原创 集智编辑部 2025-05-07 20:33 上海
摘要
自举渗流是一种被广泛研究的网络级联失效鲁棒性分析模型。大量现实数据分析表明，网络元素间存在超越成对交互的高阶交互作用，这类交互通常通过超图描述。本文提出了一种超图上的广义自举渗流模型，该模型假设非活跃节点的激活取决于其通过超边连接的活跃邻居数量。通过数值模拟与理论分析，我们发现渗流阈值与相变类型与感染阈值及高阶边比例密切相关：当感染阈值较大时，对于任意初始激活概率，巨型活跃组件（GAC）的规模均随占据概率增加呈现连续增长；当感染阈值较小时，随着初始激活概率增大，GAC的规模会从连续增长转变为非连续增长。此外研究发现，在固定网络平均度的情况下，提高高阶边比例会降低渗流阈值，从而增强网络鲁棒性；同时高阶边为节点激活创造了更多机会，相同条件下增加高阶边比例会使GAC规模从连续增长转变为非连续增长。
关键词：超图，自举渗流（bootstrap percolation）、巨活跃组件（Giant Active Component, GAC）、高阶相互作用，相变
论文题目：Bootstrap percolation on hypergraph
发表时间：2025年4月10日
论文地址：https://doi.org/10.1063/5.0245651
期刊名称：Chaos
研究背景
传统网络科学研究多关注节点间的成对相互作用，但现实系统中广泛存在的高阶相互作用（如社交群体共识、神经元集群调控）需要更复杂的建模工具。超图（hypergraph）通过允许单条超边（hyperedge）连接多个节点，成为描述这类群体行为的重要框架。近期 Chaos 发表一项研究，首次将自举渗流模型拓展至超图，揭示了高阶相互作用对网络抗毁性和传播动力学的深刻影响。
超图上的激活机制：从节点到群体的级联
研究提出了一种基于超图的自举渗流模型，初始时随机激活部分节点，随后通过两阶段迭代传播：
1. 节点→超边感染：若超边内活跃节点数超过阈值，整个超边被激活；
2. 超边→节点感染：被激活超边中的剩余节点转为活跃状态。
这一过程模拟了现实中的群体行为“引爆点”，例如社交媒体中局部共识的突然爆发或疾病在社区内的快速扩散。研究进一步通过蒙特卡洛模拟和理论推导，提出了巨活跃组件（GAC）的计算方法，GAC的定义是稳定状态下最大连通活跃节点集群的相对大小，标志着网络的抗毁性。
图 1. 在由 11 个节点和 5 条超边构成的随机超图中，阈值 K = 2 的自举渗流过程示意图，其中蓝色节点为初始激活节点，灰色节点为随后激活的节点。（a）初始状态下，超图中没有激活节点。（b）根据初始激活百分比 f 随机激活一些节点，即图中的蓝色节点。（c）由于图中两条超边中的激活节点数量达到阈值 K，因此整个超边被激活，超边中剩余的节点也被激活，即图中的灰色节点。（d）然后另外两条超边中的激活节点数量达到阈值，导致整个超边被激活，其剩余节点 4 和 6 也被激活。整个超图被激活，达到稳定状态。
相变类型：阈值与超边比例的博弈
团队通过蒙特卡洛模拟与生成函数理论分析发现，网络最终巨活跃组件（GAC）出现了两种相变模式：
连续相变：当感染阈值较大时，GAC随初始激活比例连续增长，无突跃现象。
不连续相变：当感染阈值较小时，GAC可能在特定初始激活发生突跃。例如，在平均超度⟨q⟩ = 3 的超图中，增加高阶超边比例（即三元及以上边）会降低渗流阈值，使网络更鲁棒，但同时可能触发GAC的突跃增长。
这一现象源于亚临界脆弱集群：当活跃节点数接近感染阈值时，微小扰动即可触发级联激活。高阶超边通过增强节点间的协同效应，加速了这种“雪崩式”扩散。
理论突破：
随机超图与均匀超图的临界行为差异
研究对比了均匀超图（所有超边基数相同）和随机超图（超边基数服从泊松分布）的相变特征：
均匀超图：渗流阈值与超边基数呈负相关，稀疏网络更易因激活条件苛刻而难以形成GAC。
随机超图：超边基数的异质性导致系统更易出现二阶相变，即GAC规模在临界点附近发生突变（图3）。
通过构建自洽方程，团队推导出临界阈值公式，揭示了超度分布与超边基数分布对网络抗毁性的联合作用。
图 2. 在均匀超图中 d = 3 时的渗流转变。（a）和（c）活跃节点的比例 Sa 作为占据概率 p 和平均超度 ⟨q⟩ 的函数。（b）和（d）巨连通分量的大小 Sgc 作为占据概率 p 和平均超度 ⟨q⟩ 的函数。在（a）和（b）中阈值 K = 4，在（c）和（d）中阈值 K = 5。白色曲线表示渗流阈值。
图 3. 随机超图上的渗流转变。（a）活跃节点的比例 Sa 作为占据概率 p 和平均超度 ⟨q⟩ 的函数，K = 4。（b）GAC 的大小 Sgc 作为占据概率 p 和平均基数 ⟨q⟩ 的函数，K = 4。（c）活跃节点的比例 Sa 作为占据概率 p 和平均超度 ⟨q⟩ 的函数，K = 5。（d）GAC 的大小 Sgc 作为占据概率 p 和平均基数 ⟨q⟩ 的函数，K = 5。（e）-（h）在相同参数设置下平均基数和占据概率对渗流的影响。白色曲线代表渗流阈值。
现实启示：从脆弱性预警到传播干预
1. 社交网络韧性：增加群体互动（高阶边）可降低系统崩溃阈值，但需警惕“超边过度连接”导致的不稳定相变风险。
2. 传播控制策略：在疾病防控中，针对基数较大的超边（如密集社区）实施局部隔离，可有效提高感染阈值\( K \)，抑制不连续爆发现象。
3. 信息扩散优化：研究为“病毒式传播”提供了动力学解释——当初始激活节点渗透足够多脆弱集群（vulnerable clusters）时，GAC规模将呈指数级跃升。
未来展望
该模型为信息传播、疾病防控等领域提供了新视角，例如，在流行病学中，群体接触（如家庭、学校）的感染阈值可用于预测疫情爆发临界点；在供应链网络中，高阶依赖关系的识别有助于优化关键节点保护策略。这项研究为理解大脑神经网络同步、供应链中断传播等复杂现象提供了新工具，标志着网络科学向高阶动力学迈出关键一步。 未来研究可进一步探索异质性超图（如节点权重、动态阈值）对级联失效的影响，以及多层级网络的耦合效应。
彭晨 | 编译
高阶网络社区
随着对现实世界探索的不断深入，人们发现在许多真实的复杂系统中，组成系统的个体之间不仅存在二元交互关系，也广泛存在多个体同时（或以特定顺序）进行交互，即高阶交互现象。为此，研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型，为复杂网络分析和研究提供了新的思路。
由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师在集智俱乐部联合发起了【高阶网络读书会】。读书会围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，按照「基础理论」+「深入理论」+「案例研讨」的模式展开。读书会第一季已经圆满结束，第二季正在筹备中。现在报名加入可以解锁第一季全部录播视频并加入社群交流。
详情请见：
推荐阅读
2. 斯坦福、谷歌发布生成式代理：25个AI智能体，在虚拟小镇自由成长
5. 探索者计划 | 集智俱乐部2025内容团队招募（全职&兼职）
6. 加入集智，玩转复杂，共创斑图！集智俱乐部线下志愿者招募
点击“阅读原文”，报名读书会
