DOI: https://doi.org/10.1073/pnas.2320239121
PMID: https://pubmed.ncbi.nlm.nih.gov/38630721
تاريخ النشر: 2024-04-17
المؤلف: Conor Heins وآخرون
الموضوع الرئيسي: نظرية الألعاب التطورية والتعاون
نظرة عامة
تقدم هذه القسم نظرة عامة على الحركة الجماعية في الطبيعة، مع التركيز على سلوك المجموعات مثل الأسماك والطيور والحيوانات ذات الحوافر، التي غالبًا ما تتحرك بشكل متماسك على الرغم من كونها مكونة من صانعي قرار فرديين. تصوّر النماذج التقليدية هؤلاء الأفراد كجسيمات ذات دفع ذاتي تتأثر بالقوى الاجتماعية، لكن المؤلفين يقترحون نهجًا جديدًا قائمًا على الاستدلال النشط. تفترض هذه الإطار أن السلوك مدفوع أساسًا بالضرورة لتقليل المفاجأة، مما يسمح بظهور ظواهر جماعية معقدة—مثل التماسك، والدوران، والحركة الموجهة—دون الحاجة إلى قواعد سلوكية محددة مسبقًا.
تظهر الدراسة أن الاستدلال النشط يمكن أن يستعيد ويمتد المفهوم الكلاسيكي للقوى الاجتماعية بشكل فعال، حيث يعمل الوكلاء على تقليل أخطاء التنبؤ التي تنحرف عن توقعاتهم. من خلال التحقيق في فضاء المعلمات لهذا النموذج القائم على المعتقدات، يكشف المؤلفون عن علاقات معقدة بين المعتقدات الفردية وديناميات المجموعة، بما في ذلك الاستقطاب واستكشاف حالات جماعية متنوعة. بالإضافة إلى ذلك، يبرزون دور معتقدات عدم اليقين الفردية في تشكيل دقة اتخاذ القرار الجماعي ويظهرون كيف يمكن للوكلاء تعديل نماذجهم التوليدية مع مرور الوقت، مما يعزز حساسية المجموعة للتغيرات الخارجية ويحسن ترميز المعلومات.
طرق
في هذه الدراسة، استخدم المؤلفون نهج المحاكاة للتحقيق في الحركة الجماعية من خلال الاستدلال النشط والترشيح العام. تضمنت المحاكاة بدء مواقع وسرعات وحدات الجسيمات \( N \) بشكل عشوائي، ودمج معادلات الحركة باستخدام مخطط أويلر-ماروياما الأمامي مع خطوة زمنية قدرها \( \Delta t = 0.01 \) ثانية. تم تغيير المعلمات، بما في ذلك حجم المجموعة \( N \) ومدة المحاكاة \( T \)، وفقًا للظروف التجريبية المحددة. تتوفر تفاصيل إضافية حول الإطار النظري، بما في ذلك الترشيح العام والاستدلال النشط، في المعلومات التكميلية (الملحق SI، القسم S1)، جنبًا إلى جنب مع قائمة شاملة من معلمات المحاكاة في الملحق SI، الجدول S1.
لقد جعل المؤلفون رمز المحاكاة الخاص بهم، الذي تم تطويره في JAX وJulia، متاحًا للجمهور في مستودع مفتوح المصدر، مما يسهل المزيد من البحث في هذا المجال.
نتائج
في هذا القسم، يقدم المؤلفون نتائج عددية من المحاكاة التي تتضمن وكلاء الاستدلال النشط المزودين بنماذج توليدية. يقوم الوكلاء بإنشاء مسارات الحركة الجماعية من خلال دمج متجهات الاتجاه الخاصة بهم مع مرور الوقت، والتي يتم وصفها بالمعادلة $\dot{r}_i = v_i$ لـ $i \in \{1, 2, \ldots, N\}$، حيث يمثل $N$ عدد الوكلاء. يتم تحديث اتجاهات الاتجاه ومعتقدات الوكلاء بشكل متوازي من خلال الانحدار المشترك على طاقاتهم الحرة المعنية، المعبر عنها كـ $v_i = -\nabla v_i F(\tilde{i}, \tilde{y}_i)$ و $\dot{i} = -\nabla \tilde{i} F(\tilde{i}, \tilde{y}_i)$.
تتضمن المحاكاة تتبع الوكلاء للمسافات المتوسطة ضمن أربعة قطاعات حسية، كل منها يغطي 60 درجة، ومراقبة المسافات من الجيران ضمن نطاق 5.0 وحدة. يتم تمثيل حالة كل وكيل كمتجه للمسافات المحلية مع ثلاثة أوامر من الحركة، مما يسمح لهم بمراقبة كل من المسافة ومعدل تغيرها اللحظي. تشير النتائج إلى أن هؤلاء الوكلاء يظهرون حركة جماعية قوية ومتجانسة، مما يعرض ظواهر جماعية متنوعة مثل الحركة المستقطبة وأنماط الدوران، والتي تذكرنا بالسلوكيات التي لوحظت في مجموعات الحيوانات ونماذج الحركة الجماعية الأخرى.
نقاش
في هذا القسم، يقدم المؤلفون نموذجًا للسلوك الجماعي يعتمد على مبدأ الاستدلال النشط، الذي يفترض أن الأفراد داخل مجموعة، مثل الأسماك أو الطيور، يتصرفون لتقليل المفاجأة أو خطأ التنبؤ. يوضح هذا النهج كيف تنشأ الظواهر الجماعية مثل التماسك والحركة الموجهة بشكل طبيعي من المعتقدات الفردية حول عدم اليقين، دون الحاجة إلى قواعد سلوكية صريحة. يظهر النموذج أنه مع تحديث الوكلاء باستمرار لنماذجهم التوليدية استجابةً للمدخلات الحسية، يصبحون أكثر كفاءة في ترميز المعلومات والاستجابة للاختلالات الخارجية. لا يعزز هذا الإطار فهمنا للديناميات الجماعية فحسب، بل له أيضًا تطبيقات محتملة في مجالات مثل سلوك الحيوانات، والروبوتات السرب، والأنظمة الموزعة.
يقارن المؤلفون نموذج الاستدلال النشط الخاص بهم مع نماذج القوة الاجتماعية التقليدية، التي تعتمد عادةً على قوى متجهة محددة مسبقًا لوصف الحركة الفردية. بدلاً من ذلك، يجادلون بأن السلوك يمكن فهمه كحل لمشكلة استدلال، حيث يقوم الوكلاء بتعديل معتقداتهم وأفعالهم لتقليل خطأ التنبؤ. من خلال استخدام نموذج توليدي يلتقط ديناميات التفاعلات بين الوكلاء، يستنتج المؤلفون معادلات تصف كيف تظهر القوى الاجتماعية من محاولات الوكلاء لمواءمة ملاحظاتهم الحسية مع توقعاتهم. يؤدي ذلك إلى فهم دقيق لكيفية تأثير عدم اليقين على المستوى الفردي في السلوك الجماعي، كما يتضح من خلال المحاكاة التي تستكشف مقاييس مثل الاستقطاب والزخم الزاوي فيما يتعلق بدقة الحواس. تشير النتائج إلى أن التغيرات في حساسية المخاطر الفردية يمكن أن تؤثر بشكل كبير على ديناميات المجموعة، مما يبرز العلاقة المعقدة بين المعتقدات الفردية والنتائج الجماعية.
DOI: https://doi.org/10.1073/pnas.2320239121
PMID: https://pubmed.ncbi.nlm.nih.gov/38630721
Publication Date: 2024-04-17
Author(s): Conor Heins et al.
Primary Topic: Evolutionary Game Theory and Cooperation
Overview
The section presents an overview of collective motion in nature, emphasizing the behavior of groups such as fish, birds, and ungulates, which often move cohesively despite being composed of individual decision-makers. Traditional models depict these individuals as self-propelled particles influenced by social forces, but the authors propose a novel approach grounded in active inference. This framework posits that behavior is primarily driven by the imperative to minimize surprise, allowing for the emergence of complex collective phenomena—such as cohesion, milling, and directed motion—without the need for predefined behavioral rules.
The study demonstrates that active inference can effectively recover and extend the classical concept of social forces, as agents work to reduce prediction errors that deviate from their expectations. By investigating the parameter space of this belief-based model, the authors uncover intricate relationships between individual beliefs and group dynamics, including polarization and the exploration of various collective states. Additionally, they highlight the role of individual uncertainty beliefs in shaping collective decision-making accuracy and illustrate how agents can adapt their generative models over time, enhancing the group’s sensitivity to external changes and improving information encoding.
Methods
In this study, the authors employed a simulation approach to investigate collective motion through active inference and generalized filtering. The simulations involved randomly initializing the positions and unit-magnitude velocities of \( N \) particles, integrating the equations of motion using a forward Euler-Maruyama scheme with a time step of \( \Delta t = 0.01 \) seconds. The parameters, including group size \( N \) and simulation duration \( T \), were varied according to the specific experimental conditions. Further details on the theoretical framework, including generalized filtering and active inference, are provided in the supplementary information (SI Appendix, section S1), along with a comprehensive list of simulation parameters in SI Appendix, Table S1.
The authors have made their simulation code, developed in JAX and Julia, publicly available in an open-source repository, facilitating further research in this area.
Results
In this section, the authors present numerical results from simulations involving active inference agents equipped with generative models. The agents generate trajectories of collective motion by integrating their heading vectors over time, described by the equation $\dot{r}_i = v_i$ for $i \in \{1, 2, \ldots, N\}$, where $N$ represents the number of agents. The heading directions and beliefs of the agents are updated in parallel through a joint gradient descent on their respective free energies, expressed as $v_i = -\nabla v_i F(\tilde{i}, \tilde{y}_i)$ and $\dot{i} = -\nabla \tilde{i} F(\tilde{i}, \tilde{y}_i)$.
The simulation involves agents tracking average distances within four sensory sectors, each covering 60 degrees, and observing distances from neighbors within a 5.0-unit range. Each agent’s state is represented as a vector of local distances with three orders of motion, allowing them to observe both the distance and its instantaneous rate of change. The results indicate that these agents exhibit robust and cohesive collective motion, showcasing various group phenomena such as polarized motion and milling patterns, which are reminiscent of behaviors observed in animal groups and other models of collective motion.
Discussion
In this section, the authors present a model of collective behavior based on the principle of active inference, which posits that individuals within a group, such as fish or birds, act to minimize surprise or prediction error. This approach elucidates how collective phenomena like cohesion and directed movement arise naturally from individual beliefs about uncertainty, without the need for explicit behavioral rules. The model demonstrates that as agents continuously update their generative models in response to sensory inputs, they become more adept at encoding information and responding to external perturbations. This framework not only enhances our understanding of collective dynamics but also has potential applications in fields such as animal behavior, swarm robotics, and distributed systems.
The authors contrast their active inference model with traditional social force models, which typically rely on predefined vectorial forces to describe individual movement. Instead, they argue that behavior can be understood as a solution to an inference problem, where agents adjust their beliefs and actions to minimize prediction error. By employing a generative model that captures the dynamics of interactions among agents, the authors derive equations that describe how social forces emerge from the agents’ attempts to align their sensory observations with their expectations. This leads to a nuanced understanding of how individual-level uncertainties influence collective behavior, as demonstrated through simulations that explore metrics like polarization and angular momentum in relation to sensory precision. The findings suggest that variations in individual risk sensitivity can significantly impact group dynamics, highlighting the intricate relationship between individual beliefs and collective outcomes.