Streszczenie
-
Upload
chayton-pereyra -
Category
Documents
-
view
29 -
download
0
description
Transcript of Streszczenie
StreszczenieZałożenie o dwóch i to równoprawdopodobnych wariantach sygnału (s=2) jest wygodne i bardzo często stosowane np.: w sieciach Boolowskich, modelach Isinga lub szkieł spinowych, do opisu szerokiej gamy rzeczywistych systemów. Jednocześnie w sieciach Boolowskich często używa się dwóch wejść do wierzchołka (K=2), co razem daje wyjątkową stabilność nie spotykaną w pozostałych sytuacjach. W tym aspekcie omówię podstawowe wyniki ‘szkoły Kauffmana’ dotyczące rozprzestrzeniania się zaburzenia (damage spreading) w sieciach Boolowskich. Ponadto przedstawię moje argumenty (także symulacyjne) za stosowaniem s>2 i uproszczony algorytm do takich statystycznych badań. Rozważane będą sieci autonomiczne obliczane synchronicznie, różnych typów, w tym także scale-free.
Dlaczego 2 równoprawdopodobne warianty sygnału bywają złym wyborem
Andrzej Gecow Instytut Paleobiologii PAN [email protected]
Seminarium DUZ Instytut Fizyki Politechniki Warszawskiej 22.10.2007
Andrzej Gecow Instytut Paleobiologii PAN
Seminarium DUZ Instytut Fizyki Politechniki Warszawskiej 22.10.2007
Dlaczego dwa równoprawdopodobne warianty sygnału
bywają złym wyborem
Sieć Boolowska = logiczna = Kauffmana
Wierzchołek realizuje funkcję logiczną c:=f(a,b,...) K zmiennych.Jedna logiczna wartość c wyprowadzana jest w k różnych kierunkach.c - stan wierzchołka a, b, c = 0 lub 1
k=3 (np.)
c:=f(a,b)K=2 (np.)zwykle const.
c
a b
cc
opisana w JTB w 1969
k zmienne - jako stopień wierzchołka, Kauffman stosuje sieć ‘Random’ Erdos-Renyi
Będziemy rozważać sieć autonomiczną, obliczaną synchronicznie.Dla sieci autonomicznych <k> = K
Zakładamy jednakowe prawdopodobieństwo 0 i 1 czyli s=2.
Damage w sieci BoolowskiejMamy 2 identyczne systemy. Jeden z nich zaburzamy małą zmianą (np. jeden stan).d = damage = Liczba wierzchołków o różnych stanach/N
dt+1= 1-((1-dt) +(1-(1-dt) )/s)K K
quenched model - normalnyannealed model - Derrida & Pomeau 1986. Po każdym wyliczeniu nowego stanu pozostawiane są stany alegenerowane nowe połączenia i funkcje.
S. A. Kauffman, The Origins of Order: Self-Organization and Selection in Evolution. Oxford University Press, New York, 1993.
s=2
Tabela 5.1state cycle # state cycle Homeostatic Reachability among cycles
length attractors stability after perturbationK=N 0.5*2N/2 N/e low highK>5 0.5*2BN ~Nf(PK) low high
K=1 (π/2*N)1/2 expotential in N low highK=2 N1/2 N1/2 high low1-median # of states on state cycle2-# of state cycle attractors in one net,3-refers to tendency to return to same state cycle after change of 1 node state.4-# of other state cycles to which net flows from each state cycle after all possible change of 1 node state.
Sieci dla różnych K
K=N Dla N=200 atraktor ma 10 stanów...; Każda zniana daje stan losowy.‘Chaotic behavior in these Boolean networks shows up in 2 major ways: The lengths of state cycles and sensitivity to initial conditions.’
30
K>5 P - internal homogenity in Boolean functions = <#1 lub #0 / 2 >K
K=2 Phase transition from chaos to order. Percolation of frozen clusters.5 do 15% zm.st.1.el. system zmienia atraktor, 70% zamrożone.Dla N=10000 atraktor ma 100 stanów a przestrzeń stanów 103000
Tabela 5.2: dla K od 1 do 7 kolejno: 0.5, 0.6875, 0.6367, 0.5982, 0.5699, 0.5497, 0.5352
Modyfikacje Sieci Kauffmana
Wierzchołek realizuje funkcję logiczną c:=f(a,b,...) K zmiennych.Jedna logiczna wartość c wyprowadzana jest w k różnych kierunków. a, b, c = 0 lub 1
k=3 (np.)
c:=f(a,b)K=2 (np.)zwykle const.
c
a b
cc
Ja stosuję też: (c,d):=f(a,b) (od 1975r) ‘agregat automatów’ k = K = 2, 3, ... (const.)
(c,d):=f(a,b)c
a b
d
Nowość: Iguchi at al. JTB 247, pp 138-151, (2007)użyli zmiennego K dla sieci scale-free
=> sygnały: a, b, c = 0..(s-1) s=2, 4, 8, 16, ... proponuję: ‘Kauffmana’ ale już nie Boolowska’
k jako stopień wierzchołka - różne typy sieci, nie tylko ‘Random’ Erdos-Renyiale i scale-free, single-scale i inne.
współczynnik rozmnażania zmiany w = k (s-1)/s
wierzchołek
jeżeli jeden sygnał wejściowy
jest zmieniony
przekształca: nowe sygnały wyj. := f(nowe sygnały wej.)
zwykle inne niż staresygnały wyjściowe
Tylko dla k=2, s=2 (w=1) zmiana nie rośnie. Dlatego typowe sieci Boolowskie są skrajne i
dają inne zjawiska (szczególny porządek) niż zwykle (chaos).
s - równoprawdopodobnych wariantów sygnału k - wyjść z wierzchołka
Ile średnio jest zmienionych sygnałów wyjściowych?
k=3 (np.)c:=f(a,b)K=2 (np.)zwykle const.
c
a b
ccwspółczynnik rozmnażania zmiany
w = k (s-1)/s Dla K=2:
d := dw - d w/2 dla sieci Kauffmana
d := dw - d dla agr.aut.2
2
2(s-1)(s+1)s
d = w t
w = w = 1.5
Damage spreading Dla sieci autonomicznych <k> = K
k=3 (np.)c:=f(a,b)K=2 (np.)zwykle const.
c
a b
cc
< d > dla 600 000inicjacji
d = w t
w = w = 1.5
s wpływa na dynamikęróżnie dla różnych sieci
Tylko dla k=2, s=2 damage nie rośnie (w=1). Taka typowa sieć Boolowska jest skrajna,
leży w obszarze przejścia fazowego chaos/porządek, może dawać nadmierną stabilność,
dla wszystkich innych k i s oczekujemy chaosu.
1.
Do badania obszaru chaotycznego stosuje się K>2 ( lub podwyższone P) ale zawsze tylko s=2.
Pokazałem, że K>2 nie może zastąpić s>2nawet gdy wsp. w jest ten sam,ponieważ daje to inne zachowanie różnych typów sieci:
2.
Dlaczego należy badać s>2
< d > dla 600 000inicjacji
k=3 (np.)c:=f(a,b)K=2 (np.)zwykle const.
c
a b
cc
s wpływa na dynamikęróżnie dla różnych sieci
(internal homogenity)
Dlaczego powinno być s > 2 ?
Tylko dla k=2, s=2 damage nie rośnie (w=1).
Ten przypadek jest wyjątkowy, może dawać porządek zamiast chaosu. 1.
K>2 nie może zastąpić s>2 w badaniach zachowania sieci.
2.
3. Teoria informacji Shannona : zip pliku jest zwykle mniejszy. (Komputer jako sieć Boolowska)
4. ‘Dobra’ alternatywa jest zwykle znacznie mniej prawdopodobna. (w systemach podlegających adaptacji)
3, 4 => Alternatywy zwykle nie są równoprawdopodobne.Ale my lubimy wygodne założenie o równym prawdopodobieństwie wariantów sygnału! => np. dla 1/4 i 3/4 możemy użyć s=4, jeden jest ‘dobry’ a reszta ‘zła’
=> Bądźcie ostrożni modelując nie fizykę używając s=2 i modeli Isinga lub szkieł spinowych albo sieci Boolowskich ...
AlgorytmMamy 2 identyczne systemy A i B. Jeden z nich np. B, zaburzamy małą zmianą (np. jeden stan).d = damage = Liczba wierzchołków o różnych stanach/N to wynik porównania A i B w kolejnych t po zaburzeniu
Ja liczę tylko jeden system B i to tylko samą damage, ale statystycznie.
Intuicja:W sieci bez sprzężeń zwrotnych można znaleźć taki stan sieci,że każdy wierzchołek ma stan (wyjście) odpowiadające jego wejściom.Podczas wzrostu sieć utrzymywana jest w zbliżonym stanie.Liczone są jedynie te wierzchołki, które mają zmieniony stan wejść,zakłada się, że brakujące (niezmienione) sygnały wejściowe są takie jak stare.To staranie jest zbędne, wystarczy, że:Wierzchołek do którego dotarła zmiana ma wynik losowy, który z określonym prawdopodobieństwem propaguje się dalej.Powtórne liczenie tych samych wierzchołków musi dać ten sam wynik statystyczny.
Różnice:U mnie proces gaśnie gdy jest zbyt mało jeszcze nie liczonych,normalnie proces trwa w ustalonym statystycznie stanie.
k=3 (np.)c:=f(a,b)K=2 (np.)zwykle const.
c
a b
cc
współczynnik rozmnażania zmiany
w = k (s-1)/s Dla K=2:
d := dw - d w/2 dla sieci Kauffmana
d := dw - d dla agr.aut.2
2
2(s-1)(s+1)s
d = w t
w = w = 1.5
Wygasanie realne i ‘pseudo’Różnice:U mnie proces gaśnie gdy jest zbyt mało ‘jeszcze nieliczonych’,normalnie proces trwa w ustalonym statystycznie stanie.
Tu zakłada się 1 zmieniony sygn.wej.
Średnia nie wygasa (wygasanie rzeczywiste)
Wygasanie ‘pseudo’ Różnice:U mnie proces gaśnie gdy jest zbyt mało ‘jeszcze nieliczonych’,normalnie proces trwa w ustalonym statystycznie stanie.
Tempo wzrostu damage w początkowym odcinku o małej statystycew środowisku o silnie zróżnicowanym k (i przez to w)jest silnie zróżnicowane.
Algorytm i przyczyny różnic w zachowaniu się sieci
< d > dla 600 000inicjacji
Mamy 2 identyczne systemy A i B. Jeden z nich np. B, zaburzamy małą zmianą (np. jeden stan).d = damage = Liczba wierzchołków o różnych stanach/N to wynik porównania A i B w kolejnych t po zaburzeniu
Ja liczę tylko jeden system B i to tylko samą damage, ale statystycznie.