Low-Dimensional Phase Diagram of Higher-Order Networked Systems

Komplexe Systeme, vom Ausbruch eines Virus in einer Stadt bis hin zum plötzlichen Ausfall eines Stromnetzes, verhalten sich oft auf eine Weise, die unvorhersehbar erscheint, bis es zu spät ist. Diese Systeme bestehen aus vielen einzelnen Teilen, die miteinander interagieren. Lange Zeit haben Wissenschaftler verstanden, dass ein System einen Bruchpunkt erreichen kann, wenn diese Teile in einfachen Paaren interagieren. In diesem kritischen Moment, bekannt als Kipppunkt, kann das gesamte System abrupt von einem gesunden, aktiven Zustand in einen toten, inaktiven Zustand oder umgekehrt umschlagen. Dieser Übergang erklärt, warum eine kleine Störung manchmal einen massiven Zusammenbruch auslösen kann, während dieselbe Störung in anderen Fällen ohne Folgen absorbiert wird. Die Herausforderung für die Forscher bestand darin, genau zu kartieren, wo diese Kipppunkte liegen, und zu verstehen, warum einige Systeme fragil sind, während andere resilient sind.

Bis vor kurzem gingen die meisten wissenschaftlichen Modelle davon aus, dass Interaktionen nur zwischen zwei Entitäten gleichzeitig stattfinden. Reale Systeme sind jedoch komplexer. In einem sozialen Netzwerk verbreitet sich ein Gerücht vielleicht nicht nur von einer Person zur nächsten, sondern durch eine Gruppe von drei Freunden, die es gleichzeitig diskutieren. In einem biologischen System kann ein Gen durch die kombinierte Wirkung von zwei anderen Genen reguliert werden, nicht nur durch eines. Diese Gruppeninteraktionen, die die gleichzeitige Beteiligung von drei oder mehr Teilen beinhalten, erzeugen eine Ebene der Komplexität, die traditionelle Modelle nicht erfassen können. Sie können die Natur des Systemübergangs grundlegend verändern und es möglich machen, dass ein System gleichzeitig mehrere stabile Zustände besitzt, wobei das Endergebnis vollständig davon abhängt, wie das System gestartet ist.

Ein Team von Forschern der Tongji-Universität in Shanghai hat einen neuen Weg entwickelt, um diese Komplexität zu entwirren. Sie entwickelten einen mathematischen Rahmen, der das Verhalten dieser komplizierten Multi-Teil-Netzwerke in ein viel kleineres, leichter analysierbares System vereinfacht. Anstatt zu versuchen, den Zustand jedes einzelnen Knotens in einem riesigen Netzwerk zu verfolgen, verdichtet ihre Methode die gesamte Dynamik des Systems auf nur wenige Schlüsselvariablen. Diese Reduktion ermöglicht es ihnen, genau vorherzusagen, wo die Kipppunkte liegen, und ein vollständiges Diagramm, oder Phasendiagramm, zu zeichnen, das die verschiedenen Zustände zeigt, die ein System einnehmen kann. Ihre Arbeit zeigt, dass die Art und Weise, wie diese Gruppeninteraktionen im Verhältnis zu den einfachen Paarinteraktionen angeordnet sind, entscheidend ist. Wenn die Verbindungen für Gruppen von drei eng mit den Verbindungen zwischen Paaren übereinstimmen, neigt das System eher dazu, in einen aktiven Zustand umzukippen, wird aber auch empfindlicher gegenüber den Anfangsbedingungen, was potenziell zu einer Situation führen kann, in der das System in einem Zustand der Ungewissheit stecken bleibt.

Die Forscher testeten ihren Rahmen an drei sehr unterschiedlichen Arten realer Netzwerke, um zu sehen, ob er Bestand hat. Zuerst untersuchten sie, wie sich eine Epidemie durch ein Kontaktnetzwerk einer Highschool ausbreitet, das 180 Schüler und tausende Interaktionen umfasste. Sie fanden heraus, dass ihr vereinfachtes Modell die Grenzen zwischen einem Zustand, in dem die Krankheit ausstirbt, einem Zustand, in dem sie sich weit verbreitet, und einem sensiblen Mittelweg, in dem das Ergebnis davon abhängt, wie viele Schüler anfangs infiziert waren, genau vorhersagen konnte. Als Nächstes wandten sie die Methode auf ein Netzwerk von Proteininteraktionen in Hefe an, das über 1.600 Knoten umfasst, um die Genregulation zu verstehen. Schließlich untersuchten sie ein Netzwerk der Gehirnkonnektivität mit über 900 Knoten, um die neuronale Aktivität zu studieren. In allen drei Fällen sagte das reduzierte Modell die Phasengrenzen und die Art der Übergänge erfolgreich voraus und stimmte mit den Ergebnissen detaillierter Computersimulationen überein.

Eine der bedeutendsten Erkenntnisse ist, dass das Vorhandensein dieser höheren Interaktionen nicht automatisch komplexes Verhalten garantiert; die Stärke der Interaktion ist entscheidend. Die Forscher entdeckten, dass für einen abrupten, diskontinuierlichen Sprung zwischen Zuständen – ein Phänomen, das als erstklassiger Phasenübergang bezeichnet wird – die Stärke der Gruppeninteraktionen einen spezifischen kritischen Schwellenwert überschreiten muss. Unter diesem Schwellenwert verhält sich das System kontrollierter. Darüber hinaus kann das System in einen Bereich der Bistabilität eintreten, in dem es sich je nach seiner Vorgeschichte entweder in einem aktiven oder in einem inaktiven Zustand einpendeln kann. Dies erklärt, warum manche Systeme eine Erinnerung an ihre vergangenen Bedingungen zu haben scheinen, ein Phänomen, das als Hysterese bezeichnet wird. Die Studie zeigte auch, dass die Resilienz eines Systems, oder seine Fähigkeit, Schocks zu widerstehen, eng mit der Ausrichtung der Paar- und Gruppenverbindungen verknüpft ist. Wenn diese verschiedenen Arten von Verbindungen einander verstärken, ist das System eher bereit, in einen aktiven Zustand umzukippen, wird aber auch anfälliger für einen Zusammenbruch, falls diese Aktivität verloren geht.

Indem sie eine allgemeine Theorie für diese kritischen Übergänge liefern, bietet diese Arbeit ein neues Werkzeug zur Antizipation systemischer Risiken. Ob es darum geht, eine Finanzkrise zu verhindern, die Ausbreitung einer Krankheit zu managen oder die Stabilität eines ökologischen Systems zu gewährleisten – das Verständnis der Geometrie dieser Kipppunkte ist essenziell. Die Fähigkeit vorherzusagen, wann ein System kurz davor steht, von einer heilbaren Störung in einen irreversiblen Zusammenbruch überzugehen, markiert einen bedeutenden Fortschritt beim Management der Komplexität der modernen Welt. Die Forscher haben gezeigt, dass selbst in Systemen mit tausenden beweglichen Teilen die Regeln, die über ihr Schicksal bestimmen, in eine klare, handhabbare Form destilliert werden können, die die verborgene Struktur offenbart, die darüber entscheidet, ob ein System gedeiht oder scheitert.