Karıncalar, İnsanlardan Farklı Olarak Daha Büyük Gruplarda Daha İyi Çalışır

İşbirliği gerektiren projeler genellikle “çok fazla aşçı” sorununa maruz kalabilir. Çok sayıda kişiyi belirli bir hedefe ulaşmak için görevlendirdiğinizde, durum kısa sürede kaotik hale gelebilir. Weizmann Enstitüsü’nden davranışsal ekolog Ofer Feinerman, uzunburunlu karıncaların (Paratrechina longicornis) ağır ve asimetrik yiyecekleri kolonilerine taşırken nasıl çalıştıklarını gözlemlediğinde, aynı durumun karınca kolonileri için de geçerli olup olmadığını merak etti. Ekibinin Journal of the Royal Society Interface dergisinde yayınlanan araştırması, daha fazla karıncanın işin içine dahil edilmesinin, küçük grupların çözebileceğinden çok daha karmaşık sorunların üstesinden gelinmesini sağlayabileceğini gösteriyor.

Çözüm bulmak için ekip, hassas şekil ve ağırlıklara sahip minyatür aparatlar tasarladı ve 3D olarak üretti. Bu nesneler gece boyunca kedi mamasına batırıldı, böylece uzunburunlu karıncalar tarafından iştahlı bir şekilde tüketildi. Karıncalar, lazerle kesilmiş farklı boyutlarda ve zorluk seviyelerinde labirentlere yerleştirildi. Her durumda, ekip, nesnelerin ağırlığının deneylerde kullanılan karınca sayısıyla orantılı olmasını sağladı. Bu, koordinasyon ve işbirliğini ölçmeyi mümkün kılar; sadece görevleri fiziksel olarak daha zorlu hale getirmekten kaçınılır.

Araştırmacılar, yemli labirentleri karınca yuvalarının yakınlarına yerleştirdikten sonra sonuçları kaydetti. Her boyuttaki grup, daha kolay labirentlerdeki küçük nesneleri sorunsuz bir şekilde taşıdı. Ancak, labirent rotaları zorlaştıkça ve yük ağırlığı arttıkça, daha büyük karınca grupları daha verimli hale geldi. Bu durum, karıncaların manevralarında yerçekimini hesaba katması gereken durumlarda bile geçerliydi.

Feinerman’ın ekibi, aynı zorlukları çözmek için makine öğrenimi programlarının kullanılıp kullanılmayacağını görmek amacıyla bilgisayar simülasyonları da çalıştırdı. Programlar, fiziksel teorileri ve kuvvetleri hesaba katarak karıncaların neden daha büyük kolonilerin daha karmaşık durumları daha verimli bir şekilde çözdüğüne dair potansiyel açıklamalar üretti.

Feinerman, yakın zamanda yaptığı bir açıklamada şunları söyledi: “Simülasyonlar, basit yerçekimi modelleriyle bile çözülebilen basit bulmacaların olduğunu gösterdi. Eğer labirenti ve içindeki yükü alıp eğerseniz ve tümünü sallarsanız, yük sonunda dışarı düşecektir.”

Sample solutions of ant groups in various puzzles

Ancak bu durum, daha zorlu labirentler için geçerli değildi. Makine öğrenimi programlarının bu senaryoları verimli bir şekilde çözebilmesi için, ekibin karıncaların “dağıtık doğası” ile ilgili özellikleri içeren unsurları dahil etmesi gerektiği ortaya çıktı. Bu özellikler arasında yerçekiminin kütle merkezinde çalışmaması veya nesnenin farklı noktalarına her birkaç saniyede bir etki etmesi gibi durumlar bulunabilir.

Araştırmacılar, bulgularının karınca kolonilerinin zekâ ve kolektif entelijansını boyutlarına göre nasıl ölçeklendirdiğini gösterdiğini belirtirken, bunun gerçek bir “arı kovanı” tipi biliş olduğunu düşünmemek gerektiğini vurguladılar. Aynı durum, makine öğrenimi ve yapay zekâ için de geçerli.

Feinerman, ekibinin programları hakkında şunları söyledi: “Bunlar rastgele ve bilinçsizdir.” Modellerin hala tasarımcıları tarafından her labirent için dışsal ayarlamalar gerektirdiğini belirtti. Ayrıca, karıncaların herhangi bir dış bilgi olmadan tüm labirentleri çözmek için aynı kuralları kullandığını ve herhangi bir dış müdahale olmadan çalıştığını ekledi.

Kaynak:

Popular Science