그린-X
협력에 대한 그룹의 최적 경로
어려운 문제를 해결하기 위한 협력을 위해서는 모든 이해관계자들이 함께 모여 문제를 정의하고 해결방안을 찾고 실행하고 피드백하는 커뮤니케이션 프로세스가 중요합니다.
개인이 협력하는 가장 좋은 방법은 무엇입니까? 이것은 개인이 최적의 결과를 위해 가장 잘 전략을 세워야 하는 방법에 대한 수학적 모델을 사용하는 과학의 한 분야인 게임 이론에 뿌리를 둔 오랜 질문입니다.
간단한 예로, 두 사람이 은행 강도 혐의로 체포되는 죄수의 딜레마를 들 수 있습니다. 경찰은 그들을 시내로 데려가 개별적으로 격리된 취조실에 가둡니다.
경찰은 두 사람 모두에게 유죄 판결을 내릴 충분한 증거가 없다는 것을 인정하고, 두 사람 모두에게 동일한 선택권을 줍니다. ‘만약 그가 자백하고 그의 파트너가 자백하지 않는다면, 그들은 자백자를 석방하고 다른 한 명에게 은행 강도라는 심각한 혐의로 유죄 판결을 내릴 것이다. 그러나 한 사람이 자백하지 않고 다른 한 사람이 자백하면, 전자는 장기 징역형을 선고받고 다른 한 사람은 석방될 것이다. 둘 다 자백하면 둘 다 여러 해 동안 쫓겨날 것입니다. 둘 다 자백하지 않으면 총기 소지 혐의로 기소될 것이다.’
교도소에서 보내는 시간을 최소화하기 위해 각자는 어떻게 해야 하는가? 어떤 사람이 침묵을 지키면서, 자기 파트너도 그렇게 할 것이라고 믿고, 더 짧은 형기를 받아들일 것일까? 아니면 상대방이 침묵하기를 바라며 고백하는 것일까. 하지만 상대방도 고백한다면 어떨까? 판단하기 어려운 상황입니다.
죄수의 딜레마에 대한 올바른 해결책은 없습니다. 이와 비슷한 또 다른 문제로는 치킨 게임이 있는데, 각 운전자가 상대방을 향해 달려가면서 정면 충돌의 위험을 무릅쓰거나, 마지막 순간에 방향을 틀어 굴욕을 당할 위험을 무릅쓰고—용기가 부족하다는 이유로 "닭"이라고 불립니다. 다른 많은 간단한 게임이 있습니다.
이제 한 집단을 상상해 보라 - 그들은 사람일 수도 있고, 어떤 종류의 세포 유기체일 수도 있다. 각 개인이 다른 개인과 연결되어 모두에게 이익이 되는 결과를 만들기 위해 비용(돈, 에너지, 시간)을 지불할 때 어떤 종류의 협력이 최적의 결과를 제공합니까? 개인이 이기적이고 자신의 최선의 이익을 위해 행동하는 것은 당연한 일이지만, 우리는 협력이 모두에게 더 나은 결과를 가져올 수 있다는 것도 알고 있습니다. 위험을 감수할 것인가, 아니면 자신만을 돌볼 것인가?
오랜 연구 결과, 모든 개인이 동일한 수의 이웃을 갖는 동종 네트워크에서는 협력자가 제공하는 이익과 지불한 관련 비용 간의 비율이 평균 이웃 수를 초과하는 경우 협력이 선호한다는 것이 알려졌습니다.
그러나 사람들은 동질적이지 않고, 이질적이며, 일반적으로 다른 모든 사람들과 같은 수의 이웃과의 연결을 가지고 있지 않으며 같은 속도로 전략을 바꾸지 않습니다.
또한 각 개인이 이웃을 즉시 모방하는 것과 같이 정확히 동시에 전략을 업데이트할 수 있도록 하는 것은 협력의 진화를 크게 변화시키는 것으로 알려져 있습니다. 이전 연구에서는 만연한 이질적인 개인 관계는 개인이 동일한 비율로 전략을 업데이트한다고 가정할 때 협력을 방해한다고 보고했습니다.
중국, 캐나다, 미국에 있는 연구진은 놀라운 결과를 발견했습니다. 개인의 전략 업데이트 속도가 인맥 수에 반비례할 때, 이질적인 인맥이 동질적인 인맥을 능가하는 것은 협력을 촉진하는 데 있다. 이 연구는 학술지 '네이처 커뮤니케이션스(Nature Communications)'에 게재됐습니다.
"집단 최적 전략의 출현에 대한 널리 퍼진 이질적인 네트워크 구조의 정량적 영향을 분석하는 방법은 많은 관심을 끌었던 오랜 미해결 질문입니다"라고 베이징 대학의 역학 및 제어 조교수이자 공동 저자인 Aming Li는 말했습니다.
리 교수 팀은 컴퓨터 시뮬레이션으로 뒷받침되는 분석적 계산으로 이 문제를 해결했고, 집단 협력을 유지하기 위한 기본 규칙을 찾았습니다. 즉, 개별 전략 업데이트 속도는 네트워크에 있는 연결 수에 반비례해야 합니다. 이러한 방식으로 개인 간에 이질적인 연결을 가진 네트워크는 협력을 촉진하는 데 있어 동질적인 연결을 가진 네트워크를 능가합니다.
이 팀은 또한 그룹의 최적 전략을 제공하는 최적의 전략 업데이트 속도를 가장 효율적으로 찾는 알고리즘을 개발했으며, 이를 OptUpRat이라고 합니다. 이 알고리즘은 그룹의 집단 효용을 지원하며, "로봇 협업 시스템을 개발하는 데에도 필수적"이라고 Li는 말합니다. 이 발견은 사이버네틱스, 인공 지능, 시스템 과학, 게임 이론 및 네트워크 과학과 같은 다학문 분야의 연구자들에게 유용할 것입니다.
"우리는 AI 관련 기술을 활용하여 개별 의사 결정을 최적화하고 집단 지성을 추진하는 것이 다음 연구 주제가 될 것이라고 믿습니다."
이상의 기사는 2024년 5월 30일 Phys.org에 게재된 “A surprising result for a group's optimal path to cooperation”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문정보 출처 : A surprising result for a group's optimal path to cooperation (phys.org)
* 추가정보 출처 : Dynamics of collective cooperation under personalised strategy updates | Nature Communications