꿀벌은 놀라울 정도로 결정을 잘 내립니다.

컴퓨터 모델링은 이전에 인간과 다른 영장류에서만 볼 수 있었던 꿀벌의 의사 결정 기술의 주요 측면을 설명합니다.

다음 에세이는 최신 연구를 다루는 온라인 간행물인 The Conversation의 허가를 받아 재인쇄되었습니다.

꿀벌의 생명은 꿀을 만들기 위해 꽃에서 꿀을 성공적으로 수확하는 데 달려 있습니다. 어떤 꽃이 꿀을 제공할 가능성이 가장 높은지 결정하는 것은 엄청나게 어렵습니다.

올바른 결과를 얻으려면 꽃의 종류, 나이 및 역사에 대한 미묘한 단서를 올바르게 평가해야 합니다. 이는 꽃에 작은 꿀 방울이 포함될 수 있다는 가장 좋은 지표입니다. 잘못 이해하는 것은 기껏해야 시간 낭비이고, 최악의 경우 꽃 속에 숨어 있는 치명적인 포식자에게 노출되는 것을 의미합니다.

오늘 eLife에 발표된 새로운 연구에서 우리 팀은 꿀벌이 이러한 복잡한 결정을 내리는 방법을 보고합니다.

우리는 색깔이 있는 카드 디스크로 만든 조화 밭으로 꿀벌에게 도전했는데, 각각의 꽃에는 작은 설탕 시럽 한 방울이 제공되었습니다. 색깔이 다른 "꽃"은 설탕을 제공할 가능성이 다양했으며, 가짜 꽃이 보상을 제공하는지 여부를 꿀벌이 얼마나 잘 판단할 수 있는지도 달랐습니다.

우리는 각 벌의 뒷면에 작고 무해한 페인트 표시를 하고, 벌이 꽃밭을 방문할 때마다 촬영했습니다. 그런 다음 컴퓨터 비전과 기계 학습을 사용하여 벌의 위치와 비행 경로를 자동으로 추출했습니다. 이 정보를 통해 우리는 꿀벌이 내리는 모든 결정을 평가하고 정확하게 시간을 측정할 수 있습니다.

우리는 꿀벌이 가장 보람 있는 꽃을 식별하는 방법을 매우 빠르게 학습한다는 것을 발견했습니다. 그들은 꽃을 받아들일지 거부할지 재빨리 평가했지만, 당황스럽게도 올바른 선택이 잘못된 선택(1.2초)보다 평균적으로 더 빨랐습니다(0.6초).

이는 우리가 예상했던 것과 반대입니다.

일반적으로 동물, 심지어 인공 시스템에서도 정확한 결정은 부정확한 결정보다 오랜 시간이 걸립니다. 이를 속도-정확도 트레이드오프라고 합니다.

이러한 상충관계는 일반적으로 결정이 옳은지 그른지를 결정하는 것이 해당 결정을 내리기 위해 얼마나 많은 증거가 필요한지에 달려 있기 때문에 발생합니다. 증거가 많을수록 더 정확한 결정을 내릴 수 있지만 증거를 수집하는 데는 시간이 걸립니다. 따라서 정확한 결정은 일반적으로 느리고 부정확한 결정은 더 빠릅니다.

속도-정확도 상충관계는 공학, 심리학, 생물학에서 자주 발생하므로 이를 "정신물리학의 법칙"이라고 부를 수 있습니다. 그런데 벌들은 이 법칙을 어기고 있는 것 같았습니다.

속도-정확도 균형을 이기는 것으로 알려진 유일한 동물은 인간과 영장류입니다.

그렇다면 작지만 놀라운 뇌를 가진 벌이 어떻게 영장류와 동등한 성능을 발휘할 수 있습니까?

이 질문을 해결하기 위해 우리는 계산 모델을 사용하여 속도-정확도 균형을 극복하기 위해 시스템에 필요한 속성이 무엇인지 묻습니다.

우리는 감각 입력을 처리하고, 학습하고, 의사결정을 내릴 수 있는 인공 신경망을 구축했습니다. 우리는 이러한 인공 결정 시스템의 성능을 실제 벌과 비교했습니다. 이를 통해 우리는 트레이드오프를 극복하려면 시스템이 갖춰야 할 것이 무엇인지 확인할 수 있었습니다.

대답은 "수락" 및 "거부" 응답에 서로 다른 시간 제한 증거 임계값을 제공하는 데 있습니다. 이것이 의미하는 바는 다음과 같습니다. 꿀벌은 한 눈에 그것이 보람 있는 것이라고 확신하는 경우에만 꽃을 받아들였습니다. 불확실성이 있으면 거부했습니다.

이는 위험을 회피하는 전략이었으며 꿀벌이 보람 있는 꽃을 놓쳤을 수도 있음을 의미했지만, 설탕을 제공할 수 있는 가장 좋은 기회와 가장 좋은 증거가 있는 꽃에만 노력을 집중하는 데 성공했습니다.

꿀벌이 빠르고 정확한 결정을 내리는 방법에 대한 우리의 컴퓨터 모델은 꿀벌의 행동과 알려진 꿀벌 두뇌 경로 모두에 잘 매핑되었습니다.

우리 모델은 꿀벌이 어떻게 그렇게 효과적이고 빠른 의사 결정자인가에 대해 그럴듯합니다. 또한 이러한 기능을 사용하여 탐사 또는 채굴을 위한 자율 로봇과 같은 시스템을 구축하는 방법에 대한 템플릿을 제공합니다.

이 기사는 원래 The Conversation에 게재되었습니다. 원본 기사를 읽어보세요.