有向超圖上的單純復形涌現

Simplicial Complex Emergence on Directed Hypergraphs

有向超圖上的單純復形涌現

https://arxiv.org/pdf/2512.00043

摘要

我們研究定義在有向超圖上的共演化（或自適應）高階網絡何時允許單純形描述。二元和三元耦合由時間依賴的權重張量建模。利用對稱群的表示論，我們將這些張量分解為全對稱、全反對稱和混合等變分量，并追蹤其 Frobenius 范數以定義三個漸近機制和定量的收斂概念。在對稱（或反對稱）極限下，我們通過局部邊界測試和強制向下閉包的內部漂移條件來驗證單純復形的涌現和穩定性；在混合極限下，我們證明最小忠實對象是半單純形集。我們通過追蹤等變 Frobenius 范數和高階結構的模擬來闡述該理論。實際上，我們的工作為自適應高階系統證明了同調工具合理性的嚴格條件。

1 引言

1.1 動機與概述

復雜網絡在建模各種系統方面取得了巨大的成功；然而，許多現實世界的系統涉及超越成對耦合的高階相互作用 [3, 4, 7]。生物、社會和技術網絡經常表現出群體相互作用，其中集體效應源于三元甚至更高階的關系。例如，在社會系統中，傳染和輿論動力學通常需要群體影響（所謂的復雜傳染），而不僅僅是二元接觸 [20, 25, 26, 31, 29]。同樣，在神經系統中，認知功能可能涉及神經元群體的協調共激活，這種現象僅靠成對連接無法捕捉 [35, 36]。為了應對解釋這種多節點依賴性的需求，高階網絡模型已被開發出來。一個突出的例子是 Kuramoto 模型的推廣，以納入多體耦合：除了經典的全對全正弦耦合外，高階 Kuramoto 模型包括一次耦合三個或更多振蕩器的項。這些擴展導致了成對網絡模型中不存在的新穎同步模式，例如突然的（爆炸性）同步轉變和多尺度鎖相行為 [13, 16, 19, 34, 40]。

雖然超圖為任何多節點相互作用的集合提供了非常通用的表示，但單純復形施加了一個反映許多真實系統的重要約束：如果存在群體相互作用（單純形），那么該群體成員之間的所有低階相互作用也存在。換句話說，單純復形中的 2-單純形（三角形）意味著其三條邊存在，3-單純形（四面體）意味著其所有三角形和邊都存在，依此類推。這種“向下閉包”性質反映了許多真實的層級結構。例如，神經元的功能組合往往在它們之間擁有所有成對連接，而在較小的社會群體中，如果一個三元組集體相互作用，通常組成對也會相互作用。通過用單純復形建模高階相互作用，可以強制群體相互作用建立在其子相互作用之上，這在概念上很有吸引力且在數學上很強大。它使得使用代數拓撲工具來刻畫結構和動力學成為可能。例如，人們可以研究單純復形的同調以識別網絡數據中的高維空洞或循環（僅邊分析不可見）。同樣，Hodge Laplacian（圖 Laplacian 的高階推廣）支配著 k k-單純形（節點組）上的擴散和同步，捕捉涉及回路和多節點協調的動力學模式，超越了簡單的成對路徑 [10, 9, 27, 33, 32]。最近的研究表明，單純復形結構的存在（相對于任意超圖）可以定性地改變集體動力學。例如，根據網絡是否具有單純形包含性質，高階相互作用可能會以顯著不同的方式增強或阻礙同步。這些見解強調，高階層面的建模選擇（超圖 vs. 單純復形）深刻地影響系統行為，這為我們的關注點——單純復形結構何時以及如何在自適應超圖動力學中涌現——提供了一個動機 [28, 41]。

確實，許多復雜系統的另一個關鍵方面是適應性：網絡拓撲本身與節點動力學共同演化。在自適應網絡中，鏈接可以根據節點的狀態出現、消失或改變權重，從而在結構和動力學之間創建一個反饋回路。這種共演化被廣泛觀察到。在流行病中，易感個體重新連接接觸以避免感染，從而隨著疾病傳播重新布線網絡 [22]。在神經回路中，突觸連接根據活動增強或減弱（赫布可塑性及其他形式的學習）[30]。在基礎設施和交通網絡中，重度使用的路線被建立或加強，而利用率不足的連接則衰退 [39]。自適應網絡模型通過允許圖的邊作為節點狀態的函數變化來捕捉這一點，這可以產生豐富的現象，如魯棒網絡社區的形成、振蕩動力學或網絡拓撲中的突然臨界點 [5, 6, 21, 23]。然而，大多數現有的自適應網絡模型僅考慮了成對相互作用，專注于個體節點之間鏈接的創建或刪除。經典的例子包括網絡上的自適應流行病，其中鏈接根據感染狀態重新布線，或者自適應共識和振蕩器網絡，其中連接權重根據同步誤差進行調整 [6]。這些研究表明，即使在成對網絡中，適應性也能產生同類鏈接模式、多穩態和突然轉變。然而，它們忽略了高階群體相互作用（超邊）也可能響應系統狀態而形成或解散的可能性。在現實中，結構變化可能發生在多個尺度上：整個群體相互作用（會議、團隊、同步的神經元集合）可能會根據動力學出現或分裂。例如，在傳染事件中，不僅個體可能會切斷聯系，而且群體聚會可能會被取消，從而移除超越成對接觸的高階傳染途徑。同樣，在學習的大腦中，一群神經元可能會作為一個群體連接在一起或解散。忽略這些高階拓撲適應遺漏了共演化的一個重要維度。通過在自適應設置中研究單純復形形成，我們旨在捕捉個體鏈接和多節點相互作用模式如何與節點動力學協調重組。這提供了對流行病（避免群體事件與切斷個體接觸同樣重要）和神經學習（神經元集合同時重新布線）等現象更全面的看法。

在下文中，我們建立一個建模框架來調查自適應高階網絡，并確定其自組織動力學產生涌現單純復形結構的條件。例如，在 [2, 15, 37] 等工作中，一個統一的目標是研究假設的高階結構（如單純復形）上的 Kuramoto 型動力學。本工作的主要目的是為這些高階單純形結構究竟何時存在提供一個結構和動力學基礎。

1.2 主要結果大綱與總結

我們的目標是統一三個通常被分開處理的軸（axes）：高階相互作用、耦合結構的適應性，以及嚴格的單純復形涌現。我們采用關于有向超圖的張量優先（tensor-first）視角，并利用對稱群的表示論來追蹤對稱性和適應性如何共同產生組合結構。

本工作的主要貢獻如下：

證明結合了局部邊界測試與內部漂移估計，以強制執行向下閉包（downward closure），提供了涌現單純形結構保持不變的充分條件。此外，通過使用與表示論分量相關的 Frobenius 范數序參量（order parameters），我們提供了向每種機制收斂的定量概念。數值模擬被用來實際演示并交叉驗證分析預測。在數值計算中，我們還追蹤了對稱性范數跨機制的演化。綜上所述，這些結果給出了自適應高階網絡動力學中涌現單純形結構的第一個嚴格證明。

第 2 節介紹模型和張量分解。第 3 節發展對稱理論并舉例說明。第 4 節研究反對稱和混合機制。第 5 節以討論和展望結束。

2 共演化超圖的漸近機制

2.1 背景與典范模型

因此，我們的自適應動力學不僅僅產生一種固定類型的有向超圖（例如經典的頭-尾版本），而是產生一整族代數定義的有向超圖，其結構可以隨時間演化。特別是，取決于張量流入哪個對稱類，人們可以恢復無向單純復形（對稱機制）、有向單純復形（反對稱機制），或更一般的單純形集（混合機制）。

例 2.7. 假設我們要一個自適應共演化網絡動力學系統，其在邊上具有以下動力學。

2.2 張量空間與對稱群作用

我們首先形式化地定義包含邊和超邊數據的空間，以及對稱群在這些空間上的自然作用。

3 對稱狀態下的單純復形涌現

在本節中，我們要闡述一些結果，這些結果保證了那些收斂至對稱和反對稱狀態的超圖具有不變性以及單純復形的形成。

3.1 單純結構的保持與涌現

3.2 例子

例 3.13. 考慮以下滿足推論 3.12 條件的例子。我們首先引入一個非光滑模型，然后利用已知的近似方法將其平滑化。一般動力學遵循例 2.3 的模板。

前一個例子表明，雖然單純復形結構被動力學所保持，但這種結構可能會變得平凡（trivial），實際上塌縮為一個 1-單純復形，即一個圖。在這種狀態下，高階分量衰減，網絡的表現仿佛僅存在成對相互作用。這一觀察結果與過去幾十年現有的網絡科學文獻相吻合，在這些文獻中高階效應常被忽略：即使控制方程中存在此類項，它們也常漸近消失，并在高階結構中不留持久印記。文獻 [24] 探討了這種現象，作者研究了一個明確定義在單純復形上的自適應投票者模型。該框架不僅包括邊（1-單純形）上的成對相互作用，還包括填充三角形（2-單純形）上的群體同伴壓力效應。他們發現自適應重連動力學導致了高階結構的耗盡。該模型表現出一種多尺度層級，其中高階 2-單純形在更快的時間尺度上消亡，在邊上的動力學耗盡之前就已消失。這種順序衰減有效地將高階網絡塌縮為一個簡單圖，此后系統作為標準的成對自適應模型演化。這一結果為將某些自適應系統視為有效的成對系統提供了直接理由，因為高階分量被證明是瞬態的并在動力學過程中消失。

相比之下，下一個例子闡述了一種性質上不同的行為，其中高階相互作用以非平凡且結構化的方式持續存在。在這種情況下，系統隨時間維持一個 2-單純形的子集，而不填充所有可能的高階連接，從而產生一個真正的單純形、但非完全飽和的復形。

4 定向單純復形與半單純形集

4.1 反對稱狀態

4.2 混合狀態

在漸近狀態分類中，當我們的超網絡收斂至對稱或反對稱極限時，我們可以研究無向或有向單純復形的涌現。然而，如果它收斂至混合狀態極限，我們就缺乏研究任一類單純復形涌現所必需的對稱性質。盡管如此，如果我們轉而將注意力轉移到半單純形集（也稱為 Δ ? Δ?集）的涌現上，還有其他代數拓撲工具可以使用，它們是捕捉這些高階相互作用的最小范疇對象，并且保留了來自同調論和計算拓撲的技術與工具。我們首先討論一些范疇論預備知識，并說明為何單純形集（simplicial sets）過于具體，從而在此設定中遇到問題。我們被迫排除其定義的一部分，這使得半單純形集成為混合狀態中最合適的對象。

5 結論與展望

我們開發了一個基于張量的框架，用于研究有向超圖上的自適應高階網絡動力學，并以廣義 Kuramoto 模型為原型進行指導。通過結合對稱群的表示論與弗羅貝尼烏斯范數（Frobenius norm）序參數，我們識別出了三種漸近對稱狀態：對稱、反對稱和混合，并表明每一種狀態都會產生一種獨特的穩定組合對象：無向、有向或半單純形。由此產生的定理為自適應三元系統中單純復形的涌現提供了首批嚴格條件。

該框架自然地推廣到了更高階的相互作用。以下廣義自適應 Kuramoto 模型作為一個典型范例：

原文鏈接：https://arxiv.org/pdf/2512.00043