[论文解读] Origin of Discontinuous Percolation Transition in Cluster Merging Process

Y. S. Cho, B. Kahng|arXiv (Cornell University)|Apr 17, 2014

Theoretical and Computational Physics被引用 2

一句话总结

本文根据簇合并过程中动力学规则在簇大小上是否均匀，将簇合并过程中的不连续渗透转变（DPTs）分为两类。它为每类建立了必要条件，使得即使在序参量不连续性不明确的情况下（例如爆炸性渗透模型中），也能可靠识别DPTs。

ABSTRACT

Percolation is a paradigmatic model in disordered systems and has been applied to various natural phenomena. The percolation transition is known as one of the most robust continuous transitions. However, recent extensive studies have revealed that a few models exhibit a discontinuous percolation transition (DPT) in cluster merging processes. Unlike the case of continuous transitions, understanding the nature of discontinuous phase transitions requires a detailed study of the system at hand, which has not been undertaken yet for DPTs. Here we examine the cluster size distribution immediately before an abrupt increase in the order parameter of DPT models and find that DPTs induced by cluster merging kinetics can be classified into two types. Moreover, the type of DPT can be determined by the key characteristic of whether the cluster kinetic rule is homogeneous with respect to the cluster sizes. We also establish the necessary conditions for each type of DPT, which can be used effectively when the discontinuity of the order parameter is ambiguous, as in the explosive percolation model.

研究动机与目标

• 为了理解簇合并过程中不连续渗透转变（DPTs）的起源，尽管其重要性日益增加，但目前仍缺乏充分表征。
• 为解决DPTs缺乏系统分类的问题，特别是当序参量的不连续性不明确时。
• 确定簇合并动力学规则相对于簇大小的均匀性是否决定了DPT的性质。
• 为每类DPT建立必要条件，以实现在不连续性模糊的情况下（如爆炸性渗透模型中）的可靠分类。

提出的方法

• 分析DPTs中序参量突然增加前的簇大小分布。
• 根据簇合并动力学规则在簇大小上是否均匀，对DPTs进行分类。
• 利用动力学规则的结构及其对簇大小的依赖关系，推导每类DPT的必要条件。
• 将分类框架应用于不连续性模糊的模型（如爆炸性渗透模型），以验证其有效性。
• 通过簇大小分布的统计分析，区分两类DPT，而无需完全依赖序参量的跃迁。

实验结果

研究问题

• RQ1 在簇合并过程中，两类不连续渗透转变（DPTs）有何区别？
• RQ2 簇合并动力学规则相对于簇大小的均匀性如何影响DPT的性质？
• RQ3 当序参量的不连续性不明显时，能否推导出用于分类DPTs的必要条件？
• RQ4 该分类框架在爆炸性渗透模型等模型中可应用到何种程度，其中DPT的不连续性并不明确？

主要发现

• 簇合并过程中的DPTs可根据动力学规则是否相对于簇大小均匀，分为两类。
• 动力学规则的均匀性是决定DPT类型的关键特征，提供了清晰的分类标准。
• 为每类DPT建立了必要条件，使得即使序参量的不连续性微弱或模糊，也能实现可靠识别。
• 该框架成功区分了如爆炸性渗透模型等模型中的DPT类型，其中仅靠序参量无法明确界定转变的不连续性。