[论文解读] How complex a complex network of equal nodes can be?

Maurı́cio S. Baptista, F. Moukam Kakmeni+2 more|ArXiv.org|May 22, 2008

stochastic dynamics and bifurcation参考文献 2被引用 4

一句话总结

本文提出，通过利用缩放定律，可从两节点网络预测具有相同节点的大规模活跃网络的复杂性——即正李雅普诺夫指数之和。关键结果表明，较大网络的正李雅普诺夫指数之和受两节点系统结果的约束，且该约束由网络的耦合结构决定，与拓扑无关。

ABSTRACT

Positive Lyapunov exponents measure the asymptotic exponential divergence of nearby trajectories of a dynamical system. Not only they quantify how chaotic a dynamical system is, but since their sum is an upper bound for the entropy by the Ruelle inequality, they also provide a convenient way to quantify the complexity of an active network. We present numerical evidences that for a large class of active networks, the sum of the positive Lyapunov exponents is bounded by the sum of the positive Lyapunov exponents of the corresponding synchronization manifold, the last quantity being in principle easier to compute than the latter. This fact is a consequence of the property that for an active network considered here, the amount of information produced is more affected by the interactions between the nodes than by the topology of the network. Using the inequality described above, we explain how to predict the behavior of a large active network only knowing the information provided by an active network consisting of two coupled nodes.

研究动机与目标

• 确定是否可从更简单的两节点系统推断大规模活跃网络（节点完全相同）的复杂性。
• 研究网络拓扑如何影响非同步混沌网络中正李雅普诺夫指数之和。
• 基于两节点耦合动力学，建立大规模网络中正李雅普诺夫指数之和的解析边界。
• 证明网络复杂性主要由相互作用强度和耦合类型决定，而非拓扑结构。

提出的方法

• 通过在网络动力学上使用线性化变分方程，推导同步流形的条件李雅普诺夫指数。
• 利用网络拉普拉斯矩阵的特征模分解，将扰动动力学解耦为纵向和横向模态。
• 应用缩放定律，将两节点结果推广至更大网络：耦合强度按 |γi(N)| 缩放，非线性耦合按节点连接数 k 缩放。
• 应用 Ruelle 不等式，将正李雅普诺夫指数之和与网络熵关联，将其作为复杂性度量。
• 通过线性与非线性映射网络及 Hindmarsh-Rose 神经元网络的数值模拟，验证缩放方法的有效性。
• 将全网络的李雅普诺夫指数（Λ）与同步流形的李雅普诺夫指数（ΛC）进行比较，建立边界关系：在不同耦合区域中，Λ ≤ ΛC 或 Λ ≥ ΛC。

实验结果

研究问题

• RQ1 能否从两节点系统预测大规模相同节点网络中正李雅普诺夫指数之和？
• RQ2 网络拓扑是否显著影响正李雅普诺夫指数之和，还是主要由耦合强度和动力学决定？
• RQ3 在何种条件下，大规模网络中正李雅普诺夫指数之和受两节点系统结果的约束？
• RQ4 线性和非线性耦合项如何影响活跃网络中从同步到非同步混沌行为的转变？

主要发现

• 对于大规模网络，正李雅普诺夫指数之和（Λ）受两节点系统对应值的约束，且边界由耦合强度和网络拓扑决定。
• 对于节点动力学完全相同的网络，复杂性（以 Λ 衡量）主要由相互作用机制决定，而非拓扑结构。
• 缩放定律允许通过调整拉普拉斯矩阵的特征值和节点连通度（k），从 Λ(N=2) 预测 Λ(N)。
• 当非线性耦合占主导时（|g/σ| >> 1），非线性耦合强度的缩放关系为 g(N) = g(N=2)/k。
• 当线性耦合占主导时（|σ/g| >> 1），线性耦合的缩放关系为 σ(N) = 2σ(N=2)/|γi(N)|。
• 两节点系统作为通用参考：若在 N=2 时 Λ > ΛC，则在所有 N>2 且经缩放耦合后，均有 Λ > ΛC，从而将网络划分为上复杂度类或下复杂度类。