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

Resumo Técnico: Ajuste de Modelos de Predador-Presa Baseados em Agentes para Dinâmicas de Lotka-Volterra

Declaração do Problema
O aumento recente no poder computacional permitiu o uso de modelos baseados em agentes (ABMs) de larga escala para simular sistemas adaptativos complexos. No entanto, uma dificuldade central permanece: os ABMs frequentemente contêm inúmeras regras locais e parâmetros onde pequenos ajustes podem levar a comportamentos descontrolados, colapso populacional ou saturação artificial. O desafio reside em restringir essas dinâmicas para produzir estruturas populacionais estáveis e significativas sem remover as interações locais que geram a complexidade. Especificamente, os autores investigam se os parâmetros microscópicos de um sistema predador-presa contínuo podem ser ajustados para que as dinâmicas populacionais macroscópicas resultantes se assemelhem às oscilações suaves e clássicas das equações de Lotka-Volterra (LV).

Metodologia
O estudo emprega um sistema predador-presa bidimensional contínuo onde ovelhas (presas) e lobos (predadores) são modelados como agentes ativos autopropelidos. O sistema é implementado usando o ABMax, um framework baseado em JAX que permite a simulação em lote eficiente em aceleradores de hardware (GPUs NVIDIA A100).

• Dinâmica dos Agentes: Os agentes possuem energia interna, capacidades de percepção local (ray-casting com oclusão) e são controlados por Redes Neurais Recorrentes de Tempo Contínuo (CTRNNs) baseadas em uma interpretação moderna de Wilson-Cowen. Os agentes movem-se em um plano cartesiano, ganhando energia de um patch central de grama (ovelhas) ou consumindo presas (lobos), enquanto incorrem em custos metabólicos.
• Rotatividade Populacional: O nascimento e a morte são baseados em limiares. Os agentes se reproduzem se a energia exceder um limiar por uma duração específica e se houver uma vaga disponível; eles morrem se a energia permanecer abaixo de um limiar por uma determinada duração. A prole herda os parâmetros do controlador e metade da energia do progenitor.
• Estratégia de Otimização: A otimização ocorre em duas etapas distintas:
  1. Otimização do Controlador: Usando a Estratégia Evolutiva de Adaptação de Matriz de Covariância (CMA-ES), os autores primeiro otimizam os controladores de rede neural para ovelhas e lobos separadamente. Os lobos são treinados contra controladores de ovelhas aleatórios, e vice-versa, para estabelecer comportamentos locais robustos.
  2. Ajuste ao Nível de ABM: Com os controladores fixos (sejam as versões evoluídas ou inicializações aleatórias), os autores otimizam os parâmetros ecológicos (ex: taxas de ingestão de grama, taxas de transferência de predação, custos metabólicos e limiares de nascimento/morte).
• Função Objetivo: O ajuste visa uma função de perda baseada em características projetada para impor dinâmicas do tipo LV. A perda ($L$) é uma soma ponderada de vários componentes:
  • Perda de Correlação ($L_{corr}$): Utiliza a correlação de Pearson para recompensar o atraso de fase entre as populações de presa e predador (presa liderando o predador) e o alinhamento das inclinações de crescimento/declínio. Também codifica a pressão local de LV (alta abundância de presas impulsionando o crescimento de predadores, e vice-versa).
  • Perdas de Estabilidade: Inclui termos para evitar a extinção ($L_e$), evitar a saturação em limites populacionais artificiais ($L_c$), garantir amplitude de oscilação suficiente ($L_a$), impor trajetórias não monotônicas ($L_t$), penalizar trajetórias que não cruzam sua média com frequência suficiente ($L_{cross}$) e minimizar o drift de longo prazo nas médias populacionais ($L_d$).

Principais Resultados

• Convergência para Dinâmicas de LV: A otimização guiou com sucesso os parâmetros do ABM em direção a regimes que exibem oscilações acopladas e sustentadas entre as populações de ovelhas e lobos. A perda diminuiu significamente, particularmente quando utilizando controladores evoluídos em comparação com os aleatórios.
• Influência do Controlador:
  • Controladores Evoluídos: Produziram oscilações "mais ruidosas" e menos idealizadas, mas que permaneceram bem delimitadas e evitaram saturação extrema. Isso sugere que comportamentos locais aprendidos, quando pareados com parâmetros ecológicos ajustados, produzem dinâmicas mais fundamentadas comportamentalmente.
  • Controladores Aleatórios: Produziram oscilações mais suaves e regulares, mas tenderam a se aproximar do teto populacional artificial, indicando que, sem restrições comportamentais aprendidas, o sistema depende fortemente dos parâmetros ajustados para manter a estabilidade.
• Organização Espacial: Quando visualizados, os agentes evoluídos exibiram estruturas espaciais claras: os lobos se agregavam próximos ao patch de grama (onde a densidade de presas era maior), enquanto as ovelhas se dispersavam mais amplamente. Os autores observam que esse comportamento espacial emergiu da otimização do controlador, enquanto o ajuste do nível de ABM garantiu que esse comportamento permanecesse viável ao longo de longos horizontos de tempo ao equilibrar os fluxos de energia.

Significância e Alegações
O artigo afirma que um regime ecológico macroscópico desejado (dinâmicas de Lotka-Volterra) pode servir como um alvo de otimização top-down explícito para a busca no espaço de parâmetros de um modelo de agente microscópico. Os autores enfatizam que seu trabalho não implica que os ABMs descubram automaticamente as dinâmicas de LV, nem que um modelo microscópico único possa ser inferido de uma trajetória macroscópica.

Em vez disso, a significância reside em demonstrar que restrições macroscópicas podem ser usadas para identificar regimes de parâmetros onde sistemas complexos, baseados em indivíduos, permanecem dinamicamente bem comportados. O estudo destaca uma distinção entre estrutura comportamental (gerada pela otimização do controlador local) e estabilização do nível populacional (alcançada pelo ajuste de parâmetros ecológicos globais). Esta abordagem oferece um método para estudar sistemas multiagentes de abertura aberta ao usar restrições ecológicas para manter o sistema dentro de limites viáveis, preservando dinâmicas emergentes não triviais. O trabalho também valida a utilidade do framework ABMax para paralelizar e otimizar simulações de agentes de larga escala.