Tuning Agent-Based Predator-Prey Models Toward Lotka-Volterra Dynamics

Technische Samenvatting: Het afstemmen van Agent-Based Predator-Prey Modellen op Lotka-Volterra Dynamiek

Probleemstelling
Recente to evenementen in computationele kracht hebben het gebruik van grootschalige agent-gebaseerde modellen (ABM's) mogelijk gemaakt voor het simuleren van complexe adaptieve systemen. Een centraal probleem blijft echter: ABM's bevatten vaak talrijke lokale regels en parameters waarbij kleine aanpassingen kunnen leiden tot ongecontroleerd gedrag, populatieinstorting of kunstmatige verzadiging. De uitdaging ligt in het beperken van deze dynamieken om stabiele, betekenisvolle populatieniveaus te produceren zonder de lokale interacties te verwijderen die complexiteit genereren. Specifiek onderzoeken de auteurs of de microscopische parameters van een continu predator-prooi systeem zo afgestemd kunnen worden dat de resulterende macroscopische populatiedynamiek lijkt op de klassieke, vloeiende oscillaties van de Lotka-Volterra (LV) vergelijkingen.

Methodologie
De studie maakt gebruik van een continu tweedimensionaal predator-prooi systeem waarbij schapen (prooi) en wolven (predator) worden gemodelleerd als zelfbeweeglijke actieve agenten. Het systeem is geïmplementeerd met ABMax, een JAX-gebaseerd framework dat efficiënte gebatchte simulaties op hardware-accelerators (NVIDIA A100 GPU's) mogelijk maakt.

• Agent-dynamiek: Agenten bezitten interne energie, lokale waarnemingsmogelijkheden (ray-casting met occlusie) en worden aangestuurd door Continuous-Time Recurrent Neural Networks (CTRNN's) gebaseerd op een moderne Wilson-Cowan interpretatie. Agenten bewegen in een Cartesiaans vlak, waarbij ze energie verkrijgen uit een centrale graspatch (schapen) of door prooi te consumeren (wolven), terwijl ze metabole kosten maken.
• Populatieomloop: Geboorte en sterfte zijn drempelgebaseerd. Agenten reproduceren zich als de energie een drempelwaarde voor een specifieke duur overschrijdt en er een plek beschikbaar is; ze sterven als de energie gedurende een bepaalde tijd onder een drempelwaarde blijft. Nakomelingen erven de controller-parameters en de helft van de energie van de ouder.
• Optimalisatiestrategie: De optimalisatie vindt plaats in twee afzonderlijke fasen:
  1. Controller-optimalisatie: Met behulp van de Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES) optimaliseren de auteurs eerst de neurale netwerkcontrollers voor schapen en wolven afzonderlijk. Wolven worden getraind tegen willekeurige schapencontrollerslers, en vice versa, om robuuste lokale gedragingen te vestigen.
  2. ABM-niveau Afstemming: Met de controllers vastgesteld (ofwel als de geëvolueerde versies, ofwel als willekeurige initialisaties), optimaliseren de auteurs de ecologische parameters (bijv. gras-intake-snelheden, predatie-overdrachtssnelheden, metabole kosten en geboorte/sterfte-drempels).
• Doelfunctie: De afstemming richt zich op een feature-gebaseerde verliesfunctie die ontworpen is om LV-achtige dynamiek af te dwingen. De loss ($L$) is een gewogen som van verschillende componenten:
  • Correlatieverlies ($L_{corr}$): Gebruikt Pearson-correlatie om de faseverschuiving tussen schapen- en wolvenpopulaties te belonen (prooi leidt predator) en de uitlijning van de groei-/afnamehellingen. Het codeert ook lokale LV-druk (hoge prooidichtheid die predatorgroei drijft, en vice versa).
  • Stabiliteitsverliezen: Bevat termen om extinctie te voorkomen ($L_e$), verzadiging bij kunstmatige populatieplafonds te voorkomen ($L_c$), voldoende oscillatieamplitude te waarborgen ($L_a$), niet-monotone trajecten af te dwingen ($L_t$), te straffen voor trajecten die hun gemiddelde niet frequent genoeg kruisen ($L_{cross}$), en de langetermijn-drift in populatiegemiddelden te minimaliseren ($L_d$).

Belangrijkste Resultaten

• Convergentie naar LV-dynamiek: De optimalisatie heeft de ABM-parameters succesvol geleid naar regimes die aanhoudende, gekoppelde oscillaties vertonen tussen de schapen- en wolvenpopulaties. De loss daalde significant, vooral wanneer geëvolueerde controllers werden gebruikt in vergelijking met willekeurige controllers.
• Invloed van de Controller:
  • Geëvolueerde Controllers: Produceerden "ruiziger" en minder geïdealiseerde oscillaties die toch goed begrensd bleven en extreme verzadiging vermeden. Dit suggereert dat geleerde lokale gedragingen, wanneer ze worden gecombineerd met afgestemde ecologische parameters, meer gedragsmatig gefundeerde dynamieken opleveren.
  • Willekeurige Controllers: Produceerden gladdere, meer regelmatige oscillaties, maar neigden naar het kunstmatige populatieplafond, wat aangeeft dat zonder geleerde gedragsmatige beperkingen, het systeem zwaar leunt op de afgestemde parameters om stabiliteit te handhaven.
• Ruimtelijke Organisatie: Bij visualisatie vertoonden de geëvolueerde agenten duidelijke ruimtelijke structuren: wolven aggregeerden nabij de graspatch (waar de prooidichtheid hoger was), terwijl schapen meer breed verspreid waren. De auteurs merken op dat dit ruimtelijke gedrag voortkwam uit de controller-optimalisatie, terwijl de ABM-niveau afstemming ervoor zorgde dat dit gedrag levensvatbaar bleef over lange tijdshorizonten door de energiestromen in balans te houden.

Betekenis en Claims
Het artikel claimt dat een gewenst macroscopisch ecologisch regime (Lotka-Volterra-dynamiek) kan dienen als een expliciete top-down optimalisatietarget voor het doorzoeken van de parameterruimte van een microscopisch agent-gebaseerd model. De auteurs benadrukken dat hun werk niet impliceert dat ABM's automatisch LV-dynamiek ontdekken, noch dat een uniek microscopisch model kan worden afgeleid uit een macroscopisch traject.

In plaats daarvan ligt de betekenis in het feit dat zij aantonen dat macroscopische beperkingen kunnen worden gebruikt om parameterrisregimes te identificeren waar complexe, individuele systemen dynamisch goed functioneren. De studie benadrukt een onderscheid tussen gedragsstructuur (gegenereerd door lokale controller-optimalisatie) en populatie-niveau stabilisatie (bereikt door het afstemmen van globale ecologische parameters). Deze aanpak biedt een methode om open-ended multi-agent systemen te bestuderen door ecologische restricties te gebruiken om het systeem binnen levensvatbare grenzen te houden, terwijl niet-triviale, emergente dynamieken behouden blijven. Het werk valideert tevens het nut van het ABMax-framework voor het paralleliseren en optimaliseren van grootschalige agent-simulaties.