Active Inferenceと生態学

このページで

セクション

生態系 — 群体、コミュニティ、生态系统、そして生物界自身は、相互作用するサブシステムから構成され、半透性境界を越えて物質とエネルギーを交換しながら、時間の流れの中で安定したマクロステートを維持します。この構造は、自由エネルギー原理が基盤とするマルコフベイシック・バンケットとベイジアン力学の形式法則に非常に近いため、「変分生態学」の研究プログラムが生まれました。これは、生物とその生息地を結びつける推論システムとしてモデル化することを目指しています。この文献は理論とシミュレーションよりもデータフィールドに重きを置いています：このページでは、概念的な基礎、研究者が使用するモデリングパターン、可用なツール、そしてまだ閉じていないエビデンスのギャップについての概観を行っています。

なぜそのドメインが合っている

自由エネルギー原理は、生成モデルの下での感覚状態の驚きの変動自由エネルギー、つまり上限を最小化することによって非平衡定常状態を維持するエルゴード的ランダム力学系を記述します。生態系は、あらゆるスケールでこの記述を満たします。生物、個体群、生態系は、状態の特性分布（豊富さ、資源レベル、気候変数）を維持し、摂動に強い自己組織化パターンを示します。ラムステッドらは、これを捉えるために「変分生態学」という言葉を作り、生物をニッチの生成モデルをパラメータ化する推論マシンとして扱い、ニッチ構築によって環境がその同じシステムの共適応する「外部状態」として機能するようにしました。生態学的ネスト（生物圏内の生態系内のコミュニティ内の個体群）がマルコフブランケットの階層に直接マッピングされるため、この分野自身の多スケール構造が、比喩的な拡張ではなく自然な適合性を生み出しています。

文献におけるパターン

具体的なモデリングパターンは、コーパス全体で繰り返されます。生態学的変数（資源の状態、捕食者の手がかり、発達環境）の生成モデル、実用的な価値と認識的（不確実性を低減する）価値をトレードオフする期待自由エネルギーによるポリシー選択、および遅い変数（気候、遺伝学）が速い変数（行動、表現型）を制約する階層的定式化です。Constantらは、発達ニッチ構築を、時間平均自由エネルギーの遅い勾配流として形式化しました。この中で、生物は、好ましい発達軌道を安定させるために、巣の構造や親の世話の環境などの環境変数を変更します。Bruineberg、Rietveld、Parrはこれを「適合」の共同エージェント-環境自由エネルギー測定に拡張し、「驚きの認知生態学」フレームワークは、捕食者-獲物ダイナミクスにアクティブインファレンスを適用し、捕食者は驚きを生成することで利益を得る一方、獲物は警戒と生息地の選択を通じてそれを最小限に抑えると主張しています。HeinsらのPNAS論文「驚きの最小化からの集合行動」は、最も完全に開発されたシミュレーション結果であり、連続時間エージェントが個別に自由エネルギーを最小化することで、手作業でコーディングされた行動ルールなしに、群れや学校のようなグループ運動を再現することを示しています。最大のスケールでは、Rubin、Parr、Da Costa、Fristonは、生物圏の炭素循環と代謝率を惑星マルコフブランケットとしてモデル化し、生物圏が自由エネルギー関数を最小化しているかのように、地球システムの回復力と気候調節を記述しています。

ツールと機関インフラ構築

pymdp Pythonパッケージは、離散マルコフ決定プロセスのアクティブ推論を実装しており、ここで説明されているいくつかの生態学的アプリケーションパターン（パッチ選択、離散生息地選択、単純化された採餌ゲーム）の基盤となっています。一方、SPM/MATLABチュートリアルスクリプトとHeinsらの発表した連続時間集団行動シミュレーション用のGitHubコードは、適応可能な出発点を提供します。Albarracin、Hipolito、および同僚は、共有資源管理のアクティブ推論モデルを構築しており、現在の焦点は生態系そのものではなく人間の行動であるものの、社会生態学的アプリケーションのテンプレートを提供しています。「環境中心のアクティブ推論」のプレプリントは、環境の視点からマルコフブランケットを定義することを提案しており、生態学的モデリングに関連する方向性ですが、まだ広く利用可能なコードに裏付けられていません。Active Inference Instituteは、この研究プログラムの報告書で引用されている機関ハブであり、2021年頃からライブストリームと議論を伴うActive Inferenceラボを運営しており、インシリコおよびロボット工学の作業だけでなく、生物地理学と地球システムレジリエンスにも及んでいます。また、生態学的および進化的ダイナミクスに関する知識ベースのエントリを維持しています。

未解決の問題

報告では、経験的・データ駆動のアプリケーションは、理論とシミュレーション文献との比較が少ないことが主張されており、実際の行動や環境データを使用してアクティブインフェリエンス予測を他の生態モデル（最適性モデル、再現学習）と比較する公開されたテストはほとんどない。二つ目の開かれた問題は、生物体から生態系、そして生物界までの一貫したスケーリングで、各レベルにおける「内部状態」がどのように選ばれるべきかについての任意の選択に依存することです。第三には解釈的な問題があります：植物や微生物コミュニティ、または生物界に対する「信念」言語を適用すると、知覚的主張を過度に強調する可能性があり、報告は非知覚系システムに対してアクティブインフェリエンスをモデル化の便宜性としてではなく、本質的な commitments として扱わないことを推奨しています。最後に、社会生態学的統治モデルが「希望の状態」をコード化し始めると、成長と多様性に対する価値判断に基づく評価が問題となるため、具体的なメソッド論的なギャップ（小離散MDPを超えるスケーリングするソフトウェア、ノイズ付き生態時系列から自由エネルギー代理を推定する技術）と Normative 問題が指摘されています。

リファレンス・バックボーン

Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Maxwell J. D. Ramstead, Karl J. Friston, Axel Constant, Lancelot Da Costa, Casper Hesp, Beren Millidge, Alexander Tschantz (2023). On Bayesian Mechanics: A Physics of and by Beliefs. arXiv.

次の最適な行動