🌀 nonlinear sciences

The Mathematical Theory of Behavioural Swarms: Towards Modelling the Collective Dynamics of Living Systems

Este artigo introduz uma estrutura matemática abrangente para "Enxames Comportamentais" que supera as limitações dos modelos clássicos ao incorporar variáveis de atividade interna dinâmica para modelar rigorosamente a dinâmica coletiva adaptativa, heterogênea e impulsionada pela agência de sistemas vivos.

Autores originais: Rene Fabregas, Jie Liao, Nisrine Outada

Publicado 2026-08-17

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rene Fabregas, Jie Liao, Nisrine Outada

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os seres vivos não se movem como pedras ou planetas. Uma rocha segue as leis da física com previsibilidade perfeita, mas um pássaro, uma bactéria ou um ser humano carrega um mundo interno que altera a forma como age. Este mundo interno inclui sentimentos como medo, confiança ou estresse, que mudam de momento para momento e alteram a forma como um indivíduo interage com os outros. Durante décadas, cientistas tentaram escrever regras matemáticas que descrevessem como grupos desses seres vivos se movem juntos. As tentativas mais famosas trataram cada membro do grupo como uma máquina simples, seguindo regras fixas para corresponder à velocidade e direção de seus vizinhos. Embora esses modelos explicassem como bandos de pássaros ou cardumes de peixes podiam permanecer juntos, eles perderam uma verdade crucial: criaturas vivas não são máquinas. Elas tomam decisões baseadas em seus próprios estados de espírito e estratégias mutáveis.

Esta lacuna na compreensão é o que um novo estudo de pesquisadores da Espanha, China e Marrocos busca preencher. Eles desenvolveram uma nova teoria matemática chamada "teoria dos enxames comportamentais". Em vez de tratar cada membro de um grupo como um objeto estático, este novo arcabouço dá a cada indivíduo uma variável oculta e mutável chamada "atividade". Pense nesta atividade como uma medida de quão alerta, estressado ou motivado um indivíduo está em qualquer segundo. Este número não é fixo; ele muda conforme o indivíduo interage com outros e, por sua vez, muda a forma como o indivíduo se move. Os pesquisadores construíram um conjunto de regras que liga este estado interno diretamente ao movimento físico, criando um sistema onde o medo de uma pessoa pode instantaneamente mudar sua velocidade de caminhada, ou a confiança de um pássaro pode alterar sua trajetória de voo.

O estudo começa analisando modelos antigos que funcionavam bem para o alinhamento simples, mas falhavam em capturar a complexidade da vida. Nesses sistemas antigos, se um pássaro quisesse virar, ele simplesmente media a direção média dos pássaros ao seu redor. A nova teoria adiciona uma camada de tomada de decisão. Ela propõe que, antes de um pássaro ou de uma pessoa se mover, ele primeiro atualiza seu estado interno com base no que vê e sente. Se um pedestre em uma multidão sente um aumento de pânico, esse sentimento (a atividade) influencia imediatamente o quão rápido ele caminha e para que lado ele vira. Os pesquisadores mostraram que este estado interno e o movimento físico estão presos em um ciclo: o ambiente altera o sentimento, e o sentimento altera o movimento.

Para testar se essa ideia funciona, a equipe a aplicou a duas situações do mundo real muito diferentes: o movimento de pessoas em uma multidão e a compra e venda de mercadorias em um mercado. No cenário da multidão, eles simularam um grupo de pedestres onde uma pessoa subitamente ficou em pânico. O modelo mostrou como esse pânico se espalharia. Quando a pessoa em pânico viu os outros, seu medo influenciou esses vizinhos, que então tornaram-se temerosos também. Os pesquisadores descobriram que a forma da onda de pânico dependia fortemente de quão longe as pessoas conseguiam enxergar. Se todos tivessem um campo de visão amplo, o pânico se espalhava mais rápido e cobria uma área mais vasta. Se a visão fosse estreita, o pânico movia-se mais lentamente em uma linha apertada. Isso coincidia com o que poderíamos esperar na vida real, mas o modelo provou isso matematicamente, rastreando a mudança da "atividade" de cada pessoa individual na simulação.

Na segunda aplicação, os pesquisadores observaram um mercado onde compradores e vendedores interagem. Aqui, a "atividade" representava o quanto um comprador desejava um produto ou o quanto um vendedor estava disposto a baixar seu preço. O modelo mostrou que, quando os compradores agiam como um grupo, caçando a melhor oferta, eles podiam criar ondas súbitas de demanda que forçavam os preços a mudar. Ao contrário dos modelos econômicos antigos que assumiam que uma autoridade central define os preços, este sistema mostrou como os preços poderiam emergir naturalmente das decisões caóticas e individuais de muitas pessoas. A simulação revelou que, se os vendedores pudessem ajustar seus preços com base em quantos compradores estavam olhando para eles, o mercado eventualmente encontraria um preço estável por conta própria, sem que ninguém lhes dissesse o que fazer.

Os pesquisadores também exploraram o que acontece quando um grupo não está apenas se movendo junto, mas também pensando junto. Eles simularam um cenário onde indivíduos tentavam concordar sobre uma direção para ir, mas também tentavam concordar sobre uma opinião interna. Eles descobriram algo surpreendente: o grupo conseguia chegar a um acordo perfeito sobre para onde caminhar, mesmo que permanecessem profundamente divididos sobre o que acreditavam. O movimento físico do grupo tornou-se unificado, enquanto seus estados internos permaneceram divididos em diferentes campos. Isso sugere que, na vida real, uma multidão pode se mover como uma única unidade mesmo que as pessoas dentro dela estejam discutindo ou mantendo visões diferentes.

Embora a teoria seja poderosa, os autores tomam o cuidado de notar seus limites. A versão atual do modelo assume que o número de pessoas no grupo permanece o mesmo; ela ainda não contabiliza pessoas nascendo ou morrendo, ou novos agentes surgindo do nada. Isso a torna menos adequada para estudar coisas como a propagação de um vírus, onde o número de pessoas infectadas muda constantemente. No entanto, para sistemas onde o tamanho do grupo é estável, a teoria oferece um quadro muito mais claro de como os sentimentos internos impulsionam as ações externas.

O artigo conclui olhando para o futuro, sugerindo que esta teoria poderia ser combinada com ferramentas modernas de aprendizado computacional. Ao alimentar esses modelos com dados reais de bandos de animais ou multidões humanas, cientistas podem um dia descobrir automaticamente as regras exatas que governam como a atividade muda. Isso moveria o campo de apenas supor como as pessoas se comportam para realmente prevê-lo. O trabalho não reivindica ter resolvido o mistério da vida, mas fornece uma linguagem nova e mais honesta para descrevê-la. Ao admitir que os seres vivos carregam um mundo interno que oscila e muda, a teoria dos enxames comportamentais oferece uma maneira de entender a dança complexa e adaptativa da vida sem reduzi-la a uma mecânica simples.

Resumo Técnico: A Teoria Matemática de Enxames Comportamentais

Definição do Problema
O artigo aborda uma limitação fundamental na modelagem clássica de enxames, especificamente dentro de estruturas como Cucker–Smale (CS) e Vicsek. Embora esses modelos descrevam com sucesso o alinhamento coletivo e o comportamento de bandos baseados em regras mecânicas (posição e velocidade), eles tratam os agentes como autômatos homogêneos governados por regras predeterminadas. Eles falham em capturar as estratégias adaptativas intrínsecas, a heterogeneidade e os processos de tomada de decisão interna característicos de sistemas vivos. Os autores argumentam que é necessário um "cálculo da vida" — um que vá além das descrições de matéria inerte para formalizar como os estados internos (ex: estresse, motivação, confiança) coevoluem com a dinâmica mecânica através de interações não locais.

Metodologia
O artigo formaliza a Teoria Matemática de Enxames Comportamentais (BST), um framework onde o estado de cada agente (uma "partícula ativa" ou a-partícula) é aumentado por uma variável interna dinâmica denominada atividade ( $u_i$ ). Diferente dos modelos clássicos onde os parâmetros são fixos, a atividade é uma variável de estado coevoluinte que modula e é modulada pelo movimento mecânico do agente.

A metodologia central envolve um sistema de equações diferenciais ordinárias (EDOs) acopladas de segunda ordem que governam a evolução de quatro variáveis de estado para cada partícula $i$ :

Posição ( $x_i$ ) e Velocidade ( $v_i$ ): Dinâmica mecânica.
Atividade ( $u_i$ ): Uma variável interna adimensional ( $u_i \in [0,1]$ ) representando estados comportamentais (ex: estresse, convicção, nível de aprendizado).
Momento da Atividade ( $z_i = \dot{u}_i$ ): A taxa de variação da atividade.

O sistema é estruturado hierarquicamente para refletir o fluxo causal em sistemas vivos:

Passo 1 (Atualização Comportamental): O estado interno $u_i$ evolui com base em interações dentro de um domínio de interação dinâmico $\Omega_i$ (definido pela interseção de visibilidade e sensibilidade). Essa evolução é impulsionada por uma "força comportamental" ( $\chi_{ij}$ ) que representa influências sociais como imitação ou aprendizado.
Passo 2 (Atualização Mecânica): O estado comportamental atualizado informa a dinâmica mecânica. A velocidade $v_i$ evolui com base em uma "força mecânica" ( $\psi_{ij}$ ), que inclui alinhamento, atração ou repulsão, mas é agora ponderada e modulada pelos níveis de atividade atuais dos agentes interagentes.

A taxa de interação $\eta_{ij}$ não é constante e depende do estado completo do par interagente, permitindo interações heterogêneas e dependentes do estado. O framework é suficientemente geral para ser especializado em sistemas espacialmente homogêneos (focando apenas na dinâmica de opinião/sentimento) ou sistemas baseados em redes (substituindo o espaço físico pela topologia de um grafo).

Principais Contribuições

Formalização da Atividade como uma Variável Dinâmica: A principal contribuição é a integração matemática rigorosa de uma variável de "atividade" interna que não é um parâmetro fixo, mas um estado dinâmico. Isso cria um ciclo de feedback onde o comportamento impulsiona o movimento, e o movimento (via percepção ambiental) impulsiona o comportamento.
Unificação de Modelos: O artigo demonstra que o framework BST é uma generalização natural de modelos existentes. Ao restringir a variável de atividade para ser constante e simplificar as regras de interação, o BST reduz-se ao modelo clássico de Cucker–Smale. Inversamente, pode recuperar o modelo Cucker–Smale Termodinâmico ao interpretar a atividade como temperatura.
Framework de Aplicação Dual: Os autores fornecem uma estrutura unificada aplicável a duas classes distintas de problemas:
- Enxames Físicos: Onde a dinâmica ocorre no espaço físico (ex: multidões de pedestres, bandos de animais), e a atividade modula a velocidade e a direção.
- Enxames Abstratos: Onde a dinâmica ocorre inteiramente no espaço de estados das variáveis internas (ex: formação de opinião, dinâmica de preços de mercado), sem movimento físico.
Comparação Crítica: O artigo oferece uma análise crítica contrastando o BST com a Teoria Cinética de Partículas Ativas (KTAP) e as teorias de Fokker–Planck–Boltzmann (FPB). Destaca que o BST não requer a suposição de um grande número de partículas para continuidade (ao contrário do KTAP), mas observa suas limitações computacionais com $N$ grande e sua incapacidade atual de modelar eventos proliferativos/destrutivos (nascimento/morte).

Resultados e Demonstrações Numéricas
O artigo valida a teoria através de vários estudos de caso numéricos e aplicações:

Estresse e Comportamento de Enxame: Simulações mostram que agentes com níveis de atividade mais altos alinham-se mais rapidamente a sinais externos. Quando a atividade é dinâmica e baseada em consenso, o enxame alcança melhor coesão. A influência assimétrica (onde apenas agentes de alta atividade influenciam outros) leva a uma convergência mais rápida e à emergência de líderes móveis.
Dinâmica de Mercado (Cherry-Picking): Em um modelo de mercado descentralizado, o framework captura o comportamento de "cherry-picking", onde compradores buscam os preços mais baixos. O modelo demonstra como interações locais levam a fenômenos macroscópicos como estruturas de mercado do tipo "vencedor leva tudo" ou consenso de preços, dependendo se os vendedores adaptam seus preços.
Propagação de Pânico: Experimentos numéricos em multidões de pedestres revelam que a geometria do domínio de interação (ângulo de visibilidade) afeta criticamente a propagação do pânico. Um ângulo de visibilidade mais amplo leva a ondas de pânico mais rápidas, amplas e aceleradas devido à amplificação não linear do estado emocional.
Dinâmica de Multi-Consenso: O artigo ilustra que os agentes podem alcançar o consenso cinemático (movendo-se na mesma direção) enquanto mantêm a heterogeneidade comportamental (mantendo opiniões internas diferentes). Ao introduzir um mecanismo de "confiança limitada" (agentes só interagem se seus estados internos estiverem próximos), o sistema fragmenta-se em distintos clusters de opinião, enquanto ainda alcança o alinhamento global no movimento.

Significância e Alegações
O artigo posiciona o BST como uma evolução necessária na modelagem matemática de sistemas vivos, preenchendo a lacuna entre o movimento mecânico e a agência interna. Sua significância reside em:

Fornecer um framework rigoroso baseado em EDOs que modela explicitamente o feedback recíproco entre estados internos e dinâmica física.
Oferecer uma estrutura flexível capaz de descrever diversos sistemas, desde agregações biológicas até mercados econômicos, sob um único formalismo.
Identificar a necessidade de desenvolvimento futuro em descoberta orientada por dados. Os autores propõem o uso de Redes Neurais Informadas pela Física (PINNs) para resolver problemas inversos com dados esparsos e a Identificação Esparsa de Dinâmicas Não Lineares (SINDy) para descobrir as formas analíticas dos kernels de interação a partir de dados observacionais. O objetivo é mover a teoria do descritivo para o preditivo, derivando leis de interação a partir de princípios fundamentais ou dados, em vez de suposições empíricas.

Os autores concluem que, embora o BST enfrente atualmente desafios de escalabilidade computacional e de modelagem de eventos não conservativos (nascimento/morte), ele fornece um blueprint fundamental para uma ciência preditiva do comportamento coletivo em sistemas vivos adaptativos.

Mais como este