사회적 계산이 개별 능력의 합보다 뛰어날 때

본 논문은 ‘사회적 계산(social computation)’이라는 넓은 개념을 정보 이론적 틀 안에서 구체화하고, 다중 에이전트가 확률적 소스를 탐색할 때 협조가 언제, 어떻게 개별 탐색자들의 단순 합보다 우수한 성능을 발휘하는지를 체계적으로 분석한다. 서론에서는 군집 행동, 시장 예측, 스웜 로보틱스 등에서 관찰되는 ‘집단 지능’ 현상을 소개하고, 이러한 현상이 단순히 개별 능력의 합산이 아니라 정보의 비선형 결합에 의해 발생한다는 가설을 제시한다. 문제 정의에서는 소스 위치 \(\Theta\) 를 숨은 변수로 두고, 각 탐색자 \(i\) 가 시간 \(t\) 에 측정하는 값 \(X_i(t)\) 를 확률 변수로 모델링한다. 측정 모델은 일반적인 베이즈 관측식 \(p(x_i|\theta)\) 로 표현되며, 소스가 방출하는 신호의 통계적 특성(예: 평균 함수 \(\mu(\mathbf{r})\), 공분산 구조 \(\Sigma\))에 따라 달라진다. 목표는 전체 사후 엔트로피 \(H(\Theta|X_1,\dots,X_N)\) 를 최소화하는 탐색 정책 \(\pi\) 를 찾는 것이다. 핵심 이론적 기여는 ‘시너지’와 ‘독립성’의 정보 이론적 정의이다. 다중 상호정보량 \(I(\Theta;X_1,\dots,X_N)\) 와 개별 상호정보량 \(I(\Theta;X_i)\) 의 차이를 시너지 지표 \(S\) 로 정의하고, \