群知能

Boidsは、1986年にクレイグ・レイノルズによって開発された、群れ行動をシミュレートする人工生命プログラムです。1987年にACM SIGGRAPH会議の議事録に掲載されました。^{[ 8 ]} 「boid」という名前は、「bird-oid object」の短縮形に相当し、鳥のような物体を指します。^{[ 9 ]}

ほとんどの人工生命シミュレーションと同様に、Boidsは創発的行動の一例です。つまり、Boidsの複雑さは、一連の単純なルールに従う個々のエージェント（この場合はボイド）の相互作用から生じます。最も単純なBoidsの世界で適用されるルールは次のとおりです。

• 分離：群れの仲間同士が密集しないように誘導する
• 方向転換：周囲の群れの平均的な進行方向へ舵を切る
• 凝集性：周囲の群れの平均的な位置（重心）に向かって移動するように方向付ける

障害物回避や目標達成といった、より複雑なルールを追加することも可能です。

自己推進粒子（SPP）は、ヴィセックモデルとも呼ばれ、1995年にヴィセックら によって導入されました^{[ 10 ]}。これは、 1986年にレイノルズによって導入されたボイドモデルの特殊なケースです^{[ 8 ]}。群れは、一定速度で移動するが、ランダムな摂動に対して、各時間増分で局所的な近傍の他の粒子の平均運動方向を採用することによって応答する粒子の集合によってモデル化されます^{[ 11 ]} 。SPPモデルは、群れをなす動物は、群れの中の動物の種類に関係なく、グループレベルで特定の特性を共有すると予測しています^{[ 12 ]} 。群れシステムは、さまざまなスケールで発生する創発的行動を生み出し、そのいくつかは普遍的かつ頑健であることが判明しています。これらの行動を捉える最小限の統計モデルを見つけることは、理論物理学における課題となっています^{[ 13 ] [ 14 ] [ 15 ] 。}

1999 年に John H. Reif と Hongyan Wang ^{[ 16 ]}によって開発されたソーシャル ポテンシャル フィールドは、群知能の初期のモデルの一つであり、数百から数万、あるいはそれ以上の自律型ロボットで構成されるロボット群システムの自律制御に使用するために開発されました。これは、分散型自律マルチロボット制御にポテンシャル フィールド モデルを適用した最初の論文です。ソーシャル ポテンシャル フィールドは、ロボットのペアまたはロボット グループ間の単純な人工力法則を定義します。これらの力法則は、分子動力学で見られる力法則に似ていますが、より一般的な、引力と斥力の両方を含む逆べき乗力法則です。最も単純な例の一つとして、長距離では引力が支配的であり、短距離では斥力が支配的である力法則を定義します。力法則は、さまざまなロボット間で異なる場合があります。個々のロボットの動きは、他のロボットやシステムの他のコンポーネントによって課される合成人工力によって制御されます。ソーシャル ポテンシャル フィールドのアプローチは、力の計算と動きの制御を非同期かつ分散的に行うことができるため、分散型です。特別に調整された力法則を用いることで、ロボット間の複雑な挙動や「社会的関係」と見なせるものを実証した。そのため、このモデルは「社会的ポテンシャル場」と名付けられた。コンピュータシミュレーションによって、この手法がロボット間の興味深く有用な挙動（クラスタリング、警備、護衛、巡回など）を生み出すことができることを実証した。1999年の論文では、組み立て、輸送、危険物検査、巡回、群システムの軍事制御など、多くの産業および軍事用途を想定していた。シミュレーションでは、社会的ポテンシャル場手法はセンサーやアクチュエータの誤差を許容できるという点で堅牢であることが示された。社会的ポテンシャル場の論文では、社会的ポテンシャル場モデルを拡張し、力法則としてバネ法則を用いるようにした。

ドリゴが博士論文で提唱したアリコロニー最適化（ACO）は、アリコロニーの行動をモデルにした最適化アルゴリズムの一種です。ACOは、グラフ内のより良い経路を見つける問題に役立つ確率的手法です。人工的な「アリ」（シミュレーションエージェント）は、すべての可能な解を表すパラメータ空間を移動することで最適な解を見つけます。自然のアリは、環境を探索しながら、互いに資源の場所を示すフェロモンを分泌します。シミュレーションされた「アリ」も同様に、自分の位置と解の質を記録し、後のシミュレーション反復でより多くのアリがより良い解を見つけられるようにします。^{[ 28 ]}

粒子群最適化 (PSO) は、最適解が n 次元空間の点または曲面として表現できる問題を扱うためのグローバル最適化アルゴリズムです。仮説はこの空間にプロットされ、初期速度と粒子間の通信チャネルとともにシードされます。^{[ 29 ] [ 30 ]}粒子は解空間を移動し、各タイムステップ後に何らかの適合度基準 に従って評価されます。時間の経過とともに、粒子は通信グループ内で適合度値が高い粒子に向かって加速されます。シミュレーテッドアニーリングなどの他のグローバル最小化戦略に対するこのアプローチの主な利点は、粒子群を構成するメンバーの数が多いため、この手法が局所的最小値の問題に対して非常に頑健であることです。

人工群知能 (ASI) は、自然界の群れをモデルにした制御アルゴリズムを使用して、ネットワーク化された人間のグループの集合知能を増幅する方法です。人間群知能や群知能 (Swarm AI) と呼ばれることもあるこの技術は、人間の参加者のグループをリアルタイムシステムに接続し、質問が同時に提示されると、動的な群れとして熟慮して解決策に収束します^{[ 31 ] [ 32 ] [ 33 ] ASI は、ビジネスチームが非常に正確な財務予測を生成できるようにする[ 34 ]}ことから、スポーツファンがラスベガスの賭け市場で優れた成績を収められるようにすることまで 、幅広い用途で使用されています。 ^{[ 35 ]} ASI はまた、医師のグループが従来の方法よりもはるかに高い精度で診断を生成できるようにするためにも使用されています。^{[ 36 ] [ 37 ]} ASI は、国連食糧農業機関 (FAO) によって、世界中のホットスポットでの飢饉の予測に役立てられています。^{[ 38 ] [ 39 ]}

通信ネットワークにおける群知能の利用も、アリ型ルーティングという形で研究されてきた。これは1990年代半ばにDorigoらとHewlett-Packardによってそれぞれ開拓され、いくつかのバリエーションが存在する。基本的には、ネットワークに大量に送り込まれる各「アリ」（小さな制御パケット）が正常に通過した経路に報酬を与える確率的ルーティングテーブルを使用する。順方向、逆方向、および両方向での経路強化が研究されている。逆方向強化には対称ネットワークが必要で、2つの方向が結合される。順方向強化は結果が判明する前に経路に報酬を与える（しかし、それでは映画の良し悪しが分からないうちに映画館の料金を支払うことになる）。このシステムは確率的に動作するため再現性に欠け、商用展開には大きな障害がある。モバイルメディアと新技術は、群知能による集団行動の閾値を変える可能性を秘めている（ラインゴールド：2002年、175ページ）。

無線通信ネットワークの伝送インフラの配置は、相反する目的が絡む重要な工学的問題です。ユーザーに十分なエリアカバレッジを提供するという条件の下で、最小限の場所（またはサイト）を選択する必要があります。アリにヒントを得た全く異なる群知能アルゴリズムである確率的拡散探索（SDS）は、円パッキングと集合被覆に関連するこの問題の一般的なモデルを提供するために成功裏に使用されてきました。SDSは、大規模な問題インスタンスに対しても適切なソリューションを特定するために適用できることが示されています。^{[ 49 ]}

航空会社は、航空機の到着を空港のゲートに割り当てる際にもアリの行動に基づくルーティングを利用しています。サウスウエスト航空では、ソフトウェアプログラムが群知能理論、つまりアリのコロニーは単独のアリよりも効率的に機能するという考え方を利用しています。各パイロットは、最適な空港ゲートを探すアリのように行動します。「パイロットは自分の経験から何が自分にとって最適かを学び、それが航空会社にとって最適な解決策であることがわかっています」とダグラス・A・ローソン氏は説明します。その結果、パイロットの「コロニー」は常に、迅速に到着および出発できるゲートに向かいます。このプログラムは、飛行機の遅延が発生する前にパイロットに警告することもできます。「遅延が発生することを予測できるので、ゲートを空けておくことができます」とローソン氏は言います。^{[ 50 ]}

アーティストたちは、複雑なインタラクティブシステムを構築したり、群衆をシミュレートしたりする手段として、群知能技術を利用している。

分散ユーザーのネットワークは、リアルタイム閉ループ制御システムの実装によって「人間の群れ」に組織化できます。^{[ 53 ] [ 54 ]} 2015年にLouis Rosenbergによって開発された、人工群知能とも呼ばれる人間の群れは、オンラインで相互接続された人々の集合知を活用することを可能にします。^{[ 55 ] [ 56 ]}グループの集合知は、多くの場合、グループのどのメンバーの能力をも超えます。^{[ 57 ]}

スタンフォード大学医学部は2018年に、リアルタイムの群知能アルゴリズムで接続された人間の医師のグループが、従来のクラウドソーシング方法を使用して協力する個々の医師や医師のグループよりも大幅に高い精度で病状を診断できることを示す研究を発表しました。そのような研究の1つでは、接続された人間の放射線科医の群れが胸部X線写真の診断を任され、従来の人間の方法と比較して診断エラーが33%減少し、従来の機械学習よりも22%改善したことが実証されました。^{[ 36 ] [ 58 ] [ 59 ] [ 37 ]}

カリフォルニア大学サンフランシスコ校（UCSF）医学部は、 2021年に、少数の医師グループによるMRI画像の診断に関するプレプリントを公開しました。この研究では、多数決と比較して、人工群知能（ASI）技術を使用した場合の診断精度が23%向上することが示されました。^{[ 60 ] [ 61 ]}

群知能文法は、芸術や建築に見られるような複雑な特性を記述するために進化させることができる確率的文法の群です。 ^{[ 62 ]}これらの文法は、群知能の規則に従って行動するエージェントとして相互作用します。このような行動は、特にこのような群をニューラル回路にマッピングすることを考慮すると、深層学習アルゴリズムを示唆することもあります。 ^{[ 63 ]}

一連の研究において、al-Rifaie ら^{[ 64 ]}は、2 つの群知能アルゴリズム、すなわち、アリの一種 ( Leptothorax acervorum ) の採餌行動を模倣したアルゴリズム (確率的拡散探索、SDS) と、鳥の群れの行動を模倣したアルゴリズム (粒子群最適化、PSO) をうまく利用して、PSO の局所探索特性と SDS の全体的な行動を組み合わせた新しい統合戦略を記述した。結果として得られたハイブリッドアルゴリズムは、入力画像の新しい描画をスケッチするために使用され、入力スケッチに従おうとする「鳥の群れ」の局所的な行動と、群れがキャンバスの新しい領域を探索するように促そうとする「アリの採餌」の全体的な行動との間の芸術的な緊張関係を利用している。このハイブリッド群システムの「創造性」は、ドゥルーズの「蘭とスズメバチ」のメタファーの文脈における「リゾーム」の哲学的観点から分析されてきた。 ^{[ 65 ]}

al-Rifaie らによる最近の研究「Swarmic Sketches and Attention Mechanism」^{[ 66 ]}では、SDS を適応させてデジタル キャンバスの詳細な領域に選択的に注意を向けることで、「注意」のメカニズムを展開する新しいアプローチが紹介されています。群れの注意がキャンバス内の特定の線に引きつけられると、PSO の機能を使用して、注意を向けられた線の「群れスケッチ」が生成されます。群れは、適合度関数によって関連付けられた動的な役割（より詳細な領域への注意）を満たすために、デジタル キャンバス全体を移動します。レンダリング プロセスを注意の概念と関連付けることで、参加する群れのパフォーマンスは、「アーティスト」の群れが入力線画の解釈を開始するたびに、ユニークで同一ではないスケッチを生成します。他の研究では、PSO がスケッチ プロセスを担当し、SDS が群れの注意を制御します。

同様の研究「Swarmic Paintings and Colour Attention」^{[ 67 ]}では、この研究の文脈では色の注意を担うSDSアルゴリズムを使用して非写実的な画像が生成されます。

上記のシステムの「計算上の創造性」は、 ^{[ 64 ] [ 68 ] [ 69 ]}で、群知能の悪名高い探索と活用の2つのフェーズにおける創造性の2つの前提条件（つまり自由と制約）を通して議論されています。

マイケル・セオドアとニコラウス・コレルは、群知能アートインスタレーションを用いて、人工システムが生命体のように見えるためには何が必要かを探求している。^{[ 70 ]}