趋化性集体信息处理的最优性理论

集体信息处理是各种生物系统中的基本特征，多个细胞的合作会产生超越单个细胞能力的复杂功能。一个典型例子是集体探索，其中趋化细胞不仅感知来自目标的外源性指导信号的梯度，还生成和调制内源性信号以协调它们的集体行为。虽然梯度感知的最优性在单细胞信息处理的背景下已有大量研究，但包括梯度感知和梯度生成的集体信息处理的最优性仍受到不足的关注。本文将集体探索问题形式化为由一个群体进行的强化学习 (RL)。基于 RL 理论，我们推导了智能体的最优探索动力学，并确定了其结构与 Keller-Segel 模型之间的对应关系——这是集体细胞动力学的既定现象学模型。我们的理论识别了梯度感知与梯度生成之间的最优耦合关系，证明了在梯度感知为对数或线性的情况下，生成梯度的最优方式在质量上存在差异。我们利用所述 RL 结构将推导的集体动力学与单智能体搜索动力学进行比较，表明群体分布式信息处理使一部分智能体能够稳健地到达目标。我们的表述为理解通过动态感知和调制信号中介的集体信息处理提供了基础。