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

집단이 시간이 흐름에 따라 어떻게 변화하는지를 연구하는 과정에서, 과학자들은 종종 개인이 서로 다른 행동 방식 사이에서 어떻게 선택하는지를 살펴본다. 한 무리의 사람들이 모두 하나의 인기 있는 규칙을 따를지 아니면 다른 규칙을 따를지 결정하려고 애쓰는 군중을 상상해 보라. 많은 모델에서 사람들은 오직 바로 옆에 있는 이들로부터만 배우며, 이웃의 선택을 모방한다. 이러한 국지적 학습은 합의가 이루어진 영역을 만들어내지만, 집단을 하나의 행동 양식 속에 오랫동안 갇히게 만들 수도 있다. 그러나 현실 세계에서 영향력은 좀처럼 인접한 이웃에서 멈추지 않는다. 트렌드는 도시 전체로 퍼질 수 있고, 소문은 한 공동체에서 다른 공동체로 뛰어넘을 수 있으며, 새로운 아이디어는 그것을 처음 들은 사람을 훨씬 넘어 멀리까지 이동할 수 있다. 이러한 장거리 연결이 집단의 진화 방식을 어떻게 변화시키는지 이해하는 것은 문화적 습관의 확산부터 사회적 규범의 안정성에 이르기까지 모든 것을 설명하는 데 매우 중요하다.

연구자 포리킷 몬달(Porikshit Mondal)과 에르네스토 에스트라다(Ernesto Estrada)가 수행한 새로운 연구는 바로 이 질문을 조사한다. 그들은 네트워크 내에서 행동이 어떻게 경쟁하고 변이하는지를 설명하는 데 사용되는 표준 수학 모델을 가져와 여기에 장거리 영향력이라는 층을 추가했다. 그들이 만든 버전에서, 개인은 단순히 가장 가까운 접촉자로부터 배우는 것이 아니라, 네트워크에서 더 멀리 떨어진 사람들로부터도 영향을 받을 수 있으며, 그 영향력의 강도는 거리가 멀어짐에 따라 약해진다. 다양한 유형의 네트워크에서 이를 시뮬레이션함으로써, 연구진은 이러한 장거리 연결을 허용하는 것이 결과에 근본적인 변화를 준다는 사실을 발견했다. 사람들이 먼 곳의 타인으로부터 배울 수 있게 되면, 집단은 다양해지기 위해 훨씬 적은 양의 무작위적 변화를 필요로 한다. 더욱 놀라운 점은, 이러한 장거리 연결이 충분히 강력하다면, 시스템이 모든 사람이 동일한 지도자를 따르는 상태에서 모든 가능한 행동이 균등하게 나타나는 상태로 갑자기 급변할 수 있다는 것이다.

연구자들은 먼저 각 개인이 특정 행동을 채택하고, 집단의 전반적인 상태가 각 관점을 가진 사람의 수로 정의되는 인구에 대한 컴퓨터 모델을 구축하며 시작했다. 이 모델의 전통적인 버전에서는 영향력이 엄격하게 국지적이다. 만약 당신이 누군가와 연결되어 있다면 당신은 그를 모방할 수 있지만, 연결되어 있지 않다면 당신은 영향을 받지 않는다. 이러한 설정은 종종 전체 집단이 하나의 지배적인 행동으로 수렴하는 '행동적 떼 지음(behavioral flocking)' 현상, 마치 물고기 떼가 일제히 방향을 트는 것과 같은 현상을 초래한다. 이 모델에 현실 세계의 복잡성인 원거리 영향력을 도입하기 위해, 연구팀은 네트워크의 여러 단계를 가로질러 상호작용이 일어날 수 있게 하는 수학적 도구를 사용했다. 그들은 영향력의 '가중치'가 네트워크 상의 몇 단계를 떨어져 있는지에 따라 달라지는 시스템을 만들었다. 그들의 모델에서 작은 숫자는 먼 연결조차 상당한 무게를 갖는다는 것을 의미했고, 큰 숫자는 오직 즉각적인 이웃만이 중요하다는 것을 의미했다.

그들이 사회적 관계를 모방하는 스몰 월드 네트워크와 무작위 네트워크를 포함한 다양한 네트워크 구조에서 시뮬레이션을 실행했을 때, 명확한 패턴이 나타났다. 국지적 영향력만 있는 버전에서는, 집단이 단일한 지배적 행동에서 벗어나 다양성을 달성하기 위해 높은 비율의 무작위 전환(본질적으로 사람들이 실수로 마음을 바꾸는 것)을 필요로 했다. 그러나 연구진이 장거리 연결을 활성화했을 때, 집단은 변화에 훨씬 더 민감해졌다. 그들은 강력한 장거리 영향력이 있을 때, 아주 적은 양의 무작위적 전환만으로도 단일 행동의 지배력을 깨뜨리기에 충분하다는 것을 발견했다. 집단은 균일한 상태에서 최대 다양성의 상태로 빠르게 전이되었다. 즉, 모든 가용한 행동이 비슷한 수만큼 실천되는 상태로 말이다.

이러한 전이는 느리고 점진적인 변화가 아니었다. 연구진은 이것이 마치 스위치를 켜는 것처럼 갑작스럽게 일어난다는 것을 관찰했다. 장거리 영향력이 특정 임계값을 넘어서면, 시스템은 완전한 합의 상태에서 완전한 다양성의 상태로 거의 즉각적으로 도약했다. 이러한 전이가 부드러운 곡선이 아니라 실제적인 급격한 변화임을 확인하기 위해, 그들은 여러 방식으로 시스템을 테스트했다. 그들은 집단의 크기가 커짐에 따라 전이가 어떻게 작동하는지 살펴보았는데, 집단이 커질수록 도약이 더 날카롭고 뚜렷해진다는 것을 발견했다. 또한 그들은 무작위 전환율을 천천히 높였다가 다시 천천히 낮추는 테스트를 진행했다. 그 결과, 시스템이 원래의 상태로 돌아오는 지점이 동일하지 않으며, 전환율이 떨어지는 중에도 다양성 상태를 유지한다는 것을 발견했는데, 이는 히스테리시스(hysteresis)라고 알려진 현상이다. 이전 상태에 대한 이러한 '기억'은, 집단이 시작점에 따라 균일하거나 다양한 상태 중 하나로 정착할 수 있는 능력과 결합하여, 시스템이 뚜렷한 1차 상전이를 겪고 있음을 확인시켜 주었다.

연구는 또한 이 효과가 특정 네트워크의 형태에 의존하는지를 탐구했다. 그들은 고리형 구조, 무작위 웹, 그리고 소수의 고도로 연결된 허브가 있는 네트워크 등에서 모델을 테스트했다. 이러한 네트워크들이 구축된 방식의 차이에도 불구하고 결과는 동일했다. 강력한 장거리 연결은 일관되게 시스템을 고도의 다양성을 가진 글로벌화된 상태로 몰아갔다. 이는 멀리 있는 소스로부터 배우는 능력이 국지적 집단이 단일 행동에 고착되려는 경향을 압도할 수 있는 강력한 힘이라는 점을 시사한다. 연구진은 또한 서로 다른 네트워크들이 얼마나 유사한 행동을 보이는지 측정하는 방법을 개발했다. 다양한 인공 및 실제 네트워크가 동일한 국지적 및 장거리 영향력의 혼합에 어떻게 반응하는지 비교함으로써, 그들은 어떤 구조가 비슷하게 작동하고 어떤 구조가 다르게 작동하는지를 지도화할 수 있었으며, 이는 단순히 모양이 아닌 역동적 잠재력에 기반하여 네트워크를 분류하는 새로운 방법을 제공했다.

이러한 발견의 함의는 추상적인 수학을 넘어선다. 이 연구는 패션의 확산, 정치적 견해의 채택, 혹은 언어의 진화 등 사람들이 타인으로부터 배우는 모든 체계에서, 네트워크를 가로질러 도달하는 능력이 다양성의 핵심 동력임을 시사한다. 만약 영향력이 즉각적인 이웃으로 제한된다면 집단은 단일한 양식 속에 정체될 수 있다. 그러나 네트워크가 장거리 학습을 허용한다면, 아주 작은 실험적 시도만으로도 집단의 행동을 빠르고 완전하게 변화시키는 전환을 촉발할 수 있다. 연구진은 이 메커니즘이 '글로벌화'를 촉진한다는 것을 보여주었는데, 이는 시스템이 다양한 행동을 동시에 접근하고 유지할 수 있게 하여, 단일한 옵션이 영원히 지배하는 것을 방지한다는 의미이다. 그들의 연구는 우리 사이의 연결 구조가 집단적 선택의 다양성을 어떻게 형성하는지를 이해하는 수학적 틀을 제공하며, 우리 사이의 거리가 즉각적인 유대감의 강도만큼이나 중요하다는 사실을 밝혀냈다.