Чёрное солнце. Что такое мурмурация, как роение двигает науку и при чем здесь каннибализм

Sort sol — «чёрное солнце». За зловещим названием скрывается, в общем-то, обычное для датской Ютландии явление. По весне и осени праздные туристы, груженые оптикой орнитологи и вертлявые фотографы наведываются в эти хмурые края, чтобы понаблюдать за метаморфирующими облаками скворичных стай. Птицы собираются на ночевку огромными, до миллиона особей, группами и порой застилают собой все небо, отчего солнце словно и правда гаснет раньше, чем обычно.

Миру подобное явление скоординированного полета птиц известно как мурмурация (от лат. murmuratio — «бормотание»). Несмотря на кажущуюся сложность, в своей сути оно подчиняется определенным алгоритмам — как и другие модели роевого поведения. В этом тексте поговорим о том, как устроена мурмурация, практикуют ли роение homo sapiens, какие существуют хайв-технологии и как сделать, чтобы коллеги по стае тебя не съели. Но обо всем по порядку.

Телепатия (или нечто другое?)

По доброй человечьей традиции, изучение мурмурации наши предки начали со священного трепета. Большинство культур считало скворцов проводниками из мира живых в мир мертвых, а появление в небе крупных стай — дурным предзнаменованием. Подобные воззрения, как несложно догадаться, не слишком двигали науку. Однако в середине 1930-х годов на смену дремучим суевериям пришли чуть менее дремучие — мода на телепатию, гипноз и оккультизм — и наметились первые подвижки. 

В 1931-м году британский орнитолог Эдмунд Силус (Edmund Selous) издал книгу под названием «Передача мыслей (или нечто другое?) у птиц» (Thought-Transference (or What?) in Birds). В своем opus magnum ученый излагал предположение, что птицы движутся как единый организм благодаря телепатии. Мысль, считал он, распространяется от «лидера» чем-то наподобие волны, порождая быстрое и скоординированное движение стаи. Радиосвязь и волновая теория в физике были на пике общественного интереса, что, видимо, также отразилось на гипотезе Силуса. 

Интересно, что каким бы смешным сегодня ни казалось объяснение ученого, его работа стала в некотором роде прорывом. Дело в том, что редукционистская наука того времени хорошо орудовала в основном уткой Вокансона, то есть неплохо справляясь с разложением систем на мелкие части, а вот на попытках понять, как мелкие части становятся такой сложной эмерджентной системой, как птичья стая, буксовала. Птиц было принято убивать и препарировать, а не наблюдать в живой природе, как делал Силус, ярый противник убийств, посвятивший свою жизнь изучению птиц в их естественной среде. Сегодня он считается одним из пионеров этологии — науки о поведении животных. А его наблюдения за брачным поведением тетеревов, красовавшихся перед самкой, убедили Дарвина в том, что половой отбор может зависеть от выбора самки, хотя мало кто из ученых тогда поддерживал эту идею.

Помимо этого Силус детально, порой даже чрезмерно детально, описал поведение скворцов в стае, что дало пищу для размышлений поколениям ученых после него. Так, следующий эпизод до сих пор остается необъясненным:

«Когда тысячи скворцов покидают свои зимние убежища на рассвете, их полет так хорошо скоординирован, что на экране радара появляются четко очерченные кольца, расходящиеся от насеста с интервалом примерно в три минуты. Если встать рядом с насестом, можно услышать, как птицы поют и общаются, все громче и громче, а потом вдруг резко замолкают. Через несколько секунд пение возобновляется примерно на три минуты, затем снова наступает тишина. По мере того, как эта схема повторяется, птицы начинают вылетать очередями, создавая тот самый концентрический паттерн на радаре. Большие насесты могут производить до 20 таких колец. Ни способ, с помощью которого скворцы регулируют это сложное синхронное поведение при отлете, ни его функция до сих пор не нашли объяснения».

Кто знает, если бы ученые прислушались к Силусу и начали активнее наблюдать птиц в живой природе, возможно, мы ближе подошли бы к разгадке секрета мурмурации. Без этого же свет на то, как управляется такое поведение, был пролит только в 1986 году.

Три правила стаи

Иронично, но важный рывок в изучении мурмурации совершил вовсе не орнитолог и даже не биолог, а аниматор Крейг Рейнольдс (Craig Reynolds). В 1960-х русский биолог Дмитрий Радаков провел ряд экспериментов, исследующих поведение косяков рыбы. Он обнаружил, что им удается эффективно уворачиваться от хищников просто потому, что каждая рыба повторяет движения своей соседки. В косяке нет лидера-телепата, посылающего мысль, каждый его участник может инициировать движение, которое повторит вся стая. 

Крейг Рейнольдс развил эту идею «децентрализации» с сугубо аниматорской целью найти эффективный способ визуализировать групповое движение. Программа Рейнольдса, Boids, имитировала передвижение стаи птиц. В ее основу он положил три простых правила: 

• двигайся в одном направлении с соседями; 

• держись от них на плюс-минус одинаковом расстоянии;

• избегай столкновений.

Результатом бесхитростного алгоритма стала удивительно правдоподобная модель стаи. Работа Рейнольдса произвела своего рода революцию в кино 1990-х. С ее помощью анимировали полет летучих мышей в фильме «Бэтмен возвращается». А потомками модели стали такие программы, как Massive, в которой создавались эпические батальные сцены в джексоновском «Властелине Колец». 

Прошло много лет, но модель Рейнольдса до сих пор является базовой для орнитологических изысканий. Конечно, она довольно схематично объясняет поведение стай, и современные модели выглядят на порядок сложнее — в них ученые интегрируют новых акторов-хищников, аэродинамические параметры и разнообразные математические подходы: от фазового перехода до статистической теории поля. Но костяк остается тем же. 

Один из первых мультиков с рейнольдсовским движением 
Стаи летучих мышей в «Бэтмен возвращается»

Держись семерых

Что касается полевых исследований, с ними до недавнего времени было непросто. Главная проблема — невозможность отличить одну птицу от другой при съемке больших скоплений, а значит, и вникнуть в суть ее поведения. Высокоскоростная стереофотография дает хороший результат только при работе с относительно небольшими стаями. Когда же число птиц превышает 20–30, выявить, где из них какая на фотографиях с разных камер, становится очень сложно. 

Впрочем, в 2008 году физики из европейской коллаборации StarFLAG нашли выход, задействовав для анализа фотографий закономерности статистической механики. На основе избранных локальных взаимодействий между птицами на снимках ученые смогли смоделировать 21 полноценное стайное событие численностью до 4268 скворцов.

Оказалось, что на самом деле стая не настолько плотная, как кажется наблюдателю с земли, и зачастую имеет иную форму — например, шар может запросто оказаться сплющенным «пончиком». Выяснилось, что спереди и сзади у каждого скворца всегда остается достаточно места для маневра. Кроме того, базируясь на корреляции векторов скорости соседних скворцов и общих данных о когнитивных способностях птиц (эксперименты с голубями), ученые назвали количество соседей, с которыми каждый скворец координирует свой полет. Их шесть или семь.

Но достаточно ли простого наблюдения за соседями, чтобы умудриться не сшибать их, выделывая невероятные кульбиты на скорости ~50 км/ч? Сотрудники StarFLAG предполагают, что тут задействовано что-то еще. Возможно, помимо превосходного периферийного зрения и отличной реакции для координации с соседями скворцы используют вокализацию (вспомним расходящиеся круги Силуса), но как именно она работает, пока неясно. Также есть гипотеза о том, что плотность стаи конфигурируется таким образом, чтобы каждая птица могла видеть остальных.

Метаморфозы

Ну, а как с формой? Ведь известно, что стаи скворцов могут принимать самые причудливые очертания: от гигантской птицы до гнутой ложки. Логично предположить, что здесь тоже задействованы уже описанные алгоритмы?

Эксперименты показали — это так. Три правила Рейнольдса были позднее преобразованы биологом Иэном Коузином (Iain Couzin) в концепцию взаимодействий, определяющих структуру стаи:

• выравнивание — стремление придерживаться курса соседей;

• притяжение, когда птица пытается сохранять оптимальную дистанцию от соседей;

• отталкивание, при котором особь удаляется от соседей, чтобы избежать столкновения.

Иэн Коузин отмечает, что изменение формы смоделированного роя происходит, если «подкрутить» эти три параметра. Так, если поиграть с выравниванием (проще — курсовым градусом), не трогая притяжение и отталкивание, рой закрутится в вытянутый тор, шар или даже ленту Мёбиуса наподобие косяка анчоусов. Если же отключить этот параметр, сохранив остальные, — получим классическое беспорядочное роение насекомых. В 2002 году Коузин выпустил пейпер, описавший подобные эксперименты по изменению формы роя и тоже ставший «базой» роевого моделирования.

Эгоистичная стая

Окей, с движением более-менее понятно, но зачем птицам все это нужно? В поисках ответа на этот вопрос ученые проанализировали бердвотчерские данные о более чем 3000 мурмурациях из 23 стран, после чего описали ситуации, в которых наблюдалось это явление. В итоге было выдвинуто несколько гипотез.

Чаще всего мурмурация работала как способ защиты от хищников. Да, с одной стороны, стая привлекает птиц-охотников, но с другой — наличие большого числа внимательных глаз повышает шансы каждой птицы на выживание, а движение многих особей дезориентирует врагов и сбивает фокус. 

Это так называемый концепт «эгоистичного стада», введенный в обиход британским эволюционным биологом Уильямом Гамильтоном (William Hamilton). Он писал, что, по сути, каждый член стаи действует из индивидуалистских интересов. Когда хищник приближается, все особи в стае перемещаются в самое безопасное место — середину, прикрываясь телами своих собратьев. Никакого самопожертвования, о котором так любят говорить в фильмах о живой природе, — только бизнес.

Вторая гипотеза гласит, что мурмурация, которая часто наблюдается перед ночлегом, — это на языке скворцов приглашение переночевать вместе, чтобы согреться. 

Третье предположение — об «информационном центре» — подразумевает, что скворцы используют стаи, чтобы поделиться информацией об обнаруженных источниках пищи. 

Алгоритм роя частиц

С моделированием стайного поведения связана занятная история — разработка социопсихологами Джеймсом Кеннеди (James Kennedy) и Расселом Эберхартом (Russel Eberhart) алгоритма роя частиц, одного из самых популярных сегодня алгоритмов оптимизации нелинейных функций. Изначально, как это обычно бывает, ученые преследовали иную задачу — смоделировать коллективное поведение, связанное с гипотезой о том, что птицы ориентируются на сигналы других птиц при поиске пищи. Однако оказалось, что алгоритм полученной симуляции может быть с успехом применен для поиска оптимальных решений в самых разных сферах: от электроники до медицины.

Алгоритм роя частиц основан на двух важных параметрах, имитирующих обмен данными между особями:

• каждая частица роя хранит в памяти собственное лучшее решение (pbest) и делится им с другими частицами,

• на основе полученных от других частиц решений каждая частица роя выбирает и хранит в памяти лучшее глобальное решение (gbest).

Текущее положение частицы характеризуется случайно выбранными координатами в пространстве решений и вектором скорости движения. На каждой итерации алгоритма направление и длина вектора скорости корректируются в соответствии со сведениями о найденных оптимумах, а pbest и gbest перезаписываются. После нескольких итераций все частицы роя обычно оказываются вблизи искомого оптимума. Подробнее об алгоритме можно почитать вот в этой статье.

Алгоритм роя частиц — лишь один из вариантов концепций, основанных на поведении природных роевых систем. Роевой интеллект, взявший на вооружение поведение децентрализованных коллективов, — бурно развивающаяся отрасль современной науки. На данный момент существует множество хайв-бейзд-алгоритмов роевой оптимизации:

• алгоритм пчел,

• алгоритм муравьев,

• алгоритм летучих мышей,

• алгоритм серых волков,

• алгоритм криля,

• алгоритм бактериальной колонии и т. п.

Но если триггерный механизм птичьего алгоритма — это преимущественно поведение соседей, то некоторые виды не брезгуют и более брутальными методами.

Триггеры роения у разных видов

Наблюдения Иэна Коузина за саранчой показали, что рой эти насекомые сохраняют довольно впечатляющим способом: если особь сходит с траектории, соседи кусают ее. Некоторые особи вовсе не долетают до цели, ибо оказываются съедены еще по дороге. Таким образом, триггерным механизмом в рое саранчи, помимо испускаемых стаей феромонов, выступает каннибализм. Ну, а чего, собственно, еще ожидать от исполнительницы казни египетской?

Вот еще немного интересного о роевых триггерах:

• Рыбы — кроме поведения соседей — поиск темного места. Свет — движение, тьма — замедление.

• Муравьи — кроме феромонного следа — пульсация. Когда муравьи скапливаются в слишком плотные стаи, напряжение снимается спадом активности с интервалом ~20 минут.

• Пчелы — бодание. Когда медоносные пчелы возвращаются из вылазки по поиску нектара, они танцуют, рассказывая о местоположении найденного источника. При этом пчела отстаивает точку зрения, что ее источник — лучший, тараня головой других. Пчела, которую боднули много раз, прекращает танцевать, в конечном итоге оставляя улей с единственным вариантом.

Люди — как птицы и рыбы, действия соседа

Исследования показывают, что смены направления ~5% человеческой группы достаточно, чтобы остальные бессознательно присоединились к «маневру». В конце 1990-х годов немец Дирк Хелбинг (Dirk Helbing) разработал ряд симуляций, в которых люди в том числе самостоятельно формировали полосы движения на многолюдной улице. Хелбинг организовал своих виртуальных подопытных с помощью алгоритма, который мы уже видели у Рейнольдса: идти с определенной скоростью к месту назначения, держаться на расстоянии от стен и друг от друга, выстраиваться в соответствии с направлением соседей. Сработало. 

Помимо этого, для людей характерны любопытные частные случаи. Так, гонщики Тур де Франс в поиске компромисса между выгодной позицией / безопасностью собираются в ромбовидные кластеры. В процессе гонки велосипедисты ведут себя как потоки жидкости, создавая продольные волны (вперед-назад) при избегании столкновений / торможении и поперечные (влево-вправо) при поиске выгодной позиции / объезде препятствий. Продольные волны распространяются по толпе в два раза быстрее, чем поперечные, но, так как передний соперник при ромбовидной структуре «роя» расположен на некотором расстоянии, это дает участнику гонки время среагировать на столкновение. Что касается соседей с флангов, они находятся от участника под углом не больше 30 градусов и хорошо просматриваются периферическим зрением. Это, в свою очередь, помогает избежать столкновений при поперечных волнах — объезде препятствий.

Перспективы

Роевой интеллект открывает человеку огромное пространство возможностей. Помимо уже почерпнутых алгоритмов и общих преимуществ децентрализации, роевые системы — это ключ к решению задач, малодоступных людям: опасных, сложных, функционирующих в иных средах и на иных структурных уровнях материи. 

Вот несколько перспективных направлений роевого интеллекта:

Медицина. Роевым роботам здесь может найтись множество применений, включая адресную доставку лекарств, диагностику и малоинвазивные операции вроде удаления атеросклеротических бляшек с помощью магнитного поля. Из последнего — японская разработка молекулярных роботов роевого типа. Раньше исследователям приходилось разбирать и собирать ботов извне, а теперь, благодаря новому сосуществующему с роем молекулярному контроллеру, те смогут делать это автономно.

Освоение космоса и терраформирование. Роевые системы отлично подходят для исследования поверхности планет, сбора образцов, добычи ресурсов и строительства космической инфраструктуры. Сейчас NASA работает над роевым проектом SWIM, который, если все пойдет хорошо, поможет искать жизнь в подледных океанах спутников Юпитера и Сатурна.

Мониторинг и защита окружающей среды. Недавно рой магнитных роботов помог чешским ученым извлечь из воды нанопластик, а в Великобритании в разработке проект тушения лесных пожаров с помощью роя дронов.

Строительство. Рои дронов могут стать незаменимыми помощниками в геодезии, надзоре и логистике.

Сельское хозяйство. Только представьте флоты техники, способные самостоятельно координировать процессы вспашки, засеивания и орошения полей, одновременно собирая данные для оптимизации процесса.

Транспорт. Роевые системы сбора информации способны оптимизировать перемещение участников дорожного движения, что поможет избежать пробок и сделать беспилотные решения безопаснее.

Прямо по курсу — внедрение ИИ в процесс распознавания и анализа полевых аудиовизуальных данных о мурмурации и природных роях. Будем надеяться, оно даст науке еще больше вдохновляющего материала.