dewi-kadita: A Python Library for Idealized Fish Schooling Simulation with Entropy-Based Diagnostics

De paper presenteert *dewi-kadita*, een open-source Python-bibliotheek voor het simuleren van viszwermen met behulp van een 3D-model en geavanceerde entropie-gebaseerde diagnostiek om complexe organisatorische patronen in collectief gedrag te analyseren.

De kern

Stel je voor dat je op een druk strand staat. Iedereen loopt een beetje door elkaar: de één naar de zee, de ander naar de ijscowagen, en weer een ander zoekt een plekje voor zijn handdoek. Het is een chaos. Maar kijk nu naar een school vissen in de oceaan: ze bewegen als één groot, vloeiend organisme, zonder dat er een 'baas' is die commando's roept.

Wetenschappers proberen al decennia te begrijpen hoe die "magie" van collectieve beweging werkt. Maar tot nu toe hadden ze een probleem: ze hadden wel de rekenmodellen om de vissen te simuleren, maar ze hadden geen goede "thermometer" om te meten hoe georganiseerd of chaotisch die vissen precies waren.

Dit is waar de nieuwe software dewi-kadita om de hoek komt kijken.

Wat is dewi-kadita?

Je kunt dewi-kadita zien als een supergeavanceerde digitale vissenkom met een ingebouwde supercomputer en een slimme detective.

1. De Digitale Vissenkom (De Simulatie): De software kan duizenden digitale visjes nabootsen in een driedimensionale ruimte. Deze visjes hebben "regels" die lijken op echte vissen: "Blijf uit de buurt van je buurman om botsingen te voorkomen", "Zwem in dezelfde richting als je buren", en "Blijf bij de groep zodat je niet alleen bent."
2. De Slimme Detective (De Diagnose): Dit is het echt bijzondere deel. In plaats van alleen te kijken of de vissen "naar links" of "naar rechts" zwemmen, gebruikt de software entropie (een maatstaf voor chaos) om de vissen te analyseren.

De "Chaos-meter": Hoe werkt het?

Stel je voor dat je een feestje analyseert. Een gewone wetenschapper kijkt alleen of iedereen in dezelfde richting staat (bijvoorbeeld allemaal naar de DJ). Maar de makers van dewi-kadita gaan veel dieper. Ze gebruiken zeven verschillende "brillen" om de chaos te meten:

• De Afstand-bril: Zwemmen de vissen heel dicht op elkaar als een compacte knoop, of zweven ze als losse korrels zand?
• De Diepte-bril: Vormt de school een platte laag, of verspreiden ze zich over alle hoogtes in de oceaan?
• De Vorm-bril: Is de groep een perfecte bol, of een lange, slanke streep (zoals een trein)?
• De Richting-bril: Zwemmen ze allemaal synchroon, of is het een wirwar van richtingen?

Al deze informatie wordt samengevoegd in één magische getal: de Oceanic Schooling Index (OSI). Dit is als een "chaos-score". Een score van bijna 0 betekent: "Wauw, dit is een perfect georganiseerde parade!" Een score van bijna 1 betekent: "Het is een totale chaos, net als een zwerm muggen."

Waarom is dit belangrijk?

Vroeger was het vergelijken van verschillende visgroepen lastig, omdat elke onderzoeker zijn eigen meetlat gebruikte. dewi-kadita is als een universele liniaal. Omdat de software razendsnel is (dankzij slimme technieken die de computer laten werken alsof hij een turbo-motor heeft), kunnen wetenschappers nu heel snel duizenden verschillende scenario's testen.

Kortom: dewi-kadita geeft biologen en natuurkundigen een digitale microscoop waarmee ze niet alleen kunnen zien hoe vissen bewegen, maar ook de verborgen wiskundige orde in de chaos van de oceaan kunnen ontdekken.

Technische samenvatting

Technische Samenvatting: dewi-kadita

1. Probleemstelling (The Problem)

Het bestuderen van collectieve beweging in biologische systemen, zoals vissscholen, is essentieel voor het begrijpen van zelforganisatie in active matter. Hoewel het theoretische kader (zoals het Couzin-model) volwassen is, kampen onderzoekers met twee belangrijke beperkingen:

• Fragmentatie van tools: Er is een gebrek aan gestandaardiseerde, open-source software voor het simuleren van driedimensionale (3D) visgedrag. De meeste bestaande codes zijn private laboratoriumscripts die niet interoperabel zijn.
• Beperkte diagnostiek: Klassieke parameters zoals polarisatie ($P$) en rotatie ($M$) zijn onvoldoende om de volledige complexiteit van een school te beschrijven. Twee verschillende configuraties kunnen dezelfde $P$- en $M$-waarden hebben, maar een totaal andere interne organisatie (bijv. dichtheid of vorm) bezitten.

2. Methodologie (Methodology)

De auteurs introduceren dewi-kadita, een Python-bibliotheek die de volgende technische componenten combineert:

• Simulatiemodel: Implementatie van het 3D Couzin zone-gebaseerde model. Dit model gebruikt drie concentrische zones rondom elk individu: een afstotingszone (Repulsion), een oriëntatiezone (Orientation) en een aantrekkingszone (Attraction). Het model houdt rekening met biologische beperkingen zoals een visueel blind veld (conische blind zone) en een maximale draaisnelheid.
• Computationele optimalisatie: Om de rekenintensieve $O(N^2)$ interacties tussen deeltjes te versnellen, maakt de bibliotheek gebruik van Numba Just-In-Time (JIT) compilatie. Dit versnelt de berekeningen met een factor 10 tot 100, waardoor simulaties van honderden agenten binnen enkele minuten mogelijk zijn op standaard hardware.
• Data-architectuur: Gebruik van cKDTree (via SciPy) voor efficiënte nabijheidszoekopdrachten en opslag in NetCDF4-formaat (CF-compliant), wat zorgt voor interoperabiliteit met oceanografische analysetools.

3. Belangrijkste Bijdragen (Key Contributions)

De belangrijkste innovatie is de introductie van een uitgebreid informatie-theoretisch diagnostisch kader gebaseerd op Shannon-entropie. De bibliotheek introduceert zeven nieuwe metrieken:

1. School cohesion entropy ($H_{coh}$): Dichtheid en compactheid.
2. Polarization entropy ($H_{pol}$): Spreiding van de snelheidsrichtingen.
3. Depth stratification entropy ($H_{depth}$): Verticale verdeling in de waterkolom.
4. Angular momentum entropy ($H_{ang}$): Heterogeniteit in rotatiebijdragen.
5. Nearest-neighbor entropy ($H_{NN}$): Lokale dichtheidsstructuur.
6. Velocity correlation entropy ($H_{vel}$): Pairwise uitlijning tussen individuen.
7. School shape entropy ($H_{shape}$): Morfologische variabiliteit (via PCA).

Deze metrieken worden gecombineerd in de Oceanic Schooling Index (OSI), een enkele schaalwaarde die de mate van collectieve wanorde (disorder) kwantificeert.

4. Resultaten (Results)

De bibliotheek is gevalideerd aan de hand van vier canonieke configuraties: swarm, torus, dynamic parallel en highly parallel.

• Validatie van fasen: De simulaties reproduceerden correct de bekende gedragspatronen.
• Superieure discriminatie: De entropie-metrieken slaagden erin om configuraties te onderscheiden die met klassieke parameters niet te scheiden waren. Bijvoorbeeld, de velocity correlation entropy ($H_{vel}$) kon het verschil aantonen tussen een willekeurige verdeling en een perfect uitgelijnde staat, zelfs als de gemiddelde polarisatie vergelijkbaar was.
• OSI-prestaties: De OSI bood een monotone rangschikking van orde: van de zeer geordende highly parallel staat (OSI $\approx 0.24$) tot de wanordelijke swarm staat (OSI $\approx 0.71$).

5. Betekenis (Significance)

• Wetenschappelijke standaardisatie: dewi-kadita biedt een reproduceerbare infrastructuur die vergelijkbaar is met gevestigde codes in de moleculaire dynamica (zoals LAMMPS), maar dan specifiek voor collectief biologisch gedrag.
• Interdisciplinaire brug: Door de combinatie van statistische fysica (entropie) en oceanografische standaarden (NetCDF4), slaat de bibliotheek een brug tussen theoretische modellering en mariene ecologie.
• Toekomstig onderzoek: De bibliotheek legt een fundament voor complexere studies, zoals de interactie tussen vissscholen en oceaanstromingen of predator-prooi dynamiek.