더 똑똑한 부분은 집단 시스템을 너무 완고하게 만듭니다

시인 존 도네 (John Donne)는“아무도 섬이 아님”이라는 생각을 불멸 시켰지만, 그 어느 때로도 대부분의 다른 종이 아닙니다. 많은 자연 및 인공 시스템은 동기화 및 면역 세포의 신경 발사, 함께 밴딩, 조화로 이동하는 물고기 및 양 떼의 학교, 단일 리더가 없을 때 작동하는 새로운 비즈니스 모델 및 로봇 디자인에 이르기까지 집단을 특징으로합니다. 산타페 연구소 (Santa Fe Institute)의 연구원 인 알버트 카오 (Albert Kao)는“집단 시스템은 예외보다 더 규칙이다.

생물학적, 기술, 경제적 또는 사회적, 집단 시스템은 종종 "분산화"로 간주 되든 개별 구성 요소를 조정하기위한 주요 제어 허브가 없음을 의미합니다. 대신, 제어는 구성 요소에 배포되며, 이는 지역 정보를 기반으로 자체 결정을 내립니다. 복잡한 행동은 그들의 상호 작용을 통해 발생합니다. 이러한 종류의 설정은 탄력적이기 때문에 부분적으로 유리할 수 있습니다. 한 부분이 제대로 작동하지 않으면 시스템이 계속 작동 할 수 있습니다. 중앙 뇌 나 리더가 업무를 중지 할 때와는 대조적으로 계속 작동 할 수 있습니다.

탈 중앙화는 특히 블록 체인 기술과 더 많은 정부가있는 사회를 가진 시장에 혁명을 일으키기를 희망하는 사람들 사이에서 과대 광고의 물결을 냈다. 산타페 인스티튜트 (Santa Fe Institute)의 진화론 적 생물 학자이자 복잡성 과학자 인 제시카 플랙 (Jessica Flack)은“이 중 일부는 정치적 이데올로기가 상향식 통치 스타일과 시스템을 선호하는 스타일과 시스템을 선호하는 것과 관련이있다. "그리고 그 중 일부는 엔지니어링 편견에서 비롯됩니다. 이러한 유형의 구조물이 더 강력하고 악용 가능성이 낮다는 가정에 근거한 것입니다."

그러나“이 토론의 대부분은 순진하다”고 덧붙였다. 중앙 집중화와 탈 중앙화 사이의 경계는 종종 흐릿하며, 이들 네트워크의 정보의 흐름과 집계에 대한 깊은 질문은 지속됩니다. 신흥 증거는 네트워크를 더 크게 만들고 부품을 더 정교하게 만드는 것이 항상 더 나은 전반적인 성능으로 해석되지 않는다는 것을 시사하기 때문에 그들에 대한 가장 기본적이고 직관적 인 가정조차 더 많은 조사가 필요합니다.

이번 달 초에 출판 된 논문에서 Science Advances 예를 들어, George Washington University의 물리학자인 Neil Johnson이 이끄는 팀은 부분이 너무 단순하거나 능력이 없었을 때 Goldilocks 조건에서 가장 잘 수행 된 분산 모델이 가장 잘 수행된다는 것을 보여주었습니다. 이 발견은 정보의 최적 사용과 독립성과 상관 관계 사이의 상충 관계에 대한 복잡성 연구에서 다른 결과를 반향합니다. 새로운 통찰력은 로봇, 자율 주행 차, 의학적 치료 및 기업 구조에 대한 분산 설계의 강점과 한계를 지적하는 데 도움이 될 수 있으며 자연 진화의 측면을 설명하는 데 도움이 될 수도 있습니다.

시장에서 실험실까지

Johnson의 조사는 금융 시스템의 피드백 루프를 이해하려는 시도로 시작되었습니다. 거래자는 각각 특정 규칙에 순종하면서 이익을 극대화하려고 시도하고 일반적인 결과에 기여하는 결정을 내 렸습니다.

그 후 어느 날, 그는 마이애미 대학교에서 여전히 교수진을 가졌을 때, 존슨의 관심은 월스트리트와 관련이없는 것, 즉 플라이 애벌레의 움직임에 대해 연마하는 동료의 일에 관심을 사로 잡았습니다. 유충은 너무 뜨겁거나 차갑지 않은 위치로 자동으로 기어 다니지만이 여정을 안내하기 위해 뇌에 의존하지는 않습니다. 대신, 각 신체 세그먼트는 한쪽 또는 다른 쪽에서 압축하여 온도 감지 뉴런의 신호에 반응합니다. 모든 세그먼트의 집단 운동은 유충이 회전하게됩니다. 열원에 대한 결과적인 궤적은 Johnson에게 자신과 함께 일한 재무 모델을 상기 시켰습니다. 그래서 그는 모든 분산 시스템에 공통적 인 원리를 찾기 위해이를 사용하기로 결정했습니다.

그와 그의 팀은 애벌레가 어떻게 행동했는지 모방 한 모델을 만들었습니다. 유충의 세그먼트와 마찬가지로, 모델의 에이전트 컬렉션은 공통 목표를 공유했지만 활동을 전달하고 조정할 방법이 없었습니다. 각 에이전트는 과거의 결정이 전체 시스템이 지정된 대상과 더 가까워 지거나 멀리 떨어져 있는지 여부에 따라 왼쪽 또는 오른쪽으로 반복적으로 이동하기로 선택했습니다. 결정을 안내하기 위해 각 에이전트는 할당 된 가능성의 하위 집합에서 도출 된 전략을 사용했습니다. 주어진 전략이 잘 수행되면 에이전트는 계속 사용했습니다. 그렇지 않으면 무기고에서 다른 것으로 바뀌 었습니다.

연구원들은 에이전트가 한두 가지 결과 만 기억할 수있을 때 전략이 적었 기 때문에 더 많은 에이전트가 같은 방식으로 응답했다는 것을 관찰했습니다. 그러나 에이전트의 행동이 너무 상관 관계가 있었기 때문에 모델의 집단 운동은 목표에 도달하는 데 필요한 것보다 더 많은 단계를 포함하는 지그재그 경로를 따라 가져 갔다. 반대로, 에이전트가 7 개 이상의 과거 결과를 기억했을 때, 그들은 너무 상관 관계가 없었다. 그들은 더 많은 라운드에 대해 동일한 전략을 고수하여 최근의 부정적인 결과를 추세가 아닌 예외로 취급하는 경향이있다. Johnson에 따르면이 모델은 덜 민첩하고 "고집"이되었습니다.

에이전트의 기억의 길이가 중간 어딘가에있을 때 궤적은 가장 효율적이었습니다. 약 5 번의 과거 사건. 이 숫자는 에이전트 수가 증가함에 따라 약간 증가했지만 모델이 사용 된 에이전트의 수에 관계없이 항상 달콤한 지점이있었습니다. 시스템이 제대로 작동하지 않기 전에 메모리가 얼마나 잘 얻을 수 있는지에 대한 상한이있었습니다.

마이애미 대학교 (University of University of Miami)의 박사후 부교수이자 Science Advances의 공동 저자 인 Pedro Manrique는“반 직관적입니다. 종이. "당신은 부품의 정교함 수준,이 경우 메모리가 유기체의 전체 성능을 개선하고 개선하고 향상시킬 것이라고 생각할 것입니다."