The Mathematical Theory of Behavioural Swarms: Towards Modelling the Collective Dynamics of Living Systems
Dit artikel introduceert een uitgebreid wiskundig kader voor "Behavioural Swarms" dat de beperkingen van klassieke modellen overwint door dynamische interne activiteitsvariabelen op te nemen om de adaptieve, heterogene en door agency gedreven collectieve dynamiek van levende systemen rigoureus te modelleren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Levende wezens bewegen niet zoals stenen of planeten. Een rots volgt de wetten van de fysica met perfecte voorspelbaarheid, maar een vogel, een bacterie of een mens draagt een innerlijke wereld met zich mee die bepaalt hoe zij handelt. Deze innerlijke wereld omvat gevoelens zoals angst, zelfvertrouwen of stress, die van moment tot moment verschuiven en de manier waarop een individu met anderen omgaat, veranderen. Decennialang hebben wetenschappers geprobeerd wiskundige regels te schrijven die beschrijven hoe groepen van deze levende wezens samen bewegen. De bekendste pogingen behandelden elk lid van de groep als een simpele machine die vaste regels volgde om de snelheid en richting van zijn buren te evenaren. Hoewel deze modellen verklaarden hoe zwermen vogels of scholen vissen bij elkaar konden blijven, misten ze een cruciale waarheid: levende wezens zijn geen machines. Ze maken keuzes op basis van hun eigen veranderende stemmingen en strategieën.
Deze kloof in het begrip is wat een nieuwe studie van onderzoekers uit Spanje, China en Marokko probeert te vullen. Zij hebben een nieuwe wiskundige theorie ontwikkeld genaamd de "theorie van gedragsswarmen". In plaats van elk lid van een groep als een statisch object te behandelen, geeft dit nieuwe kader elk individu een verborgen, verschuivende variabele genaamd "activiteit". Denk aan deze activiteit als een maatstaf voor hoe alert, gestrest of gemotiveerd een individu op elk gegeven moment is. Dit getal is niet vaststaand; het verandert terwijl het individu met anderen interageert, en op zijn beurt verandert het hoe het individu beweegt. De onderzoekers bouwden een reeks regels die deze interne staat direct koppelt aan fysieke beweging, waardoor een systeem ontstond waarin de angst van een persoon onmiddellijk de loopsnelheid kan veranderen, of het zelfvertrouwen van een vogel het vliegpad kan wijzigen.
De studie begint met een blik op oudere modellen die goed werkten voor eenvoudige afstemming, maar faalden in het vastleggen van de complexiteit van het leven. In die oudere systemen, als een vogel wilde afbuigen, nam hij simpelweg het gemiddelde van de richtingen van de vogels om hem heen. De nieuwe theorie voegt een laag van besluitvorming toe. Het stelt voor dat een vogel of een persoon, voordat hij beweegt, eerst zijn interne staat bijwerkt op basis van wat hij ziet en voelt. Als een voetganger in een menigte een toenemend gevoel van paniek ervaart, beïnvloedt dat gevoel (de activiteit) onmiddellijk hoe snel hij loopt en welke kant hij op draait. De onderzoekers toonden aan dat deze interne staat en de fysieke beweging in een lus zijn vergrendeld: de omgeving verandert het gevoel, en het gevoel verandert de beweging.
Om te testen of dit idee werkt, paste het team het toe op twee zeer verschillende realistische situaties: de beweging van mensen in een menigte en de koop en verkoop van goederen in een markt. In het scenario van de menigte simuleerden zij een groep voetgangers waarbij één persoon plotseling in paniek raakte. Het model liet zien hoe die paniek zich zou verspreiden. Toen de paniekerige persoon anderen zag, beïnvloedde diens angst ook die buren, die vervolgens zelf angstig werden. De onderzoekers ontdekten dat de vorm van de paniekgolf sterk afhing van hoe ver mensen konden kijken. Als iedereen een breed gezichtsveld had, verspreidde de paniek zich sneller en besloeg het een breder gebied. Als hun zicht smal was, bewoog de paniek langzamer in een compacte lijn. Dit kwam overeen met wat we in het echte leven zouden verwachten, maar het model bewees het wiskundig door de veranderende "activiteit" van elke individuele persoon in de simulatie te volgen.
In de tweede toepassing keken de onderzoekers naar een markt waar kopers en verkopers met elkaar interageren. Hier vertegenwoordigde de "activiteit" hoeveel een koper een product wilde hebben of hoeveel een verkoper bereid was zijn prijs te verlagen. Het model toonde aan dat wanneer kopers als een groep handelden, op zoek naar de beste deal, zij plotselinge golven van vraag konden creëren die prijzen dwongen te veranderen. In tegen tegenover de oudere economische modellen die ervan uitgingen dat een centrale autoriteit prijzen vaststelt, toonde dit systeem hoe prijzen natuurlijk konden ontstaan uit de chaotische, individuele beslissingen van veel mensen. De simulatie onthulde dat als verkopers hun prijzen konden aanpassen op basis van hoeveel kopers er naar hen keken, de markt uiteindelijk op zichzelf een stabiele prijs zou vinden, zonder dat iemand hen vertelde wat ze moesten doen.
De onderzoekers verkenden ook wat er gebeurt wanneer een groep niet alleen samen beweegt, maar ook samen denkt. Zij simuleerden een scenario waarin individuen probeerden het eens te worden over een richting om naartoe te gaan, maar ook probeerden het eens te worden over een interne mening. Zij ontdekten iets verrassends: de groep kon een perfecte overeenstemming bereiken over de richting waarheen te lopen, zelfs als zij diep verdeeld bleven over wat zij geloofden. De fysieke beweging van de groep werd verenigd, terwijl hun interne staten verdeeld bleven in verschillende kampen. Dit suggereft dat in het echte leven een menigte als één eenheid kan bewegen, zelfs als de mensen binnenin ruzie maken of verschillende standpunten innemen.
Hoewel de theorie krachtig is, merken de auteurs voorzichtig op wat haar beperkingen zijn. De huidige versie van het model gaat ervan uit dat het aantal mensen in de groep gelijk blijft; het houdt nog geen rekening met het feit dat mensen geboren worden of sterven, of dat er nieuwe agenten uit het niets verschijnen. Dit maakt het minder geschikt voor het bestuderen van zaken zoals de verspreiding van een virus, waarbij het aantal besmette mensen constant verandert. Echter, voor systemen waarbij de groepsgrootte stabiel is, biedt de theorie een veel duidelijker beeld van hoe interne gevoelens externe acties aansturen.
Het artikel concludeert door naar de toekomst te kijken, en suggereert dat deze theorie gecombineerd kan worden met moderne computermodellen voor machine learning. Door echte data van vogelzwermen of menselijke menigten in deze modellen te voeden, zouden wetenschappers op een dag de exacte regels die bepalen hoe activiteit verandert, automatisch kunnen ontdekken. Dit zou het veld verplaatsen van het gissen naar hoe mensen zich gedragen naar het daadwerkelijk voorspellen ervan. Het werk beweert niet het mysterie van het leven te hebben opgelost, maar biedt een nieuwe, eerlijkere taal om het te beschrijven. Door toe te geven dat levende wezens een innerlijke wereld dragen die verschuift en verandert, biedt de theorie van gedragsswarmen een manier om de complexe, adaptieve dans van het leven te begrijpen zonder het te reduceren tot eenvoudige mechanica.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.