[논문 리뷰] The optimal trajectory to control complex networks

Aming Li, Long Wang외 1명|arXiv (Cornell University)|2018. 06. 11.

Opinion Dynamics and Social Influence참고 문헌 2인용 수 8

한 줄 요약

이 논문은 복잡한 네트워크에서 최적 제어 궤적을 분석하기 위한 체계적인 프레임워크를 제안한다. 궤적 길이(ℒ)와 초기 상태로부터의 최대 거리(ℛ)를 정량화함으로써, 제어 시간(tf)과 시스템 안정성이 궤적의 국소성과 전역성에 미치는 영향을 규명한다. 짧은 tf에서는 ℒ와 ℛ가 거듭제곱 법칙에 따라 스케일링되며, 긴 tf에서는趋세하여 포화 상태에 이르며, 드라이버 노드 수를 증가시킬수록 두 지표가 감소하여 신경, 생물학적 및 공학적 시스템에 실용적인 통찰을 제공한다.

ABSTRACT

Controllability, a basic property of various networked systems, has gained profound theoretical applications in complex social, technological, biological, and brain networks. Yet, little attention has been given to the control trajectory (route), along which a controllable system can be controlled from any initial to any final state, hampering the implementation of practical control. Here we systematically uncover the fundamental relations between control trajectory and several other key factors, such as the control distance between initial and final states ($δ$), number of driver nodes, and the control time. The length ($\mathcal{L}$) and maximum distance to the initial state ($\mathcal{R}$) are employed to quantify the locality and globality of control trajectories. We analyze how the scaling behavior of the averaged $\mathcal{L}$ and $\mathcal{R}$ changes with increasing $δ$ for different initial states. After showing the scaling behavior for each trajectory, we also provide the distributions of $\mathcal{L}$ and $\mathcal{R}$. Further attention is given to the control time $t_{f}$ and its influence on $\mathcal{L}$ and $\mathcal{R}$. Our results provide comprehensive insights in understanding control trajectories for complex networks, and pave the way to achieve practical control in various real systems.

연구 동기 및 목표

• 비추상적인 관계를 넘어서 실용적 구현을 고려한 복잡한 네트워크에서 제어 궤적의 기본적 구조와 행동을 이해하기 위해.
• 궤적 길이(ℒ)와 초기 상태로부터의 최대 거리(ℛ)를 사용하여 제어 궤적의 국소성과 전역성을 정량화하기 위해.
• 제어 시간(tf), 시스템 안정성(eigenvalues), 드라이버 노드 수가 ℒ와 ℛ에 미치는 영향을 조사하기 위해.
• 다양한 네트워크 시나리오에서 ℒ와 ℛ의 분석적 분포 및 스케일링 행동을 제공하기 위해.
• 이론적 궤적 특성과 실제 시스템 제약 및 동역학을 연결하여 실용적 제어 설계를 가능하게 하기 위해.

제안 방법

• 고정점 주변에서 비선형 네트워크 동역학을 선형화하여 상태공간 모델을 유도한다: ẋ(t) = Ax(t) + Bu(t).
• 상태공간 내 경로 길이를 측정하기 위해 [t₀, tf]에서 ‖ẋ(t)‖의 적분을 통해 궤적 길이 ℒ = ∫‖ẋ(t)‖dt를 정의한다.
• 궤적 전반에 걸친 초기 상태로부터의 최대 이격을 측정하기 위해 ℛ = maxₜ∈[t₀,tf] ‖x(t) - x₀‖를 정의한다.
• 주어진 초기 및 최종 상태에서 제어 에너지를 최소화하는 궤적을 계산하기 위해 최적 제어 이론을 적용한다.
• 제어 거리(δ), 제어 시간(tf), 시스템 안정성(λ₁)에 따른 ℒ와 ℛ의 스케일링 행동을 분석한다.
• 다양한 최종 상태를 균일하게 샘플링한 결과를 바탕으로 ℒ와 ℛ의 분석적 분포를 유도하여 통계적 패턴을 규명한다.

실험 결과

연구 질문

• RQ1 다양한 초기 상태에서 제어 거리(δ)가 증가함에 따라 최적 제어 궤적의 길이(ℒ)와 반경(ℛ)은 어떻게 스케일링되는가?
• RQ2 제어 시간(tf)이 제어 궤적의 국소성(ℒ)과 전역성(ℛ)에 미치는 영향은 어떠한가, 특히 안정, 불안정 및 임계 시스템에서 어떻게 나타나는가?
• RQ3 드라이버 노드 수가 ℒ와 ℛ의 스케일링 및 크기에 미치는 영향은 무엇인가?
• RQ4 시스템 안정성(A의 고유값)과 제어 시간이 함께 궤적의 형태와 범위를 어떻게 결정하는가?
• RQ5 많은 최종 상태에 대한 ℒ와 ℛ의 통계 평균화가 개별 궤적의 잠재적 스케일링 행동을 가리킬 수 있는가?

주요 결과

• 짧은 제어 시간(tf)에서는 ℒ와 ℛ가 tf에 대해 거듭제곱 법칙에 따라 스케일링되며, tf의 미세한 증가만으로도 궤적 길이와 이격도가 급격히 감소함을 시사한다.
• 긴 제어 시간(tf)에서는 ℒ와 ℛ가 포화 상태에 이르며, 더 이상 tf의 증가에 민감하지 않게 되며, ℒ ≈ ℛ가 되어 초기 상태에서 최종 상태로의 직선 궤적임을 나타낸다.
• 불안정 시스템(λ₁ > 0)에서는 tf가 증가함에 따라 ℒ와 ℛ가 약간의 변동 외에는 거의 일정하게 유지되며, 최소 제어 에너지 E_min ∼ e^(-2λ₁tf)가 지수적으로 감소함에도 불구하고 그러한 경향을 보인다.
• 임계 시스템(λ₁ = 0)에서는 tf에 관계없이 ℒ와 ℛ가 항상 δ와 정확히 일치하며, 이는 궤적 길이가 제어 지속 시간과 무관하게 고정되어 있음을 의미한다.
• 드라이버 노드 수를 늘릴수록 ℒ와 ℛ가 감소하며, tf에 대한 그들의 거듭제곱 법칙 의존성의 지수도 감소한다.
• 모든 노드가 직접 제어되는 경우(완전 제어), ℒ와 ℛ는 모든 안정성 영역 및 tf 값에서 일정하게 유지되며, 이는 궤적 효율성이 최대로 이루어짐을 나타낸다.