黏菌模擬

模擬真核黏菌(Physarum)鋪設並追蹤路徑,交織出有機網絡圖樣。

Trailnonestrong
100%

Thousands of agents lay and follow chemical trails, weaving slime-mold networks. Hold the pointer over the canvas to drop food there, an event in time that Restart leaves out, and watch the swarm reach for it.

Setup
6000
220 × 220 cells

黏菌模擬 的使用體驗如何?

關於 黏菌模擬

模擬生物
多頭絨泡菌(Physarum polycephalum),單細胞黏菌
演算法模型
Jeff Jones 個體導向模型(2010):感測、轉向、前進、分泌
個體規模
1,000 至 20,000 個粒子
行為預設集
Classic、Fine veins、Thick highways、Cell foam、Long tendrils
互動操作
移動游標投放養分引導黏菌

適用於: 深夜放鬆

多頭絨泡菌(Physarum polycephalum)是一種單細胞真核生物,能生長出由黃色管狀通道構成的網絡來尋找養分。即便沒有神經系統,它卻能建構極具效率的網絡:2000 年中垣俊之團隊證實它能找出走通迷宮的最短路徑;2010 年手老篤史研究團隊亦發現,黏菌在燕麥片(依東京周邊城市分佈擺設)之間建立的網絡,與當地的鐵路系統高度吻合。

2010 年 Jeff Jones 提出了模擬該特性的個體導向模型(agent-based model)。數千個粒子利用前方的三個感測器探測化學濃度,轉向最強方向前進並沿路留下記號,軌跡則在每一步驟持續擴散與蒸發。在無統籌指揮的情況下,群體能自組織出不斷重組的分支脈絡與傳輸網絡。

本模擬支援 1,000 至 20,000 個微型個體。您可以套用 Classic、Fine veins、Thick highways、Cell foam 或 Long tendrils 等預設集,並微調 Sensor angle、Sensor distance、Turn angle、Evaporation、Speed 與 Contrast。在畫布上移動游標可投下食物引導網絡生長,最後可匯出高解析度 PNG。

如何使用 黏菌模擬

  1. 按下 Play. 觀察個體向外擴散,其軌跡逐漸融合交織成結構網絡。
  2. 選取行為模式. 嘗試切換 Classic、Fine veins、Thick highways、Cell foam 或 Long tendrils 等預設模式。
  3. 調整感測參數. Sensor angle(感測角度)與 Sensor distance(感測距離)決定視角寬度與探測距離;Turn angle(轉向角度)決定轉向幅度。
  4. 塑造網絡軌跡. 提高 Evaporation(蒸發率)可形成纖細易變的脈紋,降低蒸發率則會留下粗大持久的主幹。Contrast(對比度)調節軌跡的視覺明暗。
  5. 餵食互動. 在畫布上移動游標投放食物,整座網絡便會自發往游標位置延伸。
  6. 匯出成圖. 挑選喜愛的配色方案,在理想的圖案形態下暫停,並匯出為 PNG。

常見問題

黏菌是真菌嗎?

不是。雖然英文俗稱帶有 mold(黴菌),但多頭絨泡菌實際上屬於變形蟲界的原生生物:它是一個具多個細胞核的巨大單細胞個體,能緩慢爬行並攝食細菌與真菌孢子。實驗室中通常以燕麥片進行培養。

黏菌是如何解開迷宮的?

黏菌首先會蔓延覆蓋整座迷宮的所有通道,隨後強化流經食物端點之間流量較大的管道,並讓未使用的管道萎縮。最終保留下來的便是最短連結路徑,整個過程完全無需中央大腦控制。

此模擬的底層運作機制是什麼?

每個個體配備三個面向前、左前與右前的感測器。每個步驟它會轉向訊號最強的方向、往前移動並留下化學路徑。整張路徑圖隨後稍微擴散並蒸發,使高頻繁使用的路徑增強,廢棄的路徑逐漸消褪。

哪些設定對圖案形態影響最大?

感測角度與感測距離。較大角度搭配短距離會產生密集如泡沫的細胞網格;較窄角度搭配長距離則會形成綿長滑順的骨幹高速通道。蒸發率則決定網絡汰換舊路徑的快慢。

可以放著讓它整夜執行嗎?

可以。選擇 Fine veins 或 Cell foam,調低 Speed,開啟全螢幕並調低螢幕亮度。模擬運作時完全靜音,網絡只要維持運作便會不斷自組織重構。

指南

參考文獻

  1. Jones, J. (2010). Characteristics of pattern formation and evolution in approximations of Physarum transport networks. Artificial Life 16(2), 127–153.
  2. Nakagaki, T., Yamada, H., & Tóth, Á. (2000). Maze-solving by an amoeboid organism. Nature 407, 470.
  3. Tero, A., Takagi, S., Saigusa, T., Ito, K., et al. (2010). Rules for biologically inspired adaptive network design. Science 327(5964), 439–442.