[논문 리뷰] Multi-Scale Negative Coupled Information Systems (MNCIS): A Unified Spectral Topology Framework for Stability in Turbulence, AI, and Biology

Pengyue Hou|arXiv (Cornell University)|2026. 01. 06.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

본 논문은 Adaptive Spectral Negative Coupling (ASNC)을 상태 의존적 하이패스 연산자로 사용하여 난류, AI, 생물학 시나리오 전반에 걸친 글로벌 안정성을 보장하기 위해 Multi-Scale Negative Coupled Information System (MNCIS) 프레임워크를 일반화한다. Navier–Stokes 난류, GNNs, 및 reaction-diffusion morphogenesis에서 검증되었다.

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.

연구 동기 및 목표

• 스펙트럴 갭 붕괴와 Zero-Mode Attractor 형성을 방지함으로써 복잡한 동적 시스템에서 글로벌 안정성을 고무한다.
• ASNC를 스펙트럼 경계에서 엔트로피를 벌하는 하이패스 필터로 작용하는 상태 의존적 위상 연산자로 도입한다.
• Multi-Scale Negative Coupled Information System (MNCIS) 프레임워크를 일반화하고 이를 물리학, ML, 생물학의 안정성과 연계한다.

제안 방법

• Adaptive Spectral Negative Coupling (ASNC)을 글로벌-엔스테로피 적응 서브-그리드 규모 모델로서 3D Navier–Stokes 난류에서 제안한다.
• 그래프 신경망에서 매개변수 없이 작동하는 위상 제약으로 ASNC를 구현하여 잔차 연결 없이 울트라-딥 훈련을 가능하게 한다.
• ASNC를 반응-확산 형태 발생에 적용하여 고엔트로피 영역에서 확산에 의한 세척을 방지하고 튜링 패턴을 안정화한다.
• ASNC가 선형 성장 단계에서 휴면 상태를 유지하며 조건부 토폴로지 클램프 역할을 한다는 것을 보인다.
• 보충 자료 및 동반 증명은 arXiv:2601.00638를 참조한다.

실험 결과

연구 질문

• RQ1 ASNC가 시스템 전반의 스펙트럴 경계에서 엔트로피 축적을 방지하기 위한 상태 의존적 하이패스 필터로 작용할 수 있는가?
• RQ2 인공 하이페보시티 없이도 ASNC가 Kolmogorov 관성 범위를 보존하면서 3D 난류를 안정화하는가?
• RQ3 잔차 연결 없이도 ASNC가 ultra-deep GNNs를 가능하게 하여 정지 특성 분산을 유지하는가?
• RQ4 고엔트로피 상태에서 반응-확산 시스템의 형태형성 패턴을 ASNC가 안정화하는가?

주요 결과

• ASNC는 3D Navier–Stokes 난류에서 무점성 극한을 안정화하고 하이퍼-점성 없이 Kolmogorov -5/3 관성 범위를 보존한다.
• ASNC는 ogbn-arxiv에서 잔차 연결 없이 초깊은 (64-layer) GNN의 훈련을 가능하게 하면서 정지된 특징 분산을 유지한다.
• ASNC는 고엔트로피 영역에서 확산에 의한 세척에 대항하여 반응-확산 형태 발생의 튜링 패턴을 안정화한다.