Экологические системы — популяции, сообщества, экосистемы и сама биосфера — состоят из взаимодействующих подсистем, которые обмениваются веществом и энергией через полупроницаемые границы, сохраняя при этом стабильные макросостояния с течением времени. Эта структура очень точно отражает формализм марковского одеяла и байесовской механики, лежащий в основе принципа свободной энергии, поэтому под знаменем «вариационной экологии» возникла исследовательская программа по моделированию организмов и их ниш как связанных систем вывода. Литература здесь больше сосредоточена на теории и моделировании, чем на полевых данных: эта страница рассматривает концептуальные основы, модели моделирования, используемые исследователями, доступные инструменты и эмпирические пробелы, которые еще предстоит устранить в этой области.
Почему домен подходит
Свободный принцип инференции описывает эргодические случайные динамические системы, поддерживающие не равновесное установившееся состояние путем минимизации вариационного свободного энергетического потенциала, верхней границы неожиданности сенсорных состояний в рамках генеративной модели. Экологические системы удовлетворяют этому описанию на каждом масштабе: организмы, популяции и экосистемы поддерживают характерные распределения состояний (избытки, уровни ресурсов, климатические переменные) и проявляют самоорганизующиеся паттерны, устойчивые к возмущениям. Рамстед и коллеги окрестили это "вариационной экологией", рассматривая организмы как машины инференции, которые параметризуют генеративные модели своей ниши, а конструирование среды служит со-адаптируемым "внешним состоянием" той же системы. Поскольку вложенность экосистем (популяции внутри сообществ внутри экосистем внутри биосферы) напрямую отображается на иерархию марковских одеял, сама многоуровневая структура этой области делает ее естественным соответствием, а не метафорическим преувеличением.
Приложения в литературе
Конкретные паттерны моделирования повторяются во всем корпусе: генеративные модели экологических переменных (состояния ресурсов, сигналы хищников, среды развития), выбор политики посредством ожидаемой свободной энергии, которая уравновешивает прагматическую ценность с эпистемической (снижающей неопределенность) ценностью, и иерархические формулировки, где медленные переменные (климат, генетика) ограничивают быстрые (поведение, фенотип). Констант и коллеги формализовали конструирование ниши развития как медленный градиентный поток по усредненной по времени свободной энергии, в котором организмы изменяют переменные окружающей среды, такие как структуры гнезд или среды родительской заботы, чтобы стабилизировать предпочтительные траектории развития. Брюйнеберг, Ритвельд и Парр расширили это до совместной меры свободной энергии агента-среды для «соответствия», а концепция «когнитивной экологии неожиданности» применяет активный вывод к динамике хищник-жертва, утверждая, что хищники получают выгоду от создания неожиданности, в то время как жертвы минимизируют ее посредством бдительности и выбора среды обитания. Статья Хайнса и коллег в PNAS о коллективном поведении из минимизации неожиданности является наиболее полно разработанным результатом моделирования, показывающим, что агенты непрерывного времени, индивидуально минимизирующие свободную энергию, воспроизводят групповое движение, подобное стаям и косякам, без жестко закодированных правил поведения. В самом крупном масштабе Рубин, Парр, Да Коста и Фристон моделируют углеродный цикл биосферы и скорости метаболизма как планетарное марковское одеяло, описывая устойчивость земной системы и регулирование климата так, как если бы биосфера минимизировала функционал свободной энергии.
Инструменты и институциональная инфраструктура
Пакет Python pymdp реализует активный вывод дискретных марковских процессов принятия решений и лежит в основе нескольких описанных здесь моделей экологического применения (выбор участка, дискретный выбор среды обитания, упрощенные игры по поиску пищи), в то время как учебные скрипты SPM/MATLAB и опубликованный код Хайнса и др. GitHub для моделирования коллективного поведения в непрерывном времени предоставляют адаптируемые отправные точки. Альбаррасин, Иполито и их коллеги создали модели активного вывода для управления общими ресурсами, предлагая шаблоны для социально-экологических приложений, хотя их текущее внимание сосредоточено на поведении человека, а не непосредственно на экологических системах. Препринт "активный вывод, ориентированный на окружающую среду" предлагает определять марковские одеяла с точки зрения окружающей среды, что является направлением, актуальным для экологического моделирования, но еще не подкрепленным широко доступным кодом. Active Inference Institute является цитируемым институциональным центром отчета для этой исследовательской программы, который с 2021 года проводит лабораторию Active Inference с прямыми трансляциями и дискуссиями, охватывающими работу in silico и робототехнику, а также биогеографию и устойчивость земной системы, и поддерживает записи в базе знаний по экологической и эволюционной динамике.
Открытые проблемы
Отчет явно указывает на то, что эмпирические, основанные на данных приложения остаются редкими по сравнению с теоретической и симуляционной литературой: почти не опубликованы тесты, сравнивающие предсказания активного инференции с альтернативными экологическими моделями (оптимальными моделями, обучением с подкреплением) с использованием реальных поведенческих или экологических данных. Вторая открытая проблема заключается в масштабировании последовательно от организмов к экосистемам и биосфере без произвольного выбора того, что считать "внутренним состоянием" на каждом уровне — отчет отмечает, что неясно, следует ли моделировать экосистему как одного агента или как популяцию взаимодействующих агентов, чья динамика выглядит инференционной только в агрегате. Третья проблема заключается в интерпретации: применение языка "верований" к растениям, микробиальным сообществам или биосфере рискует преувеличивать когнитивные утверждения, и отчет рекомендует рассматривать активный инференцию как удобство моделирования, а не как онтологию для не-когнитивных систем. Наконец, отчет отмечает конкретные методологические пробелы (программное обеспечение, масштабируемое за пределами небольших дискретных MDP, техники оценки прокси-энергии свободной энергии из шумных экологических временных рядов) и нормативные вопросы, возникающие, когда модели социального управления экосистемами начинают кодировать "предпочитаемые состояния", которые встраивают ценностные суждения о росте против биоразнообразия.
Опорный каркас
Карл Дж. Фристон (2010). Принцип свободной энергии: единая теория мозга? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Кристофер Л. Бакли, Чанг Суб Ким, Саймон МакГрегор, Анил К. Сет (2017). Принцип свободной энергии для действия и восприятия: математический обзор. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Джиованни Пезуло, Франческо Риколи, Карл Дж. Фристон (2017). Активная инференция, гомеостатическая регуляция и адаптивное поведение. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Максвелл Дж. Д. Рамстед, Карл Дж. Фристон, Аксель Констант, Ланселот Да Коста, Каспер Хеспе, Берен Миллидж, Александр Цханц (2023). О байесовской механике: физика убеждений. arXiv.