Преимущество централизованного управления для контроля сложных систем часто очевидно. Глаза и ноги, «общаясь» с мозгом, позволяют нам ходить, не спотыкаясь. Но такая система имеет серьезную уязвимость: так, в истории известно множество анархий, которые появились после исчезновении правительств. Умирание клеток головного мозга, ответственных за координацию движений, при нейродегенеративных заболеваниях, демонстрирует ту же слабость в биологических системах.

Отказ от централизованного управления системой имеет свои преимущества. Отсутствие «мозга», направляющего действие, означает, что потеря отдельных частей системы слабо влияет на ее работу. Команда во главе с физиком Нилом Джонсоном из Университета Джорджа Вашингтона разработала модель децентрализованной системы, которая успешно имитирует движение личинок мух. Исследование, опубликованное 6 февраля в журнале Science Advances, показывает, что модель работает лучше всего, когда отдельные ее части менее способные — более простые компоненты делают всю систему более эффективной. Напротив, централизованные системы функционируют лучше по мере улучшения их составных частей. Исследователи утверждают, что понимание этого может дать информацию обо всем, начиная от разработки автономных транспортных средств и до лечения неврологических заболеваний. Это может даже иметь значение для понимания хода эволюции.

Децентрализованный контроль существует в природе и встречается у бактерий, плесени и в колониях муравьев. Джонсон черпал вдохновение из наблюдений, что из-за простоты их нервной системы отдельные сегменты личинок дрозофилы (плодовой мухи) во время движения действуют полунезависимым образом. Это представляет собой пример децентрализованного контроля в одном организме, в отличие от «роевого интеллекта», демонстрируемого пчелами или другими коллективными образованиями. Несмотря на отсутствие централизованной координации всего тела, личинки неизменно достигают цели — переходу в место с предпочтительной температурой (этот процесс известен как термотаксис).


Личинки плодовых мушек — естественные децентрализованные системы.

Личинки продвигаются вперед с помощью сокращений своего тела. Они поворачивают, когда сегменты расширяются с одной стороны и сжимаются с другой. Чувствительные к температуре нейроны определяют движение каждого из сегментов, а совокупный эффект этих движений определяет угол поворота всей личинки. «Координация движения у личинок происходит аналогично тому, как толпа на стадионе координирует свое движение, чтобы добраться к выходу», — говорит Джонсон. «Дело не в том, что все делятся информацией о своих передвижениях друг с другом — просто, учитывая внешнюю информацию, есть такое коллективное поведение».

Исследователи создали математическую модель, которая воспроизводит движение личинки с использованием независимых компонентов или «агентов», которые хранят результаты прошлых движений в памяти (значение агента определяется как 1, если результат одной подвижки приближает личинку к нужной цели, и 0, если нет). Каждый агент выбирает следующее действие (поворот влево или вправо) на основе истории прошлых результатов, используя «стратегии», которые связывают различные наборы прошлых результатов с различными направлениями поворота. 


Сравнение поведение модели и реальных личинок.

Команда, создавшая эту модель, записала траектории искусственных личинок, которые были удивительно похожи на реальные данные от их живых родственников. «Это действительно круто, так как это совпадает с реальными дрозофилами», — говорит математик Дэвид Вулперт из Института Санта-Фе, который не принимал участия в исследовании. «Это честное исследование и хороший шаг вперед с точки зрения понимания этих вопросов».

Ключевой вывод связан с изменением размера памяти агентов. С очень небольшим объемом памяти модель работала плохо, но ее производительность также постепенно ухудшалась после того, как объем памяти превышал определенный размер.

Исследователи объясняют этот результат, используя теорию «толпы/антитолпы» — математическое описание того, как независимые агенты образуют группы, которые ведут себя согласованно. Когда объем памяти невелик, образуются большие скопления агентов, и все они движутся в одном направлении. Сначала они делают большой поворот в одну сторону, а затем внезапно начинают двигаться в другом направлении, вызывая преувеличенные зигзагообразные движения. Если у агентов слишком много памяти, то они фокусируются на стратегиях, связанных с долгосрочными результатами, не уделяя достаточного внимания недавней информации, которая указывает, что они отклонились от курса.


Визуализация работы модели.

Золотая середина между этими крайностями создает группы среднего размера, использующие противоположные стратегии, подобно тому, как каждая половина гребной команды гребет со своей стороны лодки. «Увеличение памяти равносильно переосмыслению процесса», — говорит Джонсон. «Большой набор прошлых данных усиливает предвзятость». Подобные эффекты иногда наблюдаются у одного агента, работающего над проблемой, говорит Вулперт. «Когда люди прогнозируют фондовый рынок [из ряда прошлых наблюдений], они стараются не смотреть на слишком много точек в прошлом», — говорит он. «Это беспорядок; это усложняет задачу обучения».

Команда утверждает, что работа может дать новый способ осмысления того, как эволюция перешла от децентрализованного управления, которым пользуются бактерии, к централизованному в таких существах, как люди. Одно из предположений гласит о том, что неизменно появляющимся в процессе эволюции более «умным» агентам стало требоваться централизованное управление.

В дальнейшем ученые планирует исследовать, как вывод из строя отдельных агентов (немного похоже на убирание отдельных гребцов с лодки) влияет на движение. Команда также хочет исследовать поведение модели, «связывая» вместе двух агентов, или оставить одного из них с супер-памятью среди «тупых». 

Области, где это исследование может быть применено, включают автономные транспортные средства и организационные работы. Однако Вулперт осторожен. Его исследование не сравнивает «личиночную» модель с какой-либо другой, и поэтому мало говорит нам об относительных преимуществах децентрализованного контроля по сравнению с централизованным. Он также отмечает, что инженерные системы могут смягчить уязвимость одного контроллера, просто имея дубликаты. Один из сценариев, где эта модель может применяться — это команды роботов в специальных миссиях, требующих радиомолчания. «Роботам не разрешается общаться, поэтому они должны работать децентрализованно», — отмечает он. «Наши результаты показывают, что, как инженер-проектировщик, вы, по крайней мере, можете ограничить когнитивные способности роботов в интересах достижения общей цели».