 제공합니다.
사회학적 함의: 이 모델은 건강한 사회를 위해 특정 구조적 매개변수가 필요함을 시사합니다. 즉, 균질화(involution)의 임계값( $\delta$ )보다 더 큰 차이의 허용 대역( $\tau$ )이 필요하며, 소외를 유발하지 않으면서 다원주의를 허용하는 입장 허용 대역이 필요합니다.
한වා한점: 저자들은 효율성 구간으로의 수렴 증명이 엄격한 검증을 기다리는 가정(예: 유한 시간 내 구간 진입)에 의존하고 있음을 인정합니다. 또한, 시뮬레이션이 고정된 랜덤 시드를 사용하였으며, 점근적 예측(100% 동맹 비율)을 완전히 검증하기 위한 초장기 실행은 아직 포함되지 않았음을 언급합니다. 차별화 함수의 불연속성 처리는 Filippov 해를 통해 다루어지나, 현재 범위 내에서 비매끄러운(non-smooth) 동역학적 관점에서 완전히 분석되지는 않았습니다.

요약하자면, 본 논문은 인간 집단이 어떻게 개인의 인지적 다양성을 희생하지 않으면서 응집력 있는 구조로 자기 조직화할 수 있는지 이해하기 위해, 사회적 규범, 효율성 경계, 집단적 비전을 모델링하는 제어 이론적 도구를 사용하여 이론적 토대를 구축합니다.

기술 요약: 인간 사회적 군집 행동의 모델링 및 분석

유사한 논문