Die Bedeutung des Diskreten: Warum das Leben auf der Fläche immer gewinnt

Stellen Sie sich eine Population vor, die in einer spärlich besetzten Umgebung zu leben versucht. Die Individuen sterben von selbst, können sich aber vermehren, sobald sie einem der zufällig umherwandernden „Katalysatoren“ begegnen. Die Katalysatoren sind so selten, dass die Durchschnittsrechnung eindeutig ist: Die Geburten gleichen die Todesfälle nicht aus, die Population stirbt aus.

Die Gleichung hinter dieser Rechnung ist ein Standardwerkzeug von der Chemie und Biologie bis zur Ökonomie. Im Jahr 2000 zeigten Shnerb, Louzoun, Bettelheim und Solomon, dass sich die Gleichung in diesem Fall irrt: Auf einer zweidimensionalen Fläche stirbt die Population nicht aus, sie wächst. Ihr Titel sagte es bereits: die Bedeutung des Diskreten – auf der Fläche gewinnt das Leben immer.

Unsterbliche Katalysatoren, sterbliche Agenten

Das Modell kennt zwei Arten. Art A sind unsterbliche Katalysatoren: Sie wandern zufällig umher und tun sonst nichts. Art B sind sterbliche Agenten, die drei Regeln folgen:

Sie sterben spontan mit der Rate μ;
sie vermehren sich mit der Rate λ, wenn ein A auf demselben Platz sitzt (B + A → B + B + A);
auch sie wandern zufällig umher.

Die Bs beeinflussen einander nicht, und die As kümmern sich nicht um die Bs. So karg ist das Modell.

Was der Durchschnitt vorhersagt

Der klassische Ansatz zählt die Bs nicht einzeln, sondern behandelt sie als kontinuierliche Dichte und stellt eine Reaktions-Diffusions-Gleichung auf. Sind die As gleichmäßig verteilt und die Bs zu Beginn ebenfalls, reduziert sich die Gleichung auf eine einfache Exponentialfunktion:

n_B(t) = n_B(0) · e^{(λ⟨n_A⟩ − μ) t}

Alles hängt an einer einzigen Zahl: r = λ⟨n_A⟩ − μ. Reicht die mittlere Dichte der Katalysatoren, um die Geburten über die Todesfälle zu heben (r > 0), wächst die Population; reicht sie nicht (r < 0), stirbt sie überall gleich schnell exponentiell aus.

Begriff Die Mean-Field-Annahme

Die kontinuierliche Gleichung nimmt zweierlei an. Erstens, dass der Ort der Bs unabhängig vom Ort der As ist. Zweitens, dass die Dichte beliebig klein werden kann. Doch wenn sich die Bs neben einem A vermehren, entsteht dort eine dichtere Ansammlung als im Mittel; und „ein Tausendstel Individuum pro Quadratmeter“ gibt es nicht – ein Individuum ist da oder nicht. Im Bereich r < 0 verstärken sich diese beiden Näherungen gegenseitig, und die Vorhersage wird qualitativ falsch.

Inseln, die den Katalysatoren folgen

Tatsächlich geschieht Folgendes: Auf dem Platz, auf dem ein A sitzt, vermehren sich die Bs exponentiell, bis das A weiterzieht. Ein Teil wandert auf Nachbarplätze, sodass um das A ein Gipfel entsteht. Macht das A einen Schritt, landet es auf einem Nachbarplatz, den die Bs schon erreicht haben; die Insel zieht mit. Nach der Rechnung des Artikels beträgt die Wachstumsrate dieser wandernden Insel λ − μ − 2dD_B − 2dD_A log(λ/D_B), und sie kann positiv bleiben, selbst wenn die mittlere Rate r negativ ist.

Die Autoren verallgemeinerten das mit einer Renormierungsgruppen-Analyse. Sie ergibt eine kritische Dimension d_c = 2: In zwei oder weniger Dimensionen verhält sich das System auf hinreichend großen Skalen immer so, als wäre r > 0. In drei Dimensionen gibt es einen echten Phasenübergang zwischen Überleben und Aussterben.

Die Nachbildung in NetLogo

Das Modell wurde in NetLogo, einer Umgebung für agentenbasierte Modellierung, auf einem 61 × 61-Gitter mit periodischen Rändern (einem Torus) aufgebaut. Die Raten der Theorie wurden als Eintrittswahrscheinlichkeiten pro Zeitschritt gelesen – eine Lesart, die für kleine Raten gilt.

Jeder Schritt hat vier Phasen: Die As bewegen sich, die Bs sterben, die Bs, die sich einen Platz mit einem A teilen, vermehren sich, und die Bs bewegen sich. Die Liste der Bs, die sich vermehren werden, wird zu Beginn des Schritts eingefroren; sonst würden sich auch die im selben Schritt geborenen Bs vermehren und die effektive Rate künstlich aufblähen.

Eine Ergänzung wurde am Originalmodell vorgenommen: Kein Platz kann mehr als k_max Bs aufnehmen. Diese Tragfähigkeit ist biologisch realistischer und verhindert, dass lange Läufe rechnerisch explodieren. Die Referenzeinstellungen sind ⟨n_A⟩ = 0,10, n_B(0) = 0,30, λ = 0,60, μ = 0,10, D_A = 0,30 und D_B = 0,20; das ergibt r = −0,04, die kontinuierliche Theorie erwartet also das Aussterben.

Fünf Experimente

Im ersten Experiment sagte die kontinuierliche Theorie voraus, dass die B-Population auf etwa ein Fünfzigstel fallen würde; in der Simulation wuchs sie auf das Hundertfache. Der Abstand zwischen beiden Kurven beträgt etwa 3,7 Größenordnungen. Das Gitter zeigt, warum: Die Bs bilden dichte Inseln um Gruppen von As, getrennt von dunklen, fast leeren Flächen.

Experiment	Änderung	r	Simulation	Kontinuierliche Theorie
1. Referenz	μ = 0,10	−0,04	+2,0	−1,7
2. Hohe Sterblichkeit	μ = 0,50	−0,44	ausgestorben in Schritt 14	Aussterben
3a. Wenige Katalysatoren	⟨n_A⟩ = 0,05	−0,07	+1,5 (stabil)	−5,8
3b. Viele Katalysatoren	⟨n_A⟩ = 0,20	+0,02	+2,2	+0,8
4. Enge Kapazität	k_max = 10	−0,04	+1,7 (Plateau)	−8

Die Werte in der Tabelle sind log₁₀(N_B(t)/N_B(0)) am Ende des jeweiligen Laufs. Am auffälligsten ist der Fall mit wenigen Katalysatoren: Die Theorie erwartete ein nahezu vollständiges Aussterben, während die Population stabil blieb – ein Abstand von etwa 7,3 Größenordnungen, mehr als das Zehnmillionenfache. Bei reichlich Katalysatoren lag die Simulation noch immer über der Theorie: Die Bündelung um die As beschleunigt das Wachstum selbst unter günstigen Bedingungen.

Das zweite Experiment ist eine Kontrolle: Mit einer auf μ = 0,50 erhöhten Sterblichkeit starb die Population in 14 Schritten aus. Das Modell hat also keine künstliche Neigung zum Überleben; „das Leben gewinnt“ hängt von einem bestimmten Parameterbereich ab. Im vierten Experiment bestimmte die Tragfähigkeit, wie groß die überlebende Population war, aber nicht, ob sie überlebte. Das fünfte verfolgte, wie sich die Inseln bilden, verdichten, verschmelzen und neu ordnen: Das System erreicht ein strukturiertes dynamisches Gleichgewicht, weder erstarrt noch gleichförmig.

Kontinuierliche Näherungen, so elegant sie sein mögen, sind nie unschuldig. Wenn mikroskopische Fluktuationen mit einer nichtlinearen Dynamik zusammentreffen, kann ihr Weglassen zu qualitativ falschen Vorhersagen führen.

Wie weit trägt das Ergebnis?

Alle Experimente liefen in zwei Dimensionen. Um die zentrale Vorhersage der Renormierungsanalyse – eine kritische Dimension von 2 – zu prüfen, müsste dasselbe Modell auch in einer und in drei Dimensionen laufen. Raten als Wahrscheinlichkeiten pro Schritt zu lesen, ist eine Näherung, die für kleine Raten gilt; mit λ = 0,60 in den Referenzeinstellungen sind die Zahlen als qualitative Tendenzen zu lesen. Die Tragfähigkeit fügt zudem eine Nichtlinearität hinzu, die das Originalmodell nicht kennt.

Die Anwendungen, die der Artikel nahelegt, sind weit gefasst: wie Leben in einer präbiotischen Chemie entstehen konnte, die unbrauchbar erscheint, wie scheinbar verlorene Arten im Genotypraum fortbestehen, wie auf als „effizient“ geltenden Märkten Gewinne entstehen. Jede davon würde verlangen, das Modell an echten Daten zu kalibrieren. Die Hauptlehre aber ist schon klar: Die Körnigkeit der Welt zählt.

Worauf beruht dieser Beitrag?

Dieser Beitrag beruht auf dem Projektbericht The importance of being discrete: Life always wins on the surface — Reproduction et analyse numérique sous NetLogo, den Nadir Madi und Mohamed Aziz Ben Romdhane im Masterstudiengang Computer and Network Systems der Université d'Évry Paris-Saclay (Schwerpunkt Autonome Systeme, 2025–2026) verfasst haben. Alle Werte der Tabelle stammen aus den Simulationen des Berichts.

Shnerb, N. M., Louzoun, Y., Bettelheim, E. & Solomon, S. (2000). The importance of being discrete: Life always wins on the surface. Proceedings of the National Academy of Sciences USA, 97(19), 10322–10324.