[论文解读] Adaptive Dynamical Networks

Rico Berner, Thilo Groß+3 more|arXiv (Cornell University)|Apr 12, 2023

Neural Networks and Applications被引用 5

一句话总结

本综述提出自适应动力网络作为建模系统的一种统一框架，其中网络结构与动力学共同演化，从而能够研究同步、可塑性和鲁棒性等复杂现象。综述整合了数学方法、在神经科学、流行病学和气候科学中的应用，并指出了多尺度建模和平均场近似中的开放性挑战。

ABSTRACT

It is a fundamental challenge to understand how the function of a network is related to its structural organization. Adaptive dynamical networks represent a broad class of systems that can change their connectivity over time depending on their dynamical state. The most important feature of such systems is that their function depends on their structure and vice versa. While the properties of static networks have been extensively investigated in the past, the study of adaptive networks is much more challenging. Moreover, adaptive dynamical networks are of tremendous importance for various application fields, in particular, for the models for neuronal synaptic plasticity, adaptive networks in chemical, epidemic, biological, transport, and social systems, to name a few. In this review, we provide a detailed description of adaptive dynamical networks, show their applications in various areas of research, highlight their dynamical features and describe the arising dynamical phenomena, and give an overview of the available mathematical methods developed for understanding adaptive dynamical networks.

研究动机与目标

• 将自适应动力网络确立为复杂系统建模的基本范式，其中结构与功能共同演化。
• 系统化分类适应机制，包括事件驱动与连续规则，及其时间尺度分离。
• 在统一的动力学框架下整合多样化应用——从神经可塑性、意见形成到电网和流行病模型。
• 识别并分析自适应网络中出现的关键动力学现象，如爆发式同步、多稳定性及 chimera 状态。
• 推进数学工具，包括平均场理论和多尺度分解，以分析大规模自适应系统。

提出的方法

• 根据适应类型对自适应网络进行分类：事件驱动（如尖峰时序依赖可塑性）与连续适应规则。
• 应用慢-快时间尺度分解，推导小规模网络中复杂动力学状态的条件。
• 采用平均场方法，包括 Vlasov-Fokker-Planck 方程与矩方程，描述大规模集合的集体行为。
• 结合连续极限与分支分析，研究自适应系统中的模式形成与稳定性。
• 将网络控制理论与自适应动力学相结合，包括边断裂与速度梯度方法，以实现同步。
• 将模型扩展至多层网络、超网络与单纯复形，以捕捉高阶相互作用与结构复杂性。

实验结果

研究问题

• RQ1 在耦合振子中，事件驱动适应规则如何近似连续动力学？此类近似的成立条件是什么？
• RQ2 在拓扑与动力学共同演化的自适应网络中，会涌现出哪些动力学现象（如爆发式同步或 chimera 状态）？
• RQ3 平均场理论如何推广以描述大规模自适应动力网络的集体行为？
• RQ4 自适应网络中的时间尺度分离对混沌或周期性同步的出现有何影响？
• RQ5 如何将自适应网络模型扩展至多层或高阶结构，以捕捉现实系统中复杂的相互依赖关系？

主要发现

• 事件驱动适应规则（如尖峰时序依赖可塑性中的规则）可被有效近似为连续动力学，从而实现解析可处理性。
• 自适应网络表现出丰富的动力学现象，包括具有滞后特性的爆发式同步、孤立态与多稳定性，这些现象在静态网络中通常不存在。
• 多尺度分解揭示了在具有不同时间尺度的自适应网络中，簇同步等复杂状态出现的条件。
• 尽管平均场方法最近才被发展用于自适应网络，但其仍存在局限性，是未来分析的关键前沿。
• 自适应动力网络可有效建模现实系统，如神经回路、传染病传播与电网，捕捉功能与结构之间的反馈机制。
• 相位振子模型中网络自适应性与惯性之间的相互作用导致非平凡的动力学后果，包括同步阈值的改变。