深入群体行为：深度神经网络驱动涌现行为

复杂系统中相互作用的个体常常会产生表现出协调全球结构的有序运动。这种现象在自然界中随处可见，从细胞迁移、细菌群集、动物和昆虫群体，甚至人类社会。导致集体行为涌现的主要机制已被广泛识别，包括基于平均或相对速度的局部对齐、基于距离的非局域两性相互作用、局部与非局域相互作用之间的相互作用，以及认知驱动的各异性相互作用。然而，如何发现如何调整这些机制来调控涌现行为仍然模糊不清。本文演示，通过微调代理之间的相互作用规则，能够在希望的时刻以意图导向的全球模式生成协调结构。我们的策略采用深度神经网络，遵循动力学定律，寻找能够指挥所需集体结构的相互作用规则。将相互作用规则分解为距离和对齐力，由多项式系列表达，有助于训练神经网络以提出所需的相互作用模型。所呈现的实例包括改变涡旋群集中簇的平均半径和规模、从随机状态向有序状态的转换时机，以及在典型集体运动模式之间持续转换。该策略甚至可以叠加集体模式，导致前所未有但高度实用的混合集体模式，如防护性安全形成。我们的发现揭示了创新策略用于创建和控制集体运动，为机器人群集操作、主动物组织以及揭示生物系统中不明确相互作用规则铺垫了道路。