Ölçeklenebilir stokastik ağlarda bellekli olmayan (non-Markov) dinamikleri ve ajan heterojenliğini birleştirme

Neden rastgelelik ve bellek önemli

Enfeksiyonla savaşan bağışıklık hücrelerinden konferansta etkileşen insanlara veya finansal piyasadaki işlemlere kadar yaşamımızı şekillendiren birçok sistem tahmin edilemez şekilde evrilir. Araştırmacılar bu rastgeleliği yakalamak için matematiksel “stokastik” modeller kullanır, ancak en yaygın araçlar genellikle tüm aktörlerin özdeş olduğunu ve geçmişin bir etkisi olmadığını varsayar. Bu makale, her bireyin kendi iç ritmini ve geçmişini izleyebilmesine izin veren, aynı zamanda simülasyonları tek bir bilgisayarda çalıştırılabilecek kadar hızlı tutan MOSAIC adlı yeni bir çerçeve tanıtıyor.

Belleksiz sistemlerin ötesinde rastgelelik

Yaygın olarak kullanılan Gillespie algoritması gibi klasik simülasyon yöntemleri, bir olayın olasılığının sadece şu anki duruma bağlı olduğunu, en son ne zaman bir şey olduğu süresinin önemli olmadığını varsayar. Bu “belleksiz” bakış matematiksel olarak işlerliğe sahiptir ve hesaplama açısından etkilidir, ancak gerçek sistemler nadiren böyle davranır. Hücrelerin dakikalar veya saatler içinde açığa çıkan iç programları vardır, insanlar aktivitede patlamalar ve ardından sessiz dönemler gösterir ve etkileşimler sıklıkla kimin daha önce kiminle karşılaştığına bağlıdır. Bu bellek etkileri ve bireysel farklılıklar göz ardı edildiğinde modeller veride görülen önemli özellikleri kaçırabilir. Bellek veya çeşitlilik eklemeye yönelik mevcut girişimler genellikle çok sayıda etkileşen ajan olduğunda yavaş veya kullanışsız hale gelir.

Çeşitli bireyleri simüle etmek için yeni bir yol

MOSAIC (Modeling of Stochastic Agents with Individual Complexity), her bir hücre bölünmesi, moleküler reaksiyon veya sosyal temas gibi olası her olayı kendi saati olan ayrı bir süreç olarak ele alarak bu zorluğun üstesinden gelir. Her sürecin kesin oranını sürekli güncellemek yerine, MOSAIC herhangi bir şeyin ne kadar hızlı gerçekleşebileceğine dair tek bir üst sınır tutar. Her adımda zamanı ilerletir, rastgele bir aday süreç seçer ve sonra o olayın mevcut olasılığına göre gerçekten meydana gelip gelmeyeceğine karar verir. Bu “reddetme örneklemesi” numarası, olayların doğru olasılıklarla tetiklenmesini sağlarken diğer yaklaşımları yavaşlatan ağır muhasebeden kaçınır. Kritik olarak, her süreç kendi bekleme-zaman desenine sahip olabilir; gerçekçi uzun kuyruklu veya sıkı tepe gecikmeleri dahil olmak üzere ve koşullardaki veya ajan özelliklerindeki değişikliklere hızdan ödün vermeden yanıt verebilir.

Çerçeveyi teste koymak

MOSAIC’in neler yapabileceğini göstermek için yazarlar bunu üç çok farklı probleme uygular. İlk olarak, B hücrelerinin küçük bir T hücresi havuzundan yardım için nasıl rekabet ettiğini modellediler. B-hücre aileleri hedefe bağlanma güçlerinde farklılık gösterir ve daha yüksek afiniteye sahip aileler kademeli olarak baskın çıkar. Standart yöntemler çok sayıda olası B–T eşleşmesini izlemek zorunda kalır; MOSAIC bunun yerine olası karşılaşmaları örnekler ve sadece daha güçlü bir rakibin daha zayıf birini yerinden edebileceği karşılaşmaları kabul eder. Bu, “kazanan” klonların gözlemlenen desenlerini yeniden üretirken sistem büyüdükçe hesaplama süresini neredeyse sabit tutar. İkinci olarak, Hes1 adlı bir geni incelerler; bu gen gecikmeli negatif geri besleme döngüsü ile kendini kapatır. Burada RNA molekülleri üretilir, yavaşça uzar ve sonra proteine çevrilir; gecikme ve hız sistemin yoğunluğuna bağlıdır. MOSAIC, bu durum-bağımlı, üstel olmayan gecikmeleri doğal olarak ele alır ve daha eski gecikme tabanlı araçların bir gecikme başladıktan sonra güncelleyemediği gerçekçi RNA ve protein salınımlarındaki osilasyonları yakalar.

Zaman içinde değişen sosyal bağları izlemek

Üçüncü test insan davranışına yönelir: bilimsel bir konferansta yüzlerce kişinin yüz yüze temasları. Bu ortamda insanlar uzun süreler boyunca hareketsizlikle geçiş yapıp ardından kısa, yoğun konuşma patlamaları yaşar ve daha önce tanıştıkları kişilerle tekrar konuşma olasılıkları daha yüksektir. Yazarlar çerçeveyi zamansal ağlara genişleterek varyanta MOSAIC-TN adını verir. Her kişi yeni bir etkileşime ne zaman başlayacağına dair iç saat taşır ve ikili karşılaşmalar her iki ortağın aktivitesine ve geçmişlerine bağlıdır. Sadece birkaç bileşenle MOSAIC-TN, insanların konuşmalar arasındaki bekleme sürelerinin, etkileşimlerin ne kadar sürdüğünün ve sosyal ağın ne kadar sıkı kümelendiğinin ağır kuyruklu desenlerini yeniden üretir—rekabet eden modellere göre gerçek verilerle daha iyi uyum sağlarken hesaplama ölçeklenebilirliğini korur.

Bu, karmaşık sistemler için ne anlama geliyor

Günlük ifadeyle MOSAIC, bireylerin kendi tuhaflıkları ve anıları olan büyük, dağınık sistemleri süperbilgisayarlara veya aşırı basitleştirilmiş varsayımlara ihtiyaç duymadan simüle etmenin mümkün olduğunu gösterir. Klasik stokastik algoritmaların matematiksel titizliğini ve hızını ajan tabanlı modellerin esnekliğiyle birleştirerek, germinal merkezler, gen düzenleyici devreler ve sosyal toplanmalar gibi çok çeşitli sistemleri incelemek için ortak bir dil sağlar. Temel mesaj şudur: bireysellik ve geçmiş opsiyonel ekstralar değildir; bunlar verimli simülasyonlara doğrudan dahil edilebilir ve çeşitli aktörlerin ve onların anılarının kolektif davranışı nasıl şekillendirdiğine dair daha sadık bir resim sunar.

Atıf: Pélissier, A., Phan, M., Le Bail, D. et al. Unifying non-Markovian dynamics and agent heterogeneity in scalable stochastic networks. Nat Commun 17, 3345 (2026). https://doi.org/10.1038/s41467-026-69817-y

Anahtar kelimeler: stokastik simülasyon, non-Markov dinamikler, ajan tabanlı modelleme, zamansal ağlar, bağışıklık ve gen regülasyonu