---
title: "생태, 진화, 동물 행동 · 시뮬레이션 · 시뮬레이션 가설"
url: https://simulation-hypothesis.com/ko/simulations/ecology-behaviour
description: "개미 군체, 새 떼, 먹이 그물, 숲, 그리고 세대를 거치는 유전자. 사람들이 실제로 돌리는 시뮬레이션 분류의 일부예요."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, 시뮬레이션 가설(simulation-hypothesis.com)"
---

[시뮬레이션](https://simulation-hypothesis.com/ko/simulations)영역 18개 중 6번째

# 생태, 진화, 동물 행동

개미 군체, 새 떼, 먹이 그물, 숲, 그리고 세대를 거치는 유전자.

지역 규칙에 따라 행동하는 생물과, 그로부터 생겨나는 군집, 무리, 생태계예요. 행위자 기반 시뮬레이션은 주로 생태학에서 자라났어요. 무리나 개미 행렬은 어느 개체도 설계하지 않은 패턴의 대표적인 사례예요.

## 집단 행동

### 개미 군집의 먹이 찾기

개미 한 마리 한 마리가 지도자도 지도도 없이 페로몬 길을 남기고 따라가요.

답하는 질문: 길을 아는 개미가 하나도 없는데 군집은 어떻게 먹이까지 가는 가장 짧은 길을 찾을까요?

빠진 것: 실제 개미는 시각, 소리, 맛도 쓰는데, 대부분의 길 모델은 이를 무시해요.

돌아가는 곳: 약 10^11 FLOPS 대략 먹이를 찾는 개미 수천 마리를 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1990 Deneubourg와 동료들의 아르헨티나개미 길 형성 모델

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-ants)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 꿀벌 군집

먹이 찾는 벌, 돌보는 벌, 정찰하는 벌이 일을 나누고, 무리가 일종의 투표로 새 집을 골라요.

답하는 질문: 무리는 지도자 없이 어떻게 가장 좋은 둥지 자리를 고를까요?

빠진 것: 벌이 고정된 단순 규칙을 따른다고 가정하지만, 실제 벌은 제각각이고 틀리기도 해요.

돌아가는 곳: 약 10^11 FLOPS 대략 무리의 둥지 장소 선택을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 2003 패시노와 실리의 꿀벌 둥지 자리 선택 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

### 무리 짓기와 떼 짓기

새나 물고기가 분리, 이웃과의 정렬, 응집이라는 국소 규칙 세 가지로 방향을 잡아요.

답하는 질문: 수천 마리의 동물은 어떻게 하나처럼 함께 방향을 틀까요?

빠진 것: 실제 무리는 세 가지 단순한 규칙이 빠뜨린 포식자와 지형에 반응해요.

돌아가는 곳: 약 10^13 FLOPS 대략 조종되는 에이전트 수천 개를 시뮬레이션하는 게이밍 GPU 처음 등장: 1987 크레이그 레이놀즈의 보이드 무리 짓기 모델

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-flock)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 흰개미 둔덕 짓기

흰개미가 흙 알갱이를 떨어뜨리고 옮기는 일과, 그들이 지은 구조물 속을 흐르는 공기.

답하는 질문: 뇌가 아주 작은 곤충은 어떻게 환기되는 탑을 지을까요?

빠진 것: 실제 흰개미의 행동은 일부만 포착된 화학적, 구조적 단서에 달려 있어요.

돌아가는 곳: 약 10^12 FLOPS 대략 알갱이를 떨어뜨리는 흰개미와 공기 흐름을 시뮬레이션하는 대학 클러스터 처음 등장: 1999 보나보와 테롤라즈의 흰개미 집 짓기 스티그머지 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 몸

### 점균류 응집

자유 생활 아메바가 화학 신호를 내보내고 따라가, 먹이가 떨어지면 하나의 민달팽이 같은 몸으로 모여들어요.

답하는 질문: 신경계가 없는 독립된 세포들은 어떻게 하나의 몸이 되기로 합의할까요?

빠진 것: 실험실 조건은 실제 생물이 사는 토양보다 훨씬 깨끗해요.

돌아가는 곳: 약 10^12 FLOPS 대략 주화성 응집 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1970 켈러와 시걸의 점균 주화성 집합 모델

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 세포

### 세균 떼짓기와 정족수 감지

수백만 마리의 세균이 서로의 화학 신호를 감지하고, 함께 표면을 가로지르며 무리 짓거나 빛을 내는 것 같은 협동 행동으로 전환해요.

답하는 질문: 세균 집단은 행동을 함께할 만큼 수가 충분하다는 것을 어떻게 알까요?

빠진 것: 접시에서 키운 실험실 균주는 실제의 혼합 미생물 군집보다 더 균일하게 행동해요.

돌아가는 곳: 약 10^12 FLOPS 대략 에이전트 기반 군집 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1994 세균 행동을 조율하는 정족수 감지 회로의 초기 시뮬레이션

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 세포

### 메뚜기 행진 무리

밀도가 높아지면 곤충 한 마리 한 마리가 이웃과 방향을 맞추고, 무리가 같은 방향으로 함께 행진하기 시작해요.

답하는 질문: 메뚜기는 밀도가 얼마일 때 무작위로 떠돌다가 행진으로 바뀔까?

빠진 것: 서식지 구조와 먹이는 포함되어 있지 않고, 실제 무리에는 비행이 관여해요.

돌아가는 곳: 약 10^7 FLOPS 대략 워크스테이션에서 하는 자기 추진 입자 시뮬레이션. 처음 등장: 2006 Buhl과 동료들, 행진하는 메뚜기의 무질서에서 질서로. [출처](https://doi.org/10.1126/science.1125142)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[입자와 N체](https://simulation-hypothesis.com/ko/simulations/methods#m-particles)해상도: 개체군

## 개별 동물

### 이동과 먹이 찾기

동물이 경관에서 먹이를 찾는 모습을 무작위 걸음과 의사 결정 규칙으로 모델링해요.

답하는 질문: 이 동물은 효율적으로 찾고 있을까요, 그리고 먹이가 어디 있는지에 대해 무엇을 알고 있을까요?

빠진 것: 걸음 통계를 맞췄다고 해서 동물이 실제로 무엇을 감지하는지가 확립되지는 않아요.

돌아가는 곳: 약 10^11 FLOPS 대략 무작위 보행 채집 모델을 맞추는 데스크톱 워크스테이션 처음 등장: 1996 비스와나탄과 동료들의 알바트로스 먹이 찾기에 대한 레비 비행 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

### 이동과 항법

새, 거북, 고래가 해, 별, 냄새, 자기장을 이용해 수천 킬로미터를 이동해요.

답하는 질문: 어떤 단서가 태어난 첫해의 어린 새를 올바른 대륙으로 데려갈 수 있을까?

빠진 것: 실제 동물이 어떤 단서에 의지하고 그것을 어떻게 결합하는지는 여전히 논쟁 중이에요.

돌아가는 곳: 약 10^11 FLOPS 대략 단서 기반 새 길찾기를 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1996 새 길찾기에서 자기와 천체 단서 사용의 초기 시뮬레이션

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 동물의 이동

헤엄치는 물고기, 나는 곤충, 달리는 동물이 유체나 땅의 반작용을 받아요.

답하는 질문: 뒤영벌은 어떻게 날고, 물고기는 왜 대형을 지어 헤엄칠까요?

빠진 것: 단순화된 날개와 몸 모양은 실제 동물의 표면이 주는 세부를 놓쳐요.

돌아가는 곳: 약 10^14 FLOPS 대략 유체와 몸의 비행이나 수영 시뮬레이션을 돌리는 대학 클러스터 처음 등장: 1994 곤충 비행의 초기 유체 동역학 모델

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 장

### 행동의 진화

싸우기, 나누기, 속이기 같은 전략이 여러 세대에 걸쳐 서로 맞붙어요.

답하는 질문: 동물은 왜 피가 섞이지 않은 이웃을 돕는 걸까?

빠진 것: 전략은 모델러가 고른 목록에서 나오고, 가능한 행동 전체에서 나오지 않아요.

돌아가는 곳: 약 10^11 FLOPS 대략 진화 게임 토너먼트를 돌리는 데스크톱 워크스테이션 처음 등장: 1981 액설로드와 해밀턴의 협력 전략 진화 시뮬레이션

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 몸

### 새소리와 발성 학습 모델

어린 새의 뇌 회로가 스승의 노래를 따라 하는 과정으로, 자신의 옹알이를 외운 본과 비교하는 감각운동 고리로 모델링해요.

답하는 질문: 어린 새는 옹알이를 어떻게 어른 새 노래의 정확한 복사본으로 바꿀까요?

빠진 것: 명금류를 설명하려고 만든 모델이 다른 동물의 발성에도 그대로 적용된다고는 할 수 없어요.

돌아가는 곳: 약 10^12 FLOPS 대략 감각운동 학습 모델을 훈련하는 데스크톱 워크스테이션 처음 등장: 2002 금화조의 노래 학습에 대한 초기 계산 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[학습된 에뮬레이터](https://simulation-hypothesis.com/ko/simulations/methods#m-learned)해상도: 규칙

### 동적 에너지 예산 모델링

한 동물의 일생에 걸친 전체 에너지 수지를 따라가요. 무엇을 먹는지, 그리고 그것이 생존, 성장, 번식 사이에서 어떻게 나뉘는지 봐요.

답하는 질문: 이 동물은 주어진 먹이와 온도에서 어떻게 자라고 번식할까요?

빠진 것: 보편적인 매개변수 몇 개로는 모든 종의 구체적인 특징을 담을 수 없어요.

돌아가는 곳: 약 10^10 FLOPS 대략 작은 에너지 흐름 방정식 묶음을 푸는 데스크톱 워크스테이션 처음 등장: 1986 쿠이만의 개별 생물을 위한 동적 에너지 수지 이론

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 몸

## 개체군과 생태계

### 포식자-피식자 동역학

사냥하는 쪽과 사냥당하는 쪽의 수가 이어진 주기로 오르내려요. 로트카-볼테라 방정식과 그 후손들이에요.

답하는 질문: 스라소니와 산토끼의 개체 수는 왜 주기적으로 오르내릴까?

빠진 것: 실제 개체군에는 모델이 무시하는 연령 구조, 공간, 여러 먹이가 있어요.

돌아가는 곳: 약 10^9 FLOPS 대략 로트카-볼테라 방정식을 푸는 노트북 처음 등장: 1925 로트카와 볼테라의 포식자-피식자 방정식

[상호작용 모델 실행하기](https://simulation-hypothesis.com/ko/simulations/run#toy-wator)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 먹이그물

생태계 전체에서 누가 누구를 먹는지, 그리고 에너지가 그 속을 어떻게 흐르는지.

답하는 질문: 한 종이 사라지면 시스템의 나머지는 어떻게 될까?

빠진 것: 실제 먹이 연결은 모델 네트워크가 가정하는 것보다 측정하기 어려워요.

돌아가는 곳: 약 10^10 FLOPS 대략 모델 먹이그물의 안정성을 분석하는 데스크톱 워크스테이션 처음 등장: 1972 로버트 메이의 모델 먹이 그물 안정성 분석

[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 숲 동역학

나무 한 그루 한 그루가 싹을 틔우고, 빛을 두고 경쟁하고, 수 세기에 걸쳐 죽어 가요.

답하는 질문: 이 숲은 이백 년 뒤에 어떤 모습일까?

빠진 것: 나무 종이 변하는 기후에 어떻게 반응할지는 여전히 보정하기 어려워요.

돌아가는 곳: 약 10^13 FLOPS 대략 개별 나무를 수 세기 동안 추적하는 대학 클러스터 처음 등장: 1970 Botkin, Janak, Wallis의 숲 천이 JABOWA 틈 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 몸

### 수산과 야생동물 관리

어획되는 어류나 동물 자원을 출생, 성장, 불확실성과 함께 다뤄요.

답하는 질문: 개체군이 무너지지 않으려면 해마다 몇 마리까지 잡을 수 있을까요?

빠진 것: 자원 평가는 누락됐거나 잘못 보고됐을 수 있는 어획 자료에 의존해요.

돌아가는 곳: 약 10^11 FLOPS 대략 자원량 평가 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1957 베버턴과 홀트의 어획되는 어류 개체군 동적 모델

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 종의 분포 범위

종이 어디서 살 수 있는지, 기후가 변하면 분포 범위가 어떻게 옮겨 가는지.

답하는 질문: 이 종은 오십 년 뒤 어디에서 살아남을 수 있을까?

빠진 것: 기후가 분포 범위의 주된 한계라고 가정해서 경쟁과 확산을 과소평가해요.

돌아가는 곳: 약 10^11 FLOPS 대략 생물기후 범위 모델을 맞추는 데스크톱 워크스테이션 처음 등장: 1986 종의 분포를 예측하는 초기 생물기후 범위 모델

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 야생동물 질병

감염이 동물 개체군 사이를 오가다가 때로는 사람에게로 넘어와요.

답하는 질문: 이 질병이 개체군을 쓸어버릴 수 있을까요, 그리고 백신 미끼가 이를 막을 수 있을까요?

빠진 것: 야생 동물 사이의 접촉률은 직접 관찰하기 어려워요.

돌아가는 곳: 약 10^12 FLOPS 대략 야생 개체군을 통한 질병 확산을 시뮬레이션하는 대학 클러스터 처음 등장: 1991 여우 개체군을 통한 광견병 확산의 초기 시뮬레이션 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 몸

### 일반 생태계 모델

플랑크톤부터 큰 동물까지 모든 생물 유형이 전 지구에서 같은 규칙에 따라 먹고, 자라고, 번식하고, 퍼지는 기작 모델.

답하는 질문: 생태계 구조의 전 지구적 패턴이 개별 생물의 규칙에서 나타날 수 있을까요?

빠진 것: 개별 종은 따라가지 않고 기능 집단만 다뤄요.

돌아가는 곳: 약 10^14 FLOPS 대략 시뮬레이션한 여러 해에 걸친 코호트 기반 전 지구 실행 처음 등장: 2014 Emergent global patterns of ecosystem structure and function from a mechanistic general ecosystem model (2014) [출처](https://doi.org/10.1371/journal.pbio.1001841)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 메타개체군 동역학

한 종이 경관의 여러 서식지 조각에 살며 일부에서는 멸종하고 다른 곳에는 다시 정착하는데, 전체가 유지되는지 모델이 물어요.

답하는 질문: 파편화된 지형에서 한 종이 살아남을까?

빠진 것: 확산은 단순한 핵으로 표현되고 지역 서식지 질은 고정돼 있어요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북으로 하는 패치 점유 시뮬레이션. 처음 등장: 1994 Hanski, a practical model of metapopulation dynamics. [출처](https://doi.org/10.2307/5591)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 개체 기반 생태 모델

식물이나 동물 하나하나를 각자의 상태로 따로 나타내, 개체군의 양상이 수많은 개별 삶에서 나타나요.

답하는 질문: 개체들의 상호작용에서는 어떤 개체군 패턴이 생겨날까?

빠진 것: 개인마다의 매개변수를 측정하기 어렵고 검증도 어려워요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션에서 한 경관의 개체 기반 시뮬레이션. 처음 등장: 1988 Huston, DeAngelis and Post, new computer models unify ecological theory. [출처](https://doi.org/10.2307/1310870)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 산호초 복원력 모델

산호, 조류, 풀을 뜯는 물고기가 성장, 섭식, 교란을 거치며 초에서 경쟁하고, 모델은 초가 산호에서 조류로 뒤집힐 수 있는지 물어요.

답하는 질문: 산호초가 조류로 기울지 않으려면 얼마나 뜯어 먹어야 할까요?

빠진 것: 유생 공급과 온난화의 영향은 단순화된 방식으로 모델링해요.

돌아가는 곳: 약 10^8 FLOPS 대략 워크스테이션으로 돌리는 공간 산호초 시뮬레이션. 처음 등장: 2007 Mumby, Hastings and Edwards, thresholds and the resilience of Caribbean coral reefs. [출처](https://doi.org/10.1038/nature06252)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

### 공간 숙주-기생벌 및 해충 격자 모델

숙주와 기생봉이 격자 위에서 국지적으로 움직이며 살고, 복잡한 나선과 혼돈 무늬가 나타나서 원래라면 불안정했을 상호작용을 안정시켜요.

답하는 질문: 공간이 포식자와 먹이가 그렇지 않으면 공존하지 못할 때 공존하게 할 수 있을까요?

빠진 것: 실제 경관은 균일한 격자가 아니에요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북에서 결합 사상 격자. 처음 등장: 1991 Hassell, Comins and May, spatial structure and chaos in insect population dynamics. [출처](https://doi.org/10.1038/353255a0)

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[격자 장 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-lattice)해상도: 개체군

### 수산 관리 전략 평가

시뮬레이션된 어류 자원과 어업을 여러 어획 규칙 아래 돌리며, 잡음 섞인 데이터와 불확실성을 각 규칙에 되먹임해, 오차가 있어도 통하는 규칙을 찾아요.

답하는 질문: 자원의 크기를 모를 때 어떤 어획 규칙이 그것을 건강하게 지켜 줄까?

빠진 것: 운영 모델은 어족 생물학과 어민에 대한 가정에 기대는데, 그 가정이 틀렸을 수 있어요.

돌아가는 곳: 약 10^9 FLOPS 대략 클러스터에서 수천 번의 시뮬레이션 관리 전망. 처음 등장: 1999 Butterworth와 Punt, 관리 절차를 평가하고 시행한 경험. [출처](https://doi.org/10.1006/jmsc.1999.0532)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 영양 단계 질량 균형 생태계 모델

해양 먹이그물을 집단 사이 생물량의 균형 잡힌 흐름으로 나타내고, 시간에 따라 돌려 어업이나 포식자 변화의 효과를 봐요.

답하는 질문: 한 종을 더 많이 잡으면 생태계 전체는 어떻게 될까?

빠진 것: 집단이 뭉뚱그려져 있고 식단 데이터도 듬성듬성해요.

돌아가는 곳: 약 10^7 FLOPS 대략 노트북으로 균형과 시간 동역학 실행. 처음 등장: 1997 Walters, Christensen and Pauly, structuring dynamic models of exploited ecosystems from trophic mass-balance assessments. [출처](https://doi.org/10.1023/a:1018479526149)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 플랑크톤 생태계 모델

바다 표층의 영양염, 식물 플랑크톤, 동물 플랑크톤, 부유물이 성장, 포식, 침강으로 이어져 있어요.

답하는 질문: 플랑크톤 생산은 빛, 영양염, 혼합에 어떻게 반응할까요?

빠진 것: 많은 종이 몇 개의 집단으로 뭉뚱그려져 있고, 매개변수는 지역마다 달라요.

돌아가는 곳: 약 10^10 FLOPS 대략 클러스터에서 해양 순환 모델에 결합. 처음 등장: 1990 Fasham, Ducklow, McKelvie, 대양 혼합층 플랑크톤 동역학의 질소 기반 모델. [출처](https://doi.org/10.1357/002224090784984678)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 호수 부영양화 모델

얕은 호수의 영양염, 조류, 식물, 물고기를 모델링해서, 맑은 물이 언제 탁해지는지와 어떻게 복원할 수 있는지를 따져 봐요.

답하는 질문: 호수는 탁해지기 전까지 영양염을 얼마나 받을 수 있고, 복원하면 되돌릴 수 있을까요?

빠진 것: 호수마다 자체 보정이 필요하고 퇴적물 동역학은 불확실해요.

돌아가는 곳: 약 10^7 FLOPS 대략 노트북으로 하는 상미분 방정식. 처음 등장: 1995 Janse and Van Liere, PCLake, a modelling tool for evaluating lake restoration scenarios. [출처](https://doi.org/10.2166/wst.1995.0332)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 해양 유생 분산과 연결성

가상의 유생을 산호초에서 풀어 모델링한 해류에 실려 가게 해서, 어느 개체군이 어느 개체군에 공급하는지 지도를 만들어요.

답하는 질문: 어느 산호초가 어느 산호초에 유생을 보내 주고, 보호 구역은 얼마나 커야 할까?

빠진 것: 유생의 행동과 사망률은 제대로 관찰되지 않았어요.

돌아가는 곳: 약 10^12 FLOPS 대략 클러스터에서 해양 모델 출력 속 입자 추적. 처음 등장: 2006 Cowen과 동료들, 해양 개체군 연결성의 규모 변화. [출처](https://doi.org/10.1126/science.1122039)

[입자와 N체](https://simulation-hypothesis.com/ko/simulations/methods#m-particles)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 꿀벌 군집과 경관 모델

꿀벌 군집 전체의 유충, 일벌, 저장량을 하루씩 시뮬레이션하고, 일벌이 경관의 꽃에서 먹이를 얻으며 진드기, 농약, 날씨를 마주해요.

답하는 질문: 이 군집은 이 지형에서 겨울을 날 수 있을까?

빠진 것: 지형의 꽃 공급과 벌의 결정은 단순화했고, 여왕벌의 실패와 질병은 거칠게만 넣었어요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북으로 군집-년당 몇 분. 처음 등장: 2014 베허와 동료들의 꿀벌 군집 역학과 먹이 찾기 BEEHAVE 모델. [출처](https://doi.org/10.1111/1365-2664.12222)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 경관 전체의 수분 서비스

야생 벌의 둥지 터와 꽃 자원을 지형 전체에 걸쳐 지도로 그리고, 작물 밭마다 찾아오는 꽃가루 매개자의 수를 추정해 줘요.

답하는 질문: 주변 서식지는 작물 수분을 얼마나 해 주고, 그것을 없애면 어떻게 될까요?

빠진 것: 벌의 먹이 찾기는 둥지로부터의 거리 감쇠로 줄여 놓았고, 벌의 수는 실제 작물 수확량에 대한 약한 지표예요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북으로 지역당 몇 초에서 몇 분. 처음 등장: 2009 Lonsdorf and colleagues' model of pollination services across agricultural landscapes. [출처](https://doi.org/10.1093/aob/mcp069)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[규칙과 상태](https://simulation-hypothesis.com/ko/simulations/methods#m-rules)해상도: 장

### 바람에 의한 씨앗·꽃가루 확산 모델

난류 속으로 풀려난 씨앗과 꽃가루가 바람에 실려 무작위로 떨어져, 어디에 내려앉는지의 분포를 쌓아 가요.

답하는 질문: 식물의 씨앗은 얼마나 멀리 가고, 얼마나 빠르게 퍼질 수 있을까요?

빠진 것: 드문 장거리 도약이 확산에는 가장 중요하지만 측정하기 가장 어려워서, 분포의 꼬리는 잘 알려져 있지 않아요.

돌아가는 곳: 약 10^8 FLOPS 대략 노트북으로 몇 분. 처음 등장: 1989 Okubo and Levin's theoretical framework for data analysis of wind dispersal of seeds and pollen. [출처](https://doi.org/10.2307/1937537)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)해상도: 장

### 단기 생태 예측

생태계 모델을 며칠에서 몇 해 앞으로 돌리고, 일기 예보처럼 새 관측이 올 때마다 갱신해요.

답하는 질문: 호수, 숲, 어장의 상태를 솔직한 오차 막대와 함께 다음 시즌에 예보할 수 있을까요?

빠진 것: 생태 데이터는 기상 데이터에 비해 드물고 과정도 덜 알려져서, 예측이 단순한 기준선을 간신히 앞서는 경우가 많아요.

돌아가는 곳: 약 10^12 FLOPS 대략 클러스터에서 계속 갱신하는 수천 번의 실행 앙상블. 처음 등장: 2018 Dietze와 동료들의 반복적 근미래 생태 예측 틀. [출처](https://doi.org/10.1073/pnas.1710231115)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 크기 스펙트럼 생태계 모델

생태계의 모든 생물을 몸 크기별로 묶어, 먹고 먹히며 작은 쪽에서 큰 쪽으로 에너지가 이동하고, 성장과 사망은 크기만으로 정해요.

답하는 질문: 어획 압력은 바다의 작은 물고기와 큰 물고기의 균형을 어떻게 바꿀까요?

빠진 것: 종의 정체성은 무시해서, 크기는 같지만 먹이가 다른 포식자도 같은 것으로 다뤄요.

돌아가는 곳: 약 10^9 FLOPS 대략 워크스테이션으로 몇 분에서 몇 시간. 처음 등장: 1978 Silvert and Platt's time-dependent equation for energy flux through the pelagic ecosystem by size. [출처](https://doi.org/10.4319/lo.1978.23.4.0813)

[연속체 장](https://simulation-hypothesis.com/ko/simulations/methods#m-continuum)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[시스템 다이내믹스](https://simulation-hypothesis.com/ko/simulations/methods#m-system-dynamics)해상도: 개체군

### 중립 군집 모델

출생, 사망, 분산에서 모두 똑같다고 보는 종의 군집으로, 어떤 종이 흔해질지는 오직 우연과 이주만이 정해요.

답하는 질문: 종의 풍부도 패턴 가운데 종 사이에 아무 차이도 필요 없는 부분은 얼마나 될까요?

빠진 것: 실제 종은 분명히 서로 다르므로, 이 모델은 어느 한 군집의 기술이 아니라 귀무 기준선으로 작동해요.

돌아가는 곳: 약 10^9 FLOPS 대략 노트북으로 몇 분. 처음 등장: 1976 Caswell의 군집 구조에 대한 중립 모델 분석. [출처](https://doi.org/10.2307/1942257)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

## 진화

### 집단유전학

유전자 변이가 세대를 거치며 부동을 겪고, 새로 생기고, 선택돼요.

답하는 질문: 우리가 보는 변이 가운데 우연은 얼마이고 선택은 얼마일까요?

빠진 것: 실제 개체군은 무작위 교배와 일정한 크기라는 단순화 가정을 어겨요.

돌아가는 곳: 약 10^12 FLOPS 대략 게놈 전반의 부동과 선택을 시뮬레이션하는 대학 클러스터 처음 등장: 1964 중립 이론 아래 유전적 부동의 초기 컴퓨터 시뮬레이션

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 합체와 계통 시뮬레이션

유전자나 종의 가계도를 시간을 거슬러 시뮬레이션해, 실제 DNA를 읽는 방법을 시험해요.

답하는 질문: 이 방법이 DNA에서 진짜 역사를 되찾아 낼 수 있을까요?

빠진 것: 단순한 인구 역사를 가정하고, 실제 인구 구성은 더 복잡해요.

돌아가는 곳: 약 10^11 FLOPS 대략 유전자 계통수를 시간을 거슬러 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1983 허드슨의 집단유전학용 초기 합체 시뮬레이션 소프트웨어

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 개체군

### 생명의 기원

단순한 화학 물질이 스스로 복제하고 경쟁하는 네트워크를 이뤄요.

답하는 질문: 화학은 어떻게 생물학의 선을 넘을 수 있었을까요?

빠진 것: 아직 어떤 시뮬레이션도 살아 있다고 할 만한 것을 만들어 내지 못했어요.

돌아가는 곳: 약 10^12 FLOPS 대략 자기 복제하는 화학 네트워크를 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1971 Eigen과 Schuster의 자기 복제 화학 하이퍼사이클 모델

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 분자

### 숙주-기생자 공진화

숙주는 방어 수단을 키우고 기생자는 이를 피할 방법을 진화시키며, 세대마다 시뮬레이션된 개체군이 서로에게 반응하는 모델 속 군비 경쟁이에요. 정해진 승자는 없어요.

답하는 질문: 숙주와 기생충의 군비 경쟁은 균형에 이를까요, 아니면 어느 쪽도 지속적인 우위를 얻지 못한 채 끝없이 이어질까요?

빠진 것: 실제 숙주와 기생자는 환경 속 다른 모든 것과 동시에 공진화해요.

돌아가는 곳: 약 10^11 FLOPS 대략 여러 세대에 걸친 공진화 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1990 공진화의 붉은 여왕 가설을 시험한 초기 시뮬레이션

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 종 분화와 대진화 모델

계통이 갈라지고, 이어지고, 멸종하는 과정을 수백만 년의 시뮬레이션 시간에 걸쳐 보며, 단순한 규칙이 어떤 다양성 패턴과 계통수 모양을 낳는지 시험해요.

답하는 질문: 우리가 보는 종의 패턴이 계통의 단순한 탄생과 소멸만으로 나올 수 있었을까요?

빠진 것: 화석과 유전 기록은 군데군데 비어 있어서, 같은 패턴에 여러 규칙이 맞을 수 있어요.

돌아가는 곳: 약 10^10 FLOPS 대략 출생-사망 분기 과정을 시뮬레이션하는 데스크톱 워크스테이션 처음 등장: 1969 진화 계통수를 연구하는 데 쓰인 다양화의 초기 출생-사망 모델

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 성선택과 짝 선택 진화

장식과 그에 대한 선호가 함께 진화하는 시뮬레이션 집단으로, 암컷의 선택만으로 극단까지 폭주할 수 있는지 시험해요.

답하는 질문: 짝 선택만으로 형질이 사치스럽고 비싼 극단까지 갈 수 있을까요?

빠진 것: 선호와 형질이 단순히 유전된다고 가정하는데, 이는 대부분의 실제 짝 선택보다 단순해요.

돌아가는 곳: 약 10^10 FLOPS 대략 연관된 형질들의 유전 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1981 랜데의 폭주 성선택 집단유전학 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 공진화의 적응 동역학

작은 효과의 돌연변이로 형질이 진화하며 현재 집단과 겨뤄 시험받아, 진화적으로 안정한 상태에 이르거나 가지로 갈라져요.

답하는 질문: 진화는 어디에 자리를 잡고, 계통은 언제 갈라질까?

빠진 것: 드문 돌연변이와 단순한 형질 공간을 가정해요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 분석과 시뮬레이션. 처음 등장: 1996 Dieckmann과 Law, 확률적 생태 과정에서 유도한 공진화의 동역학 이론. [출처](https://doi.org/10.1007/bf02409751)

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 규칙

### 유전자 드라이브 개체군 모델

보통의 유전보다 빨리 퍼지는 유전 요소를 모델링한 개체군에 풀어, 해충 종을 억제하거나 바꿀 수 있는지 물어요.

답하는 질문: 유전자 드라이브는 야생 개체군 속으로 퍼질까, 그리고 내성이 그것을 막을 수 있을까?

빠진 것: 방출 전에는 실제의 확산과 내성의 진화가 잘 알려져 있지 않아요.

돌아가는 곳: 약 10^8 FLOPS 대략 워크스테이션으로 돌리는 유전학 포함 공간 개체군 시뮬레이션. 처음 등장: 2003 Burt, 자연 개체군의 통제와 유전 공학을 위한 도구로서의 부위 특이적 이기적 유전자. [출처](https://doi.org/10.1098/rspb.2002.2319)

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)해상도: 개체군

### 순방향 시간 게놈 시뮬레이션

모든 개체와 그 게놈을 세대에 걸쳐 따라가며, 선택, 연관, 다양한 인구 구성을 넣어 실제 DNA 패턴이 어떻게 생기는지 봐요.

답하는 질문: 선택과 집단의 역사는 한 종의 게놈에 무엇을 남길까?

빠진 것: 실행이 가능하도록 개체군 크기를 줄였는데, 그러면 선택과 부동의 균형이 왜곡돼요.

돌아가는 곳: 약 10^14 FLOPS 대략 많은 세대에 걸친 큰 개체군에 클러스터로 며칠. 처음 등장: 2013 Messer의 SLiM, 선택과 연관을 다루는 순방향 시간 진화 시뮬레이터 [출처](https://doi.org/10.1534/genetics.113.152181)

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)해상도: 개체군

### 동물의 경쟁 전략

자원을 두고 무작위로 맞붙는 개체들이 정해진 전략 중에서 고르고, 그 비율은 어떤 돌연변이도 더 낫게 만들 수 없는 지점에서 안정돼요.

답하는 질문: 다른 이들의 행동을 고려할 때, 싸우는 것과 물러서는 것 중 어느 쪽이 더 나은 방침일까?

빠진 것: 동물을 학습, 기억, 개체 차이가 없는 짧은 전략 목록으로 줄여요.

돌아가는 곳: 약 10^6 FLOPS 대략 노트북으로 몇 초. 처음 등장: 1973 Maynard Smith and Price's 'The logic of animal conflict'. [출처](https://doi.org/10.1038/246015a0)

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)[진화적](https://simulation-hypothesis.com/ko/simulations/methods#m-evolutionary)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

## 보전과 보호구역 설계

### 개체군 존속 가능성 분석

위협받는 작은 개체군의 출생, 사망, 재난을 여러 번 앞으로 굴려, 살아남을 확률과 얼마나 오래 사는지 추정해요.

답하는 질문: 이 개체군이 앞으로 100년 안에 멸종할 가능성은 얼마나 될까요?

빠진 것: 희귀종은 표본이 작아서 입력 수치 자체가 매우 불확실해요.

돌아가는 곳: 약 10^10 FLOPS 대략 확률적 궤적 수천 개를 돌리는 데스크톱 워크스테이션 처음 등장: 1980 멸종 위기종의 멸종 위험을 추정한 초기 확률 모델

[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)해상도: 개체군

### 보호 구역과 생태 통로 설계

후보 지점과 그 사이 연결을 비용과 지킬 종에 따라 점수 매기고, 가장 많은 것을 덮는 가장 작은 보호구역 네트워크를 찾아요.

답하는 질문: 어떤 땅 구획의 조합이 가장 적은 비용으로 가장 많은 종을 지킬까?

빠진 것: 존재하는 종 데이터에 맞춰 최적화하는데, 그것은 실제로 거기 사는 생물의 작은 일부예요.

돌아가는 곳: 약 10^10 FLOPS 대략 보호구역 선정 최적화를 푸는 데스크톱 워크스테이션 처음 등장: 1988 보전 계획을 위한 초기 체계적 보호구역 선정 알고리즘

[몬테카를로](https://simulation-hypothesis.com/ko/simulations/methods#m-monte-carlo)[네트워크 모델](https://simulation-hypothesis.com/ko/simulations/methods#m-network)해상도: 개체군

### 재도입과 이주 계획

작은 창시자 집단을 새로운 서식지나 예전 서식지에 풀어 놓고, 그 지역의 수용력과 창시자의 유전을 바탕으로 정착하는지 앞으로 따라가요.

답하는 질문: 이 동물들을 여기 풀어 주면 정말로 오래가는 개체군이 자리 잡을까?

빠진 것: 방사 지점의 서식지 질과 질병 위험은 측정하기보다 대략 추정하는 경우가 많아요.

돌아가는 곳: 약 10^10 FLOPS 대략 창시자 집단 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1990 대형 포유류의 재도입을 계획하는 데 쓰인 초기 시뮬레이션 모델

[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)[확률 과정](https://simulation-hypothesis.com/ko/simulations/methods#m-stochastic)해상도: 몸

### 침입종 확산

외래종이 경관 위로 칸 단위로 퍼지는 모습과, 장벽, 개체 수 조절, 생물학적 방제가 얼마나 멀리 가는지에 미치는 효과.

답하는 질문: 이 침입종은 얼마나 빨리 퍼지고, 방제는 어디부터 시작해야 할까요?

빠진 것: 새로운 침입종은 과거의 어떤 침입도 모델에 대비시켜 주지 못한 방식으로 퍼지는 경우가 많아요.

돌아가는 곳: 약 10^10 FLOPS 대략 경관 확산 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1951 스켈럼의 퍼지는 개체군 확산 모델

[세포 자동자](https://simulation-hypothesis.com/ko/simulations/methods#m-cellular-automata)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

### 밀렵과 밀렵 방지 순찰 게임

레인저와 밀렵꾼이 보호 구역 지도 위에서 되풀이되는 게임의 플레이어가 되어, 어디에나 있을 수 없을 때 순찰이 어디로 가야 하는지 정하는 데 써요.

답하는 질문: 한정된 순찰대는 전략적인 밀렵꾼을 상대로 가장 큰 효과를 내려면 어디를 순찰해야 할까?

빠진 것: 합리적이고 참을성 있는 밀렵꾼을 가정하지만, 상당수는 기회를 노린 범행이에요.

돌아가는 곳: 약 10^10 FLOPS 대략 순찰 지도 위의 보안 게임을 푸는 데스크톱 워크스테이션 처음 등장: 2014 야생동물 순찰대 일정에 적용한 초기 보안 게임 모델

[게임 이론](https://simulation-hypothesis.com/ko/simulations/methods#m-game-theory)해상도: 규칙

### 재야생화와 영양 단계 연쇄 모델링

먹이그물에 포식자나 다른 핵심종을 다시 넣어, 먹이 생물, 식생, 심지어 강에 미치는 연쇄 효과를 따라가요.

답하는 질문: 이 종을 되살리면 생태계의 나머지는 어떻게 될까?

빠진 것: 유명한 연쇄 사태들은 펼쳐지는 데 수십 년이 걸렸고, 예측하기보다 사후에 모델링하기가 더 쉬워요.

돌아가는 곳: 약 10^10 FLOPS 대략 여러 종의 먹이그물 모델을 돌리는 데스크톱 워크스테이션 처음 등장: 1995 옐로스톤에 늑대가 다시 들어왔고, 훗날 그 연쇄 효과를 모델링했어요.

[미분 방정식](https://simulation-hypothesis.com/ko/simulations/methods#m-equations)[행위자 기반](https://simulation-hypothesis.com/ko/simulations/methods#m-agent-based)해상도: 개체군

[◂ 생명과 의학](https://simulation-hypothesis.com/ko/simulations/life-medicine)[농업과 식량 ▸](https://simulation-hypothesis.com/ko/simulations/agriculture-food)