[论文解读] Distributed Gradient Descent in Bacterial Food Search

Shashank Singh, Sabrina Mohd Rashid+5 more|arXiv (Cornell University)|Apr 11, 2016

Diffusion and Search Dynamics参考文献 6被引用 5

一句话总结

本文提出了一种生物上合理的分布式梯度下降（DGD）模型，解释了细菌群落如何在通信和计算资源极少的情况下高效定位食物源。通过将局部食物梯度感知与动态网络上的去中心化消息传递相结合，该模型在收敛速度和实验一致性方面优于以往基于微分方程的模型，在现实约束下表现出强鲁棒性。

ABSTRACT

Communication and coordination play a major role in the ability of bacterial cells to adapt to ever changing environments and conditions. Recent work has shown that such coordination underlies several aspects of bacterial responses including their ability to develop antibiotic resistance. Here we develop a new distributed gradient descent method that helps explain how bacterial cells collectively search for food in harsh environments using extremely limited communication and computational complexity. This method can also be used for computational tasks when agents are facing similarly restricted conditions. We formalize the communication and computation assumptions required for successful coordination and prove that the method we propose leads to convergence even when using a dynamically changing interaction network. The proposed method improves upon prior models suggested for bacterial foraging despite making fewer assumptions. Simulation studies and analysis of experimental data illustrate the ability of the method to explain and further predict several aspects of bacterial swarm food search.

研究动机与目标

• 开发一种受细菌觅食启发的分布式优化算法，其在通信和计算资源有限的生物现实约束下运行。
• 形式化成功实现细菌群落集体觅食所需的通信与计算假设。
• 证明所提方法在细胞间交互网络随时间动态变化的情况下仍能收敛。
• 通过减少对消息标识和连续消息集合等强假设的依赖，改进现有模型。
• 通过仿真与来自大肠杆菌在微流体环境中的实验数据对比，验证该模型。

提出的方法

• 该模型采用一种分布式梯度下降（DGD）的变体，其中每个细菌细胞基于自身的食物梯度感知，维护对食物源位置的局部信念。
• 细胞通过信号分子或物理相互作用交换信息，通过在动态变化的交互网络中对邻居消息进行平均来更新其信念。
• 该方法在数学上被表述为一种分布式伪梯度下降，尽管存在随机性，每个代理的期望移动方向仍为下降方向。
• 在关于消息交换和网络拓扑变化的合理假设下，证明了其收敛至局部最小值。
• 该算法设计为计算轻量化，仅需二值或低精度消息，且无需知晓发送方身份。
• 通过基于计算机的仿真和在含微柱障碍物的微流体装置中进行的大肠杆菌体外实验，对模型进行了验证。

实验结果

研究问题

• RQ1 细菌群落如何仅利用有限通信和极少计算资源，高效定位食物源？
• RQ2 成功实现细菌群落集体觅食所需的最低限度通信与计算假设是什么？
• RQ3 与现有基于微分方程的模型相比，分布式梯度下降框架能否更好地解释细菌群落行为的实验观测？
• RQ4 交互网络的动态拓扑如何影响集体觅食中的收敛性和性能？
• RQ5 在通信模型中，哪些组件（如吸引、排斥、对齐）对群落性能影响最大？

主要发现

• 所提出的DGD模型在现实假设下仍能收敛至局部最小值，即使交互网络随时间动态变化。
• 仿真结果表明，与以往基于微分方程的模型相比，DGD模型以更低的消息复杂度更快到达食物源。
• 通信模型中的吸引项对群落性能的影响最为显著，而其他项影响甚微。
• 在含微柱障碍物的微流体室中，大肠杆菌群落的实验数据与模型预测高度一致，尤其在到达食物源的时间方面。
• 该模型优于单细胞觅食和标准群落行为，证明了去中心化协调的优势。
• 通过在每个时间点使用总细胞数对实验数据进行归一化，实现了与固定种群规模仿真的有效比较，证实了该模型的预测能力。