Large and small fluctuations in oscillator networks from heterogeneous and correlated noise

Resumen Técnico: Fluctuaciones Grandes y Pequeñas en Redes de Osciladores a partir de Ruido Heterogéneo y Correlacionado

Planteamiento del Problema
Las redes de osciladores acoplados, como las que modelan redes eléctricas o la dinámica neuronal, exhiben comportamientos colectivos como la sincronización. Estos sistemas suelen poseer múltiples estados estables e inestables. Si bien el ruido externo induce inevitablemente fluctuaciones alrededor de los estados sincronizados estables, la mayoría de los análisis existentes asumen que el ruido es homogéneo en intensidad y no está correlacionado entre los componentes de la red. Sin embargo, los sistemas del mundo real frecuentemente exhiben intensidades de ruido heterogéneas (por ejemplo, variaciones en la potencia de entrada) y correlaciones (debido al embebido espacial o interacciones no modeladas). Este manuscrito aborda la brecha en la comprensión de cómo tales características realistas del ruido afectan dos regímenes distintos: las fluctuaciones pequeñas (SFs, por sus siglas en inglés) cerca de los estados sincronizados y las fluctuaciones grandes (LFs, por sus siglas en inglés) que impulsan al sistema hacia inestabilidades de silla, causando deslizamientos de fase y escapes de cuenca. Una pregunta central investigada es si la magnitud de las fluctuaciones pequeñas (varianza de la red) predice de manera confiable la tasa de las fluctuaciones grandes (tiempos de escape).

Metodología
Los autores analizan una red de osciladores de Kuramoto sujetos a ruido, gobernada por la ecuación diferencial:
$$\dot{\theta}_i = \omega_i + K \sum_j A_{ij} \sin(\theta_j - \theta_i) + \sum_m G_{im}\xi_m(t)$$
donde $\xi_m(t)$ son procesos gaussianos blancos independientes y $G$ es una matriz de entrada que codifica la intensidad y la correlación del ruido.

1. Fluctuaciones Pequeñas (SFs): Los autores realizan un análisis de estabilidad lineal alrededor de un punto fijo sincronizado $\theta^*$. Al expandir la dinámica al primer orden, derivan una expresión para la varianza total de la red $\langle \delta\theta^T \delta\theta \rangle$. Se demuestra que esta varianza es proporcional a una amplitud de ruido efectiva $q$, la cual depende de la matriz de covarianza $GG^T$ y de los autovalores/autovectores del Laplaciano ponderado de la red.
2. Fluctuaciones Grandes (LFs): Para analizar eventos raros que conducen a inestabilidades de silla, los autores introducen la Aproximación del Modo Indicador (IMA). Esta técnica proyecta la dinámica de alta dimensión de la red sobre una única dimensión de amplitud $a(t)$, que representa la distancia entre el estado actual y un punto de silla. Esta reducción transforma el problema en un sistema no lineal unidimensional con ruido aditivo.
3. Estimación de la Tasa: Utilizando la IMA, los autores construyen la ecuación de Fokker-Planck y aplican la aproximación WKB para derivar la "acción" $S$, la cual determina la tasa exponencial de las fluctuaciones grandes. La tasa está gobernada por una amplitud de ruido efectiva $Q$, distinta de la amplitud de las SF.
4. Modelos de Ruido: El estudio evalúa cuatro configuraciones específicas de ruido:
   • Ruido de nodo heterogéneo y no correlacionado.
   • Ruido de borde correlacionado y de borde anti-correlacionado.
   • Ruido de modo colectivo (ruido alineado con modos propios específicos de la red).
   • Ruido de nodo dirigido (ruido concentrado en osciladores específicos).

Contribuciones Clave y Resultados

• Cuantificación de las Fluctuaciones Pequeñas: Los autores derivan una fórmula analítica (Ec. 5) que vincula la varianza de la red con el solapamiento entre la covarianza del ruido y los modos lentos del estado sincronizado.

  • Para el ruido no correlacionado heterogéneo, la varianza se amplifica en redes débilmente conectadas, redes con nodos centrales (hubs) y aquellas con grandes diámetros. En redes densas, los efectos de la heterogeneidad se promedian.
  • Para el ruido de borde anti-correlacionado, la varianza total de la red en el límite de acoplamiento fuerte depende únicamente del tamaño de la red $N$, no de la topología.
  • Para el ruido de borde correlacionado, la varianza es significativamente mayor que en el caso anti-correlacionado para redes dispersas con grandes diámetros.
  • Para el ruido de modo colectivo, la varianza se maximiza cuando el ruido se inyecta en el modo estable más lento (el modo Fiedler).

• Cuantificación de las Fluctuaciones Grandes: La IMA proporciona un método tratable para estimar las tasas de escape. La tasa de escape está determinada por una amplitud de ruido efectiva $Q$ (Ec. 17).

  • Para el ruido de nodo heterogéneo, las LFs se maximizan cuando el ruido apunta a nodos que deben recorrer la mayor distancia para alcanzar la silla, en lugar de apuntar necesariamente al modo Fiedler.
  • Para el ruido de borde correlacionado, las LFs se maximizan cuando el signo de la correlación entre nodos conectados se alinea con el producto de sus desplazamientos hacia la silla.
  • Para el ruido de modo colectivo, la IMA captura la tendencia de los tiempos de deslizamiento, aunque con una dispersión moderada debido a la alta correlación.

• Desacoplamiento de los Regímenes de SF y LF: Un hallazgo principal es que la varianza total de la red (régimen de SF) no necesariamente predice la tasa de las fluctuaciones grandes (régimen de LF).

  • En el caso de ruido aleatoriamente heterogéneo, existe una fuerte correlación ($R \approx 0.83-0.84$) entre la varianza de las SF y las tasas de las LF.
  • Sin embargo, para el ruido dirigido y el ruido de borde correlacionado, la correlación es significativamente más débil ($R \approx 0.21-0.41$). Esto demuestra que una red con alta varianza de fluctuaciones pequeñas no implica automáticamente una alta tasa de escape de la cuenca, y viceversa.

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre los análisis de fluctuaciones pequeñas y grandes en redes de osciladores ruidosas mediante la introducción de amplitudes de ruido efectivas distintas ($q$ para SF y $Q$ para LF) para entornos de ruido heterogéneo y correlacionado. Los autores demuestran que, mientras las fluctuaciones pequeñas están bien descritas por la varianza linealizada de la red, las fluctuaciones grandes dependen de una proyección diferente del ruido sobre la trayectoria específica hacia la inestabilidad.

La significancia radica en el hallazgo de que una mayor varianza de la red en el régimen de fluctuaciones pequeñas no conduce necesariamente a tasas más altas de fluctuaciones grandes. Esto desafía la suposición de que el monitoreo de la varianza a pequeña escala es suficiente para predecir la estabilidad o las tasas de escape de redes complejas. La Aproximación del Modo Indicador (IMA) se presenta como una herramienta analítica novedosa que reduce la dimensionalidad del problema de escape preservando las condiciones de contorno exactas (estado estable y silla), ofreciendo una alternativa más eficiente a las soluciones numéricas de sistemas hamiltonianos de alta dimensión. El trabajo sugiere que las estrategias de diseño de redes destinadas a la mitigación del ruido deben considerar el régimen de interés específico (excursiones pequeñas frente a escape de cuenca) y la estructura específica de las correlaciones de ruido, ya que optimizar para uno no garantiza la optimización para el otro.