詩人のジョン・ダンは、「誰も島ではない」という考えを不滅のものにしましたが、どちらも他のほとんどの種ではないことが判明しました。多くの自然および人工システムは、ニューロンが同期して発火し、免疫細胞が結合することから、魚の群れや鳥の群れが調和して動くこと、単一のリーダーがいない状態で動作する新しいビジネスモデルやロボット設計に至るまで、集合体によって特徴付けられます。 「集団システムは、例外よりも規則です」と、そのようなシステムでの意思決定をモデル化するサンタフェ研究所の研究者であるアルバート・カオは言いました.
生物学的、技術的、経済的、社会的のいずれであっても、集合システムはしばしば「分散型」と見なされます。つまり、個々のコンポーネントを調整するための主要な制御ハブがないことを意味します。代わりに、ローカル情報に基づいて独自の決定を下すコンポーネント間で制御が分散されます。複雑な行動は、それらの相互作用によって生じます。この種のセットアップは、回復力があるという理由の 1 つとして有利です。1 つの部分が適切に機能していない場合でも、システムは機能し続けることができます。これは、中央脳またはリーダーがその仕事を停止した場合とはまったく対照的です。
地方分権化は、特にブロックチェーン技術で市場に革命を起こし、政府がより分散した社会を望んでいる人々の間で、誇大宣伝の波に乗りました。進化生物学者でサンタフェ研究所の複雑科学者であるジェシカ・フラックは、「これのいくつかは、政治的イデオロギーが、不平等の出現を自然にチェックするボトムアップの統治スタイルとシステムを好むことに関係していることに起因しています」と述べています。 Eメール。 「そして、その一部はエンジニアリングの偏見に起因しています...これらのタイプの構造はより堅牢で、悪用されにくいという仮定に基づいています。」
しかし、「この議論のほとんど」は「ナイーブだ」と彼女は付け加えた。中央集権化と分散化の境界線はしばしば曖昧であり、これらのネットワークにおける情報の流れと集約についての深い疑問が残ります。それらに関する最も基本的で直感的な仮定でさえ、さらに精査する必要があります。なぜなら、ネットワークを大きくし、その部分をより洗練させたからといって、必ずしも全体的なパフォーマンスが向上するとは限らないことが明らかになっているからです。
今月初めに Science Advances に掲載された論文で たとえば、現在ジョージ ワシントン大学の物理学者であるニール ジョンソンが率いるチームは、分散型モデルがゴルディロックス条件の下で最高のパフォーマンスを発揮することを実証しました。この発見は、情報の最適な使用法と、独立性と相関関係のトレードオフに関する複雑さの研究から得られた他の結果と一致しています。新しい洞察は、ロボット、自動運転車、医療、企業構造の分散型設計の長所と短所を指摘するのに役立つ可能性があり、自然進化の側面を説明するのにも役立つ可能性があります.
マーケットプレイスからラボへ
ジョンソンの調査は、金融システムのフィードバック ループを理解しようとする試みとして始まりました。トレーダーは、それぞれが特定のルールに従いながら利益を最大化しようとし、一般的な結果 (たとえば、株価の変化) に寄与する決定を下します。トレーダーのその後の決定。
そんなある日、まだマイアミ大学で教鞭をとっていたジョンソンは、同僚がウォール街とは一見関係のないことに取り組んでいることに気付きました。それは、ハエの幼虫の動きです。幼虫は、暑すぎず寒すぎない位置まで自動的に這い回りますが、この移動をガイドするために脳に頼ることはありません。代わりに、体の各セグメントは、温度を感知するニューロンからの信号に反応して、片側または反対側を圧縮します。すべてのセグメントの集合的な動きにより、幼虫は向きを変えます。結果として熱源に向かう軌跡は、Johnson 氏が扱った金融モデルを思い出させたので、すべての分散型システムに共通する原則を探すためにそれらを使用することにしました。
彼と彼のチームは、幼虫の行動を模倣したモデルを構築しました。幼虫の体節と同様に、モデル内のエージェントのコレクションは共通の目標を共有していましたが、それらの活動を伝達および調整する方法はありませんでした。各エージェントは、過去の決定によってシステム全体が特定のターゲットに近づいたり遠ざかったりしたかどうかに基づいて、左または右に移動することを繰り返し選択しました。その決定を導くために、各エージェントは、割り当てられた可能性のサブセットから導き出された戦略を使用しました。特定の戦略がうまく機能した場合、エージェントはそれを使い続けました。それ以外の場合は、武器庫で別のものに変わりました.
研究者は、エージェントが1つまたは2つの結果しか覚えていない場合、可能な戦略が少なくなるため、より多くのエージェントが同じように応答することを観察しました.しかし、エージェントの行動が相互に関連しすぎていたため、モデル内の集合的な動きは、ターゲットに到達するために必要以上のステップを含むジグザグのルートに沿って移動しました。逆に、エージェントが 7 つ以上の過去の結果を覚えている場合、エージェントはあまりにも無相関になりました。エージェントは、より多くのラウンドで同じ戦略に固執する傾向があり、最近の一連の否定的な結果をトレンドではなく例外として扱いました。 Johnson 氏によると、モデルの機敏性は低下し、より「頑固」になりました。
軌跡は、エージェントの記憶の長さが中間のどこかにあるときに最も効率的でした:過去 5 つのイベントについてです。この数は、エージェントの数が増えるにつれてわずかに増加しましたが、モデルが使用するエージェントの数に関係なく、システムのパフォーマンスが低下し始める前にメモリをどれだけ改善できるかの上限が常にありました.
マイアミ大学のポスドク研究員であり、Science Advances の共著者である Pedro Manrique 氏は、次のように述べています。 紙。 「部分、この場合は記憶の精巧さのレベルを向上させることは、生物全体のパフォーマンスを改善し、改善し、改善すると考えるでしょう。」
第二の波
Kao は、Johnson と Manrique の調査結果と、群集の行動に関する彼自身の研究との間に顕著な関連があると考えています。過去数年間、彼と他の人々は、中規模の動物または人間のグループが意思決定に最適であることを発見しました.この結論は、「群集の知恵」についての標準的な信念に反するものであると花王氏は述べ、「グループが大きくなればなるほど、集団としてのパフォーマンスが向上する」と述べました。成功は、システムのコンポーネント間の調整と独立性の間で適切なバランスを達成することにあります。
「これは、この種の研究の第 2 波のようなものです」と花王は言いました。 「最初の波は、これらの集団システムに対する素朴な熱狂でした。今では…最初に行った多くの仮定に疑問を投げかけ、より複雑な動作を見つけているように感じます。」
コンポーネントの精巧さ、それらの相互接続性、およびその他のパラメータがネットワークの全体的な堅牢性と制限にどのように影響するかについて、さらなる研究が必要です。ジョンソン氏らは、情報の利用可能性が、有権者間の意見の形成、より優れたロボットの行動、神経疾患からの潜在的な回復メカニズムなど、さまざまな現象にどのように影響するかを研究することを計画しています。彼らはまた、自然進化が生物を集中型システムと分散型システムの混合物にした理由を説明するのに役立つことを望んでいます（ジョンソン氏によると、これらの種類の結果は、「なぜ私たちが単なる幻想的な幼虫ではないのか」を正当化するのに役立つ可能性があります）.
究極的には、本質的に複雑性は、まったく相関関係のない愚かな部分のグループから出現したという単なる物語ではありません。その物語を調査することで、いつの日か、協力、調整、および集合的情報処理に関するより普遍的な原則が生み出される可能性があります。
この記事は、Investigacionyciencia.es でスペイン語で転載されました .
