[論文レビュー] Multi-Scale Negative Coupled Information Systems (MNCIS): A Unified Spectral Topology Framework for Stability in Turbulence, AI, and Biology

Pengyue Hou|arXiv (Cornell University)|Jan 6, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

本論文はAdaptive Spectral Negative Coupling（ASNC）を状態依存のハイパス演算子として導入することで、乱流、AI、そして生物学のさまざまなシナリオにおけるグローバル安定性を確保するMNCISフレームワークを一般化し、Navier–Stokes乱流、GNN、および反応拡散形態形成で検証した。

ABSTRACT

Complex dynamical systems frequently encounter a recurrent structural instability: the collapse of the spectral gap, driving the system toward a low-dimensional "Zero-Mode Attractor" (e.g., spectral pile-up or over-smoothing). Building upon recent global well-posedness estimates [Hou, arXiv:2601.00638], this work generalizes the Multi-Scale Negative Coupled Information System (MNCIS) framework. We postulate that global stability requires an active topological operator - Adaptive Spectral Negative Coupling (ASNC) - functioning as a state-dependent high-pass filter that penalizes entropy accumulation at spectral boundaries. We validate this unified framework via three implementations: (1) Hydrodynamics: In 3D Navier-Stokes turbulence ($N=256^3$), ASNC acts as a global-enstrophy adaptive sub-grid scale (SGS) model, stabilizing the inviscid limit and preserving the Kolmogorov $-5/3$ inertial range without artificial hyper-viscosity. Crucially, we verify that the operator remains dormant ($γ\approx 0$) during the linear growth phase of physical instabilities, functioning strictly as a conditional topological clamp. (2) Artificial Intelligence: Addressing Over-smoothing in Graph Neural Networks (GNNs), we implement ASNC as a parameter-free topological constraint. Unlike baselines (e.g., DeepGCNs) relying on dense residual connections, our framework enables the training of ultra-deep 64-layer networks without residual connections, maintaining perfectly stationary feature variance ($σ^2 \equiv 1.0$) on the ogbn-arxiv benchmark. (3) Biological Physics: In reaction-diffusion morphogenesis, it stabilizes Turing patterns against diffusive washout in high-entropy regimes. Our results suggest that the MNCIS framework provides a base-independent topological condition for distinguishing viable complex systems from those collapsing into thermal equilibrium.

研究の動機と目的

• 複雑なダイナミカルシステムにおけるスペクトルギャップ崩壊とZero-Modeアトラクター形成を防ぐことにより、グローバルな安定性を動機づける。
• ASNCをスペクトル境界でエントロピーを罰するハイパスフィルタとして作用する状態依存のトポロジカル演算子として導入する。
• Multi-Scale Negative Coupled Information System（MNCIS）フレームワークを一般化し、物理学、ML、生物学の安定性へ接続する。

提案手法

• ASNCを3D Navier–Stokes乱流におけるグローバルエンストローファイ（全球エントロピー）適応サブグリッドスケールモデルとして提案する。
• グラフニューラルネットワークにおけるパラメータフリーのトポロジカル制約としてASNCを実装し、残差接続なしで超深層訓練を可能にする。
• 反応拡散形態形成へASNCを適用し、高エントロピー領域での拡散洗い出しに対してチューニングすることでチューリングパターンを安定化させる。
• ASNCが線形成長期には不活性なまま条件付きトポロジカルクランプとして機能することを示す。
• 補足資料とarXiv:2601.00638の補足証明を参照する。

実験結果

リサーチクエスチョン

• RQ1 ASNCは状態依存のハイパスフィルターとして、システム間のスペクトル境界でのエントロピー蓄積を防ぐことができるか。
• RQ2 ASNCは人工的な高粘度を用いずに3D乱流を安定化し、コルモゴロフの慣性レンジを保つことができるか。
• RQ3 ASNCは残差接続なしで超深層GNNを可能にし、特徴量分散を安定させ続けることができるか。
• RQ4 ASNCは高エントロピーの条件下で反応拡散系の形態形成パターンを安定化できるか。

主な発見

• ASNCは3D Navier–Stokes乱流の無粘性極限を安定化させ、ハイパーヴィソシティなしでコルモゴロフの-5/3の慣性レンジを保持する。
• ASNCは64層の超深層GNNの残差接続なしの訓練を可能にし、ogbn-arxiv上で特徴量分散を安定させた。
• ASNCは高エントロピー領域での拡散洗い出しに対して反応拡散形態形成のチューリングパターンを安定化させる。