Weight geometry governs functional memory in complex systems

Résumé Technique : La Géométrie des Poids Gouverne la Mémoire Fonctionnelle dans les Systèmes Complexes

Énoncé du Problème
La science des réseaux traditionnelle postule que l'organisation fonctionnelle des systèmes complexes — allant des réseaux de régulation génique aux infrastructures de transport — est principalement déterminée par la topologie structurelle (par exemple, l'hétérogénéité des degrés, la modularité, les propriétés spectrales). Cependant, cette perspective topologique suppose implicitement que l'existence de connexions dicte la dynamique fonctionnelle, négligeant le rôle des intensités d'interaction. Les auteurs soutiennent que les observables structurels ne parviennent pas à résoudre la manière dont les influences causales historiques sont pondérées, supprimées ou distribuées à travers les profondeurs temporelles. Les réseaux possédant des topologies statiques similaires peuvent compresser l'histoire causale à des taux très différents, une distinction invisible pour l'analyse de graphes binaires. Le problème central abordé est de savoir si la géométrie des intensités d'interaction (transport pondéré) régit la profondeur et l'organisation de la mémoire fonctionnelle d'une manière que la topologie seule ne peut capturer.

Méthodologie
Les auteurs introduisent un cadre thermodynamique pour quantifier la mémoire fonctionnelle en tant que résistance hiérarchique à la compression. Les composantes méthodologiques clés incluent :

1. Cascade Thermodynamique de la Mémoire : Les réseaux dirigés sont modélisés comme des multigraphes où les poids des arêtes représentent les intensités d'interaction. Une famille de propagateurs de mémoire de degré $n$, $T^{(n)}_t$, est définie comme des matrices de transition pour des marches aléatoires non markoviennes qui échantillonnent des chemins dirigés de longueur au plus $n$. Ces chemins sont pondérés par un coût énergétique $e^{-\beta(t)|\gamma|}$, où $\beta(t)$ est une température inverse macroscopique contrôlant la suppression des contributions de longue mémoire.
2. Référence d'Équilibre et Thermalisation : À mesure que $\beta(t)$ augmente, les contributions de longue mémoire sont supprimées, entraînant une « cascade de thermalisation ». Le système passe d'un état d'équilibre à histoire infinie (associé à un état de Kubo–Martin–Schwinger [KMS]) à des régimes de mémoire finie. Les auteurs définissent les temps de thermalisation $\tau_n$ comme le temps macroscopique auquel une approximation de profondeur $n$ devient indiscernable de la limite d'histoire infinie.
3. Observables Clés : Trois métriques caractérisent la signature de la mémoire :
   • Profondeur de Mémoire Effective (EMD - Effective Memory Depth) : Suit l'horizon causal instantané.
   • Spectre Hiérarchique de la Mémoire ($\mu_l$) : Enregistre la distribution du temps de thermalisation à travers les profondeurs de mémoire.
   • Ratio Non-Markovien (NMR) : Mesure la persistance de la longue mémoire par rapport au temps de gel ($\tau_1/\tau_0$).
4. Décomposition du Modèle Nul : Pour isoler des moteurs structurels spécifiques, les auteurs comparent les réseaux empiriques à trois ensembles de modèles nuls :
   • Modèle de Configuration Dirigé (DCM - Directed Configuration Model) : Préserve les séquences de degrés mais randomise le câblage (isole la structure mésoscopique).
   • Modèle de Fluctuation de Géométrie (GFM - Geometry Fluctuation Model) : Préserve la topologie binaire mais randomise les poids des arêtes (isole la géométrie des poids).
   • Modèle de Bruit de Polarité (PNM - Polarity Noise Model) : Randomise les directions des arêtes (isole la directionnalité).
5. Analyse Comparative : L'étude analyse 34 réseaux empiriques couvrant les domaines biologiques, écologiques, sociaux et technologiques. Les différences dans l'organisation de la mémoire sont quantifiées à l'aide de la distance de 1-Wasserstein entre les spectres de mémoire hiérarchiques.

Résultats Clés

• Régularité Universelle de la Géométrie des Poids : Dans 32 des 34 réseaux analysés, les intensités d'interaction réelles organisent la mémoire fonctionnelle à une profondeur hiérarchique nettement supérieure à celle des assignations de poids aléatoires sur la même topologie. La comparaison avec le GFM révèle que la géométrie des poids réels approfondit systématiquement la mémoire (NMR plus élevé), tandis que la randomisation supprime les contributions profondes. Deux exceptions ont été identifiées : le trafic aérien américain (où la mémoire est déterminée entièrement par la topologie des hubs, rendant les poids inertes) et un réseau trophique de zones humides (où les flux estimés par le modèle manquaient de résolution suffisante).
• Mécanisme d'Amplification : L'approfondissement de la mémoire provient du fait que les systèmes réels corrèlent les interactions fortes le long de chemins dirigés cohérents. Cela crée une amplification multiplicative des contributions de marches profondes qui survit à la suppression thermique. La randomisation des poids détruit ces corrélations, déplaçant la dynamique vers des mémoires effectives plus superficielles.
• Rôles Distincts des Composantes Structurelles :
  • Géométrie des Poids : Gouverne systématiquement la profondeur de la mémoire.
  • Structure Mésoscopique : Façonne l'organisation de la mémoire à travers les échelles mais ne détermine pas universellement la profondeur.
  • Directionnalité : Module la sensibilité de la cascade aux perturbations structurelles mais ne détermine pas universellement la profondeur. Son effet varie selon le domaine (ex. : supprimant la mémoire profonde dans les circuits neuronaux mais la maintenant dans les réseaux trophiques).
• Organisation Dynamique de Basse Dimension : Malgré la diversité structurelle, les réseaux se regroupent en quatre organisations dynamiques récurrentes :
  1. Diffuse : Distribution de mémoire à haute entropie et large spectre (ex. : E. coli, interactomes protéiques humains).
  2. Réactive : Mémoire profonde avec une compression concentrée et une sensibilité directionnelle modérée (ex. : la plupart des réseaux trophiques, connectomes neuronaux).
  3. Stable : Mémoire profonde avec une compression diffuse et une faible sensibilité directionnelle (ex. : aviation mondiale, correspondance de Darwin).
  4. Impulsionnelle (Pulse) : Compression extrême dominée par une échelle caractéristique unique (ex. : trafic aérien américain, Photosystème I des plantes).
• Convergence et Divergence Trans-Domaines : Des systèmes aux substrats sans lien (ex. : trafic aérien et photosynthèse) peuvent converger vers la même organisation dynamique (Impulsionnelle), tandis que des systèmes appartenant à la même classe biologique (ex. : E. coli vs interactomes protéiques humains) peuvent diverger dans leurs réponses mésoscopiques et de polarité malgré le partage d'une organisation « Diffuse ».

Signification et Revendications
Cet article établit la géométrie du transport pondéré comme un organisateur primaire de la mémoire fonctionnelle, démontrant que les interactions pondérées portent une structure dynamique que la topologie binaire seule ne peut récupérer. Les auteurs affirment que :

1. La Topologie est Insuffisante : Les observables structurels déterminent quels chemins existent, mais pas la force avec laquelle les histoires causales distantes restent intégrées. Ignorer les poids revient à écarter un déterminant primaire de la manière dont les systèmes organisent l'histoire causale.
2. Critère Opérationnel de la Structure Fonctionnelle : La comparaison GFM fournit un critère falsifiable pour déterminer si les poids des arêtes encodent une véritable structure d'interaction fonctionnelle. Un écart positif ($NMR_{réel} > NMR_{GFM}$) confirme que les assignations de poids spécifiques approfondissent la mémoire causale au-delà du hasard. Inversement, des écarts proches de zéro indiquent que les poids sont soit dynamiquement inertes, soit insuffisamment résolus.
3. Paysage Fonctionnel de Basse Dimension : La complexité fonctionnelle se décompose en deux axes indépendants : un pilote structurel (ce qui organise la hiérarchie de la mémoire) et une organisation dynamique (comment la mémoire est distribuée et compressée). Ce cadre révèle des principes organisationnels invisibles à l'analyse structurelle conventionnelle, montrant que les systèmes s'organisent selon la structure de la mémoire thermodynamique plutôt que selon la similitude structurelle seule.

Le travail ne propose pas de nouvelles applications expérimentales mais offre un cadre de diagnostic rigoureux pour analyser les données de réseaux existantes, suggérant que la « géométrie » des intensités d'interaction est une régularité fondamentale et universelle dans les systèmes complexes.