presentation based on John H. Miller & Scott E. Page (2007), Complex Adaptive Systems: An introduction to computational models of social life. Princeton University Press

1. Modele, Emergenta & SimulariSociale VladTarko Pebazacartii John H. Miller & Scott E. Page (2007), Complex Adaptive Systems: An introduction to computational models of social life. Princeton University Press

2. Ce-i un model O simplificare a realitatiifacuta cu scopul de a prezicecevace ne intereseaza. Cum facemaceastasimplificare?

3. Cevremsamodelam: realitatea Realitatea are o anumitastructuraobiectiva𝑆sievolueaza in timpdupafunctia𝐹: Starileobiective din realitate: 𝑆={𝑆1, 𝑆2,…} O anumitaevolutie in timp: Determinism: 𝑆(𝑡1) = 𝐹(𝑆(𝑡0)) Nedeterminism: 𝑝𝑟𝑜𝑏(𝑆(𝑡1)) = 𝐹(𝑆(𝑡0)) 𝑆si𝐹 nu suntcunoscute. 𝑆si𝐹suntadeseafoarte complicate.

4. Cum arata un model Modelul are si el o anumitastructura𝑠 si evolueaza in timpdupafunctia𝑓: Starile din model: 𝑠={𝑠1, 𝑠2,…} O anumitaevolutie in timp: Determinism: 𝑠(𝑡1) =𝑓(𝑠(𝑡0)) Nedeterminism: 𝑝𝑟𝑜𝑏(𝑠(𝑡1)) = 𝑓(𝑠(𝑡0)) 𝑠si𝑓suntinventate de noi. 𝑠descriunisteproprietati de interespentrunoi.

5. Legaturadintre model sirealitate Fiecare stare din model 𝑠𝑖este o multime de stari din naturagrupatedupa o anumitaregula𝐸: 𝑠𝑖=𝐸𝑆,𝑖={𝑆𝑎,𝑆𝑏,…} Daca nu cunoastem𝑆, regula 𝐸 nu poate fi definitaexplicit. Regula𝐸 e definitaimplicit de aparatelesausistemelenoastre de masura: Chiardaca nu cunoastem explicit regula𝐸este ok pentrucafolosindaparate de masura bine definite ne asiguramca𝑬existasi e stabila – nu variazahaotic de la cercetator la cercetatorsau de la caz la caz. Dacaavemaparatesausisteme de masura bine definite, modelelebazatepeelevoravea o baza in realitate. 𝐸descrieprocesulnostru de masurare.

6. Miller & Page (2007), p. 38

7. Homomorfism: Descriemrealitatea, nu o influentam Urmatoarele doualucruritrebuiesaduca la acelasirezultat: Masuramstarea𝑠0, aplicammodelulsiobtinempredictia: 𝑠1𝑝𝑟𝑒𝑧𝑖𝑠=𝑓𝑠0=𝑓𝐸𝑆0 Ce se-ntampla in realitate: 𝑠0=𝐸𝑆0 𝑠1𝑟𝑒𝑎𝑙=𝐸𝑆1=𝐸𝐹𝑆0 𝑠1𝑝𝑟𝑒𝑧𝑖𝑠=?𝑠1𝑟𝑒𝑎𝑙 Trebuiesaavem: 𝑓𝐸𝑆0=𝐸𝐹𝑆0

8. Niveluriierarhice de organizare: reductionism Uneoricunoastem (intr-un anumitsens) starilereale𝑆pentrucaelesuntstarile de la un nivelmaiprimar. Exemple: Chimistiicunoscstarile “reale” 𝑆 din fizica: electronisinucleeatomice; pebazalorcreeazamodele ale fenomenelorchimice: moleculesiinteractiiledintreele Biologiicunoscstarile “reale” 𝑆 din chimie: molecule; creeazamodele ale fiintelor viisi ale structuriilor interne (celule, organe etc.) Psihologiicunoscstarile “reale” 𝑆 din biologiesichimie: organe, moleculesicomportamente; creeazamodele ale cauzelorcomportamentelor: starimentale (emotii, dorinte, opinii etc.) Economistiicunoscstarile “reale” 𝑆 din psihologie: dorinte, opinii; creeazamodele ale comportamenteloragregate ale oamenilor: cerere, oferta, inflatie, PIB etc.

9. [Desenul anterior] Nivelul inferior de organizare 𝑋 e functia care face tranzitia de la un nivel la altul Nivelul superior de organizare Miller & Page (2007), p. 41

10. Reductionismul Consta in doualucruri: Reducereastarilor de la nivelul superior la starile de la nivelul inferior Starile macro sunt definite exclusiv in termeniielementelor de la nivelul micro Reducereafunctiei de evolutie de la nivelul superior la functia de evolutie de la nivelul inferior Dacastim cum evolueazasistemul la nivelul micro putemprezice cum evolueaza la nivelul macro

12. 𝑋este un model exact in sensuldiscutatanterior (𝑆𝑠𝑢𝑝=𝑠) doar catranzitia nu se mai face in timp, ci de la un nivel de organizare inferior la unul superior.

13. Dacacunoastempe𝐹si𝑆𝑠𝑢𝑝 cunoastem si𝐺.Exemple de modele: In timp: stareaatmosfereimaine in functie de stareaatmosfereiazi. De la un nivel de organizare la altul: pun sare in apa (nivel micro) siingheatamaigreu (o proprietate macro). Structuralogica e aceeasi in ambeletipuri de modele.

14. Emergenta: problemareductionismului Emergenta: Dacacunoastem starile la niveul inferior, 𝑆𝑖𝑛𝑓, sifunctia de evolutie, 𝐹, nu cunoastemneaparat pe 𝑋. I.e. dacaintelegemnivelul inferior de organizare, nu e obligatoriucaintelegem cum safacemtranzitiasprenivelul superior de organizare. Nu oriceorganizareipotetica la nivel superior e la fel de buna:nivelurile de organizareexista in mod obiectivsi nu doarconventional. Negareaemergentei = “greedy reductionism” (cf. Dennett) Daca nu arexistaemergentalumeaaravea un singurnivel de organizare – cel al particulelorelementare.

15. Miller & Page (2007), p. 45

16. De ceexistaemergenta? Multecombinatii de stari la nivelul inferior conduc la aceeasi stare la nivelul superior. Acestlucrueste un faptobiectiv. De aicidecurgefaptulcanivelurile de organizareexista in mod obiectivsi nu doar conventional. “Real patterns” (Dennett) Exemple: Multemodificariposibile ale pixelilorunuidesenlasanemodificatasemnificatiadesenului. Multemicrostari ale unuigaz (moleculele de aer din camera pot fi in multepozitiidiferite) conduc la aceleasiproprietatimacroscopice (temperatura, presiune). Multeseturiposibile de activitatineuronaleconduc la aceleasiproprietatimentale (aceleasiperceptii, emotii, ganduri etc.) Multecombinatiiposibile de firmeconduc la acelasi PIB, rata a somajului etc.

18. Media estemarimeaagregataemergenta

19. 𝑝𝑟𝑜𝑏𝜇,𝜎2(𝑆) 𝑆 http://en.wikipedia.org/wiki/Normal_distribution

20. Exemple de utilizare a medieicamarimeagregataemergenta Termodinamica Temperatura = energiacineticamedie a moleculelor Presiunea = fortamedie cu care moleculelelovescceva pus in fluid Etc. Economie Rata uneiasiguraridecurge din media cu care se intamplaaccidentele Inflatiaestevariatiapretuluimediu al produselorsiserviciilor Sisteme de recomandare Ti se recomandaprodusul care in medieestecelmaiapreciat de ceilalti

22. Frank Gens, The IT Market’s $150B SMB “Long Tail”, IDC eXchange Blog http://blogs.idc.com/ie/?p=53

24. Lupta

26. Simularesimodelare In cazulsimularii – functia𝑋trebuiesaaparasingura: Existasuficientedetaliipentrucasaexistemultemicrostari care conduc la aceeasimacrostare i.e. suficientedetaliipentru a creapremizeleemergentei In cazulmodelarii – functia𝑋esteintrodusa de noi: Ne intereseazasamodelam direct ce se intampla la nivelul macro Acelasi program poate fi simulare din unelepuncte de vederesimodelare din altele. Exemplu: Agentii ii modelam (rational choice model), nu le facemproprietatilementalesaemeargadintr-o simulareneuronala Proprietatilesocialeemerg – asociatii, migratie, razboi etc. In plus, poateinglobaatatelemente de selectieartificiala cat sinaturala.

27. Miller & Page (2007), p. 68

28. Abordareacomputationala e o generalizare a celeianalitice Care-i alternativa cu care comparam? Metodaanalitica: Ecuatii care descriu in mod agregatproblema, independent de o anumita stare initiala Rezolvate: Numeric Analitic (solutiiexacte) Stephen Wolfram: elementelemetodeianaliticesunt de faptcazuriparticulare ale celeicomputationale: O ecuatiediferentialaeste de fapt un algoritm Integrareauneiecuatiidiferentialeeste o metoda de a vedeace face un algoritmfarasaai computer

29. Exemplucomparativsimplu Datele empirice: Toatecorpurile cad cu acceleratieconstanta𝑎(𝑡)=𝑔 Algoritmul: Acceleratia e derivatavitezei, viteza e derivatapozitiei in timp: 𝑣𝑡=𝑑𝑥𝑡𝑑𝑡; 𝑑𝑣𝑡𝑑𝑡=𝑔 Rezolvarea: Computationala: plecam de la o pozitiesivitezainitiale, 𝑥𝑡0=𝑥0,𝑣𝑡0=𝑣0siobtinemsuccesivpozitiile𝑥𝑡1,𝑥𝑡2,… cu ajutorulalgoritmuluidat: 𝑣0=𝑥1−𝑥0𝑡1−𝑡0⇒𝑥1; 𝑔=𝑣1−𝑣0𝑡1−𝑡0⇒𝑣1 𝑣1=𝑥2−𝑥1𝑡2−𝑡1⇒𝑥2; 𝑔=𝑣2−𝑣1𝑡2−𝑡1⇒𝑣2 Etc. Analitica: Integram de douaori: 𝑥𝑡=𝑔𝑑𝑡=𝑔𝑡+𝑣0𝑑𝑡=12𝑔𝑡2+𝑣0𝑡+𝑥0

30. Posibileprobleme ale abordariicomputationale (1/4) Computations Build in Their Results Valabil in general pentruoricesistemdeductiv Computations Lack Discipline O problema a cercetatorilor, nu a metodei de cercetare “The flexibility and creativity embodied in computer models often seduce practitioners to continually add features to their work—a practice that must be moderated if good-quality models are to be maintained.” Ce-nseamnaca un model computational se verifica? “Mathematical models surmount this issue by having a rigorous set of solution techniques and verification mechanisms. Given the newness of many computational approaches, there has yet to emerge an agreed-upon set of standards.”

31. Posibileprobleme ale abordariicomputationale (2/4) Computational Models Are Only Approximations to Specific Circumstances “Computational models often result in answers that may be approximations that cannot be directly verified as being correct.” Cum nu obtinemrezultategeneraleexplicite e maigreusaverificamceobtinemfacandpredictii la altecazuri. De faptputemdoarca-i maigreu. “traditional modeling methods … are more generalizable. At the most basic level, a parametric mathematical solution can be used to solve a variety of cases via simple calculations ... Bottom-up computational models do not have this feature directly and often must be recalculated each time a new solution is desired. Although this process can be automated, nonetheless it is costly.”

32. Posibileprobleme ale abordariicomputationale (3/4) Computational Models Are Brittle “slight changes in one area can dramatically alter their results” Solutii: “simple and obvious design” “automated searches attempt to uncover brittle areas of the model” Computational Models Are Hard to Test “equilibrium is often not unique, as it may depend on various random elements of the model or nonlinearities. Complex systems models can also remain alive and not settle down to any obvious equilibrium. In these worlds, agents continually respond to the actions of others, and the system is in perpetual motion” Nu-i neaparatproblema – realitateainsasi e complexa

33. Posibileprobleme ale abordariicomputationale (4/4) Computational Models Are Hard to Understand “difficult to fully understand the structure of the model and the various routines that drive it … most computer programmers have had the experience of looking at someone else’s code (or even their own) and not being able to decipher it without a very intensive analysis.” Mai mult o problema de dezvoltare a unorprotocoale de comunicaremaibune. Intr-un sensproblemaexistasi in cazulmetodeianalitice – semnificatiaunuisistem de ecuatii nu-i neaparatevidenta. Rezolvareauneiproblemeprinmetodaanaliticaadeseorisugereazamarimiimportante (e.g. frecventaproprie de rezonanta)