🧬 biology

Intrinsic Resonance depends on Network Size of Coupled-Delayed Interacting Oscillators

यह शोधपत्र प्रदर्शित करता है कि युग्मित-विलंबित दोलकों (coupled-delayed oscillators) में नेटवर्क आकार और सामूहिक दोलन आवृत्ति के बीच व्यवस्थित संबंध सीधे प्रसार विलंब (propagation delays) से उत्पन्न होता है, जो एक सामान्य व्युत्क्रम स्केलिंग नियम (inverse scaling law) स्थापित करता है जहाँ अनुनाद (resonance) माध्य विलंब और प्रभावी युग्मन क्षेत्र द्वारा सीमित होता है।

मूल लेखक: Felipe A. Torres, Alejandro Weinstein, Jesus M. Cortes, Wael El-Deredy

प्रकाशित 2026-03-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felipe A. Torres, Alejandro Weinstein, Jesus M. Cortes, Wael El-Deredy

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

मुख्य विचार: बड़े मस्तिष्क (और नेटवर्क) धीमे क्यों चलते हैं

कल्पना कीजिए कि आप एक पार्टी में हैं। यदि आप केवल तीन दोस्तों के साथ एक छोटे कमरे में हैं, तो आप सभी लगभग तुरंत ही एक आदर्श लय (rhythm) में तालियाँ बजाना शुरू कर सकते हैं। आप एक-दूसरे को देखते हैं, एक-दूसरे की आवाज़ सुनते हैं, और तुरंत तालमेल बिठा लेते हैं।

अब, उसी पार्टी की कल्पना करें, लेकिन कमरा एक फुटबॉल स्टेडियम के आकार का है, और आप 1,000 लोगों को एक साथ तालियाँ बजाने के लिए प्रेरित करने की कोशिश कर रहे हैं। भले ही हर कोई एक ही समय पर ताली बजाना चाहता हो, लेकिन ध्वनि को स्टेडियम के एक छोर से दूसरे छोर तक जाने में अधिक समय लगता है। जब तक स्टेडियम के सुदूर बाईं ओर बैठा व्यक्ति दाईं ओर बैठे व्यक्ति की ताली की आवाज़ सुनता है, तब तक लय बदल चुकी होती है।

यह शोध पत्र उसी "यात्रा के समय" (या विलंब/delay) के बारे में है और यह कैसे एक समूह की लय की गति को बदल देता है।

शोधकर्ताओं ने एक मौलिक नियम खोजा है: नेटवर्क जितना बड़ा होगा, उसकी सामूहिक लय उतनी ही धीमी होती जाएगी। यह सामाजिक नेटवर्क से लेकर मानव मस्तिष्क तक, सब कुछ पर लागू होता है।

पात्रों का परिचय

अध्ययन को समझने के लिए, आइए मुख्य पात्रों से मिलें:

ऑसिलेटर्स (नर्तक - The Dancers): आपके मस्तिष्क के प्रत्येक न्यूरॉन (या नेटवर्क के प्रत्येक व्यक्ति) को एक नर्तक के रूप में सोचें। प्रत्येक नर्तक की अपनी प्राकृतिक ताल होती है (कुछ तेज़ होते हैं, कुछ धीमे)।
नेटवर्क (डांस फ्लोर - The Dance Floor): यह वह तरीका है जिससे नर्तक आपस में जुड़े हुए हैं। क्या वे सभी एक विशाल घेरे में हाथ पकड़े हुए हैं? क्या वे केवल अपने पड़ोसियों से बात कर रहे हैं?
विलंब (ध्वनि की गति - The Delay): यह वह समय है जो एक नर्तक से दूसरे न melalui संकेत यात्रा करने में लगता है। मस्तिष्क में, यह वह समय है जो एक विद्युत संकेत को तंत्रिका तंतु (nerve fiber) के माध्यम से यात्रा करने में लगता है।
अनुनाद (समूह की ताल - The Resonance): जब सभी तालमेल बिठा लेते हैं, तो वे एक एकल, एकीकृत लय बनाते हैं। यह "सामूहिक आवृत्ति" (collective frequency) है।

प्रयोग: नेटवर्क को बड़ा करने के चार तरीके

शोधकर्ताओं ने पूछा: यदि हम नेटवर्क को बड़ा करते हैं, तो समूह की लय का क्या होता है? उन्होंने यह देखने के लिए चार अलग-अलग "विकास परिदृश्य" (growth scenarios) का परीक्षण किया कि कौन से वास्तविक दुनिया में तर्कसंगत हैं।

1. "जादुई टेलीपोर्टेशन" (मामला I - Case I)

परिदृश्य: हम अधिक नर्तक जोड़ते हैं, लेकिन वे अपने संकेतों को किसी भी अन्य व्यक्ति तक तुरंत टेलीपोर्ट कर सकते हैं। कोई यात्रा समय नहीं।
परिणाम: समूह की लय बिल्कुल वैसी ही रहती है, चाहे समूह कितना भी बड़ा क्यों न हो जाए।
वास्तविकता की जाँच: यह वास्तविक दुनिया में असंभव है। कुछ भी तुरंत नहीं होता।

2. "अति-शक्तिशाली चिल्लाहट" (मामला II - Case II)

परिदृश्य: हम अधिक नर्तक जोड़ते हैं, लेकिन हम उन्हें दूरी की भरपाई करने के लिए बहुत ज़ोर से चिल्लाने के लिए भी कहते हैं। यात्रा का समय वही रहता है, लेकिन कनेक्शन मज़बूत हो जाता है।
परिणाम: लय धीमी हो जाती है, लेकिन यह परिदृश्य भौतिक रूप से अवास्तविक है। वास्तविक मस्तिष्क में, आप दूरी को दूर करने के लिए कनेक्शनों को अनंत रूप से मज़बूत नहीं कर सकते।

3. "विस्तारित स्टेडियम" (मामला III - Case III)

परिदृश्य: हम अधिक नर्तक जोड़ते हैं, और उन्हें समाने के लिए कमरा बड़ा हो जाता है। उनके बीच की दूरी बढ़ जाती है, इसलिए संकेत यात्रा करने में अधिक समय लगता है।
परिणाम: लय काफी धीमी हो जाती है। यदि कमरा बहुत बड़ा हो जाता है, तो नर्तक एक-दूसरे को सुन नहीं पाते और समूह तालमेल खो देता है।
वास्तविक दुनिया: यह एक बढ़ते हुए शहर की तरह है। जैसे-जैसे शहर फैलता है, संचार में अधिक समय लगता है।

4. "भीड़भाड़ वाला कमरा" (मामला IV - Case IV)

परिदृश्य: हम अधिक नर्तक जोड़ते हैं, लेकिन कमरा उसी आकार का रहता है। नर्तक एक-दूसरे के बहुत करीब आ जाते हैं।
परिणाम: भले ही वे करीब हों, संकेतों की भारी संख्या संकेतों का एक "ट्रैफिक जाम" पैदा कर देती है। लय फिर भी धीमी हो जाती है, लेकिन एक बहुत ही विशिष्ट और अनुमानित तरीके से।
वास्तविक दुनिया: यह मस्तिष्क के एक निश्चित क्षेत्र में अधिक न्यूरॉन्स जोड़ने जैसा है।

"आहा!" क्षण: सार्वभौमिक नियम

शोधकर्ताओं ने एक गणितीय सूत्र पाया जो सटीक भविष्यवाणी करता है कि नेटवर्क के आकार और विलंब के आधार पर समूह की लय कितनी धीमी होगी।

सरल भाषा में सूत्र:

समूह की गति = 1 / (कुल विलंब × कुल कनेक्शन)

इसे एक रिले रेस की तरह समझें। यदि आपके पास एक लंबा बैटन (बड़ा नेटवर्क) है और धावक धीमे हैं (उच्च विलंब), तो टीम की समग्र गति गिर जाती है। यह शोध पत्र सिद्ध करता है कि आकार और विलंब एक साथ बंधे हुए हैं। आप एक विशाल नेटवर्क के साथ तेज़ लय नहीं रख सकते जब तक कि आपका विलंब शून्य न हो (जो कि असंभव है)।

यह क्यों मायने रखता है? (मस्तिष्क का संबंध)

यह केवल गणित के बारे में नहीं है; यह बताता है कि हमारा मस्तिष्क कैसे काम करता है।

मस्तिष्क का आकार मायने रखता है: एक चूहे का मस्तिष्क छोटा होता है, इसलिए संकेत बहुत तेज़ी से चलते हैं। उसके न्यूरॉन तालमेल बिठाकर बहुत तेज़, उच्च-पिच वाली लय बना सकते हैं। एक हाथी या इंसान का मस्तिष्क बड़ा होता है। संकेतों को मस्तिष्क के पार जाने में अधिक समय लगता है, इसलिए हमारी सामूहिक लय स्वाभाविक रूप से धीमी होती है।
उम्र बढ़ना और बीमारी: जैसे-जैसे हम उम्र बढ़ाते हैं, या अल्जाइमर जैसी बीमारियों में, हमारे मस्तिष्क की "वायरिंग" (व्हाइट मैटर) खराब होने लगती है। इससे विलंब (delay) बढ़ जाता है। इस शोध पत्र के अनुसार, बढ़ा हुआ विलंब हमारी मस्तिष्क की लय को धीमा कर देगा। यह समझा सकता है कि उम्र बढ़ने के साथ संज्ञानात्मक प्रक्रिया (cognitive processing) क्यों धीमी हो जाती है।
मस्तिष्क का मानचित्रण (Mapping the Brain): जब वैज्ञानिक कंप्यूटर पर मस्तिष्क का अनुकरण (simulate) करने की कोशिश करते हैं, तो उन्हें सावधान रहना पड़ता है। यदि वे मस्तिष्क को छोटे टुकड़ों में काट देते हैं (उच्च रिज़ॉल्यूशन), तो सिमुलेशन बहुत तेज़ लय दिखा सकता है क्योंकि वे उन छोटे टुकड़ों के बीच की भौतिक दूरी को ध्यान में नहीं रख रहे होते हैं। यह शोध पत्र उन्हें इसे ठीक करने के लिए एक नियम पुस्तिका देता है।

निचोड़

यह शोध पत्र एक रहस्य को सुलझाता है: बड़े नेटवर्क धीमे क्यों चलते हैं?

यह पता चलता है कि ज्यामिति ही नियति है (Geometry is destiny)। एक नेटवर्क का भौतिक आकार और संकेतों को यात्रा करने में लगने वाला समय पूरे सिस्टम की गति को निर्धारित करता है। चाहे वह आपके सिर में न्यूरॉन्स का फायर होना हो या स्टेडियम में लोगों का ताली बजाना, यदि आप समूह को बड़ा करते हैं, तो लय को धीमा होना ही होगा।

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने एक गणितीय मॉडल बनाया, समीकरणों के साथ इसे सिद्ध किया, और फिर हजारों कंप्यूटर सिमुलेशन चलाकर दिखाया कि प्रकृति इस नियम का पूरी तरह से पालन करती है।

यहाँ टॉरेस एट अल. के शोध पत्र "Intrinsic Resonance depends on Network Size of Coupled-Delayed Interacting Oscillators" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र तंत्रिका विज्ञान (neuroscience) और जटिल प्रणालियों (complex systems) में एक मौलिक अवलोकन को संबोधित करता है: सिंक्रोनाइज्ड न्यूरोनल आबादी की सामूहिक आवृत्ति (collective frequency/network resonance) नेटवर्क के आकार के साथ एक व्यवस्थित व्युत्क्रम संबंध (inverse relationship) प्रदर्शित करती है। विशेष रूप से, बड़े संपूर्ण-मस्तिष्क नेटवर्क धीरे-धीरे दोलन (oscillate) करते हैं, जबकि उसी आयतन के सूक्ष्म पार्सिलेशन (finer parcellations) तेजी से दोलन करते हैं।

यद्यपि यह घटना मानव न्यूरोइमेजिंग और डिलेड न्यूरल मास मॉडल में देखी गई है, लेकिन इसके अंतर्निहित भौतिक तंत्र (physical mechanism) अभी भी अनसुलझे थे। पिछले अध्ययनों में अक्सर नोड संख्या के सापेक्ष इनपुट को सामान्यीकृत (normalize) किया गया था, जिससे वैश्विक गतिशील प्रभावों (global dynamical effects) के छिपने की संभावना बनी रही। लेखक यह विश्लेषणात्मक रूप से प्राप्त करने का लक्ष्य रखते हैं कि कैसे नेटवर्क का आकार, ज्यामितीय एम्बेडिंग (geometric embedding), और ट्रांसमिशन विलंब (transmission delays) मिलकर युग्मित ऑसिलेटर प्रणालियों (coupled oscillator systems) में उभरने वाली सामूहिक आवृत्ति को निर्धारित करते हैं।

2. कार्यप्रणाली (Methodology)

सैद्धांतिक ढांचा (Theoretical Framework)

लेखक $N$ युग्मित ऑसिलेटर्स के नेटवर्क का वर्णन करने के लिए विषम समय विलंब (heterogeneous time delays) वाले एक कुरोटो मॉडल (Kuramoto model) का उपयोग करते हैं। गतिकी (dynamics) द्वारा संचालित समीकरण है:
$\dot{\theta}_i = \omega_i + \frac{K}{N} \sum_{j=1}^{N} c_{ij} \sin[\theta_j(t - \tau_{ij}) - \theta_i(t)]$
जहाँ $\theta_i$ चरण (phase) है, $\omega_i$ प्राकृतिक आवृत्ति (natural frequency) है, $c_{ij}$ कपलिंग वेट (coupling weight) है, $\tau_{ij}$ ट्रांसमिशन डिले (transmission delay) है, और $K$ वैश्विक कपलिंग स्ट्रेंथ (global coupling strength) है।

रैखिकीकरण और व्युत्पत्ति (Linearization and Derivation):

निकट-तुल्यकालिक धारणा (Near-Synchrony Assumption): यह माना गया है कि प्रणाली एक निकट-तुल्यकालिक शासन ( $|\theta_j(t-\tau_{ij}) - \theta_i(t)| \ll 1$ ) में कार्य करती है।
रैखिकीकरण (Linearization): साइन (sine) फलन को रैखिकीकृत किया गया है, और विलंबित चरण को $\theta_j(t - \tau_{ij}) \approx \theta_j(t) - \Omega_j \tau_{ij}$ के रूप में अनुमानित किया गया है।
क्लोज्ड-फॉर्म समाधान (Closed-Form Solution): रैखिकीकृत प्रणाली को लाप्लास डोमेन में रूपांतरित करके और स्थिर-अवस्था लिमिट साइकिल ( $\dot{\theta}_i = \Omega_i = \Omega$ ) के लिए हल करके, लेखक सामूहिक आवृत्ति $\Omega$ के लिए एक क्लोज्ड-फॉर्म सन्निकटन (approximation) प्राप्त करते हैं:
$\Omega \approx \left( \sum_{j} c_{ij} \tau_{ij} \right)^{-1}$
यह सुझाव देता है कि अनुनाद (resonance) विलंब-सीमित (delay-limited) है और व्यवस्थित रूप से ज्यामितीय आकार या पार्सिलेशन घनत्व पर निर्भर करता है।

संख्यात्मक सिमुलेशन (Numerical Simulations)

लेखकों ने विश्लेषणात्मक भविष्यवाणियों को मान्य करने के लिए KuramotoNetworksPackage का उपयोग करके पूर्णतः जुड़े हुए (fully connected) और विरल (sparse) नेटवर्क का अनुकरण किया। उन्होंने चार अलग-अलग संरचनात्मक विकास परिदृश्यों का परीक्षण किया:

केस I (कोई ज्यामिति/विलंब स्केलिंग नहीं): $N$ के बावजूद स्थिर विलंब और भार (weights)।
केस II (बढ़ते भार, स्थिर विलंब): कपलिंग वेट $N$ के साथ स्केल होते हैं ( $c=N$ ), लेकिन विलंब स्थिर रहता है।
केस III (बढ़ता हुआ आयतन): नेटवर्क का आयतन $N$ के साथ फैलता है; विलंब $N$ के साथ रैखिक रूप से स्केल होते हैं ( $\tau \propto N$ ), भार स्थिर रहते हैं।
केस IV (निश्चित आयतन, बढ़ता हुआ घनत्व): नोड्स को एक निश्चित आयतन में पैक किया गया है; विलंब $\tau \propto 1/\sqrt{N}$ (2D स्पेस) के रूप में स्केल होते हैं और भार $c \propto N$ के रूप में स्केल होते हैं।

उन्होंने विभिन्न त्रिज्याओं और कनेक्टिविटी घनत्वों (फिक्स्ड डिग्री बनाम फिक्स्ड प्रोबेबिलिटी) वाले सर्कुलर नेटवर्कों को शामिल करते हुए विषम (heterogeneous) परिदृश्यों (केस A और B) का भी परीक्षण किया।

3. मुख्य योगदान (Key Contributions)

विश्लेषणात्मक स्केलिंग लॉ (Analytical Scaling Law): यह शोध पत्र एक कठोर व्युत्पत्ति प्रदान करता है जो दिखाता है कि सामूहिक आवृत्ति $\Omega$ कपलिंग वेट और विलंब के गुणनफल के व्युत्क्रमानुपाती (inversely proportional) होती है। सामान्य स्केलिंग लॉ $\Omega \approx (\sum c_{ij}\tau_{ij})^{-1}$ के रूप में पहचाना गया है।
"आकार-अनुनाद" विरोधाभास का समाधान (Resolution of the "Size-Resonance" Paradox): अध्ययन यह सिद्ध करता है कि बड़े नेटवर्क में दोलनों का धीमा होना मॉडल नॉर्मलाइजेशन का आर्टिफैक्ट नहीं है, बल्कि प्रसार विलंब (propagation delays) का एक सीधा भौतिक परिणाम है, जो बड़े ज्यामितीय दूरियों या घने कनेक्टिविटी के कारण संचित होता है।
ज्यामितीय बाधाओं का सत्यापन (Validation of Geometric Constraints): लेखक सिद्ध करते हैं कि केवल वे विकास परिदृश्य जो भौतिक ज्यामितीय बाधाओं (केस III और IV) के अनुरूप हैं, विश्लेषणात्मक भविष्यवाणी को संतुष्ट करते हैं। वे परिदृश्य जो ज्यामिति को अनदेखा करते हैं (केस I) या अवास्तविक वेट स्केलिंग (केस II) मानते हैं, इस व्युत्क्रम संबंध को दोहराने में विफल रहते हैं।
तुल्यकालिकता सीमाओं का परिमाणीकरण (Quantification of Synchrony Limits): विश्लेषण उस महत्वपूर्ण दहलीज (threshold) की पहचान करता है जहाँ नेटवर्क का आकार बढ़ने से डिसिंक्रोनाइजेशन (Kuramoto Order Parameter, KOP द्वारा मापा गया) होता है, जिससे रैखिक सन्निकटन टूट जाता है।

4. परिणाम (Results)

समरूप मामले (Homogeneous Cases):
- केस I: बिना विलंब के, $\Omega$ माध्य आंतरिक आवृत्ति $\langle \omega \rangle$ पर स्थिर रहता है। स्थिर विलंब के साथ, $\Omega$ नीबुर सीमा (Niebur limit) की ओर अभिसरित होता है, लेकिन जीव विज्ञान में देखे गए अनुसार $N$ के साथ व्युत्क्रमानुपाती रूप से स्केल नहीं होता है।
- केस II: स्थानिक विस्तार के बिना भार बढ़ाने से छोटे $N$ के लिए डिसिंक्रोनाइजेशन होता है, जो सिद्धांत से विचलित होता है।
- केस III (बढ़ता आयतन): जैसे-जैसे $N$ बढ़ता है, विलंब रैखिक रूप से बढ़ता है। सामूहिक आवृत्ति गिरती है, लेकिन बड़े $N$ के लिए सिंक्रोनी अंततः ढह जाती है ( $KOP \to 0$ )।
- केस IV (निश्चित आयतन): जैसे-जैसे एक निश्चित आयतन में $N$ बढ़ता है, विलंब घटता है ( $\propto 1/\sqrt{N}$ ) लेकिन संचयी इंटरेक्शन टर्म बढ़ता है। सिमुलेशन पुष्टि करते हैं कि $\Omega$ व्यवस्थित रूप से $N$ के साथ घटता है और उच्च सिंक्रोनी ( $KOP \approx 1$ ) बनाए रखता है, जो विश्लेषणात्मक भविष्यवाणी के साथ पूरी तरह मेल खाता है।
विषम मामले (Heterogeneous Cases - सर्कुलर नेटवर्क):
- बढ़ती त्रिज्या (केस A): जब नेटवर्क की त्रिज्या $N$ के साथ बढ़ती है, तो सामूहिक आवृत्ति अनुमानित रूप से घटती है, बशर्ते नेटवर्क सिंक्रोनाइज्ड रहे।
- फिक्स्ड डिग्री बनाम फिक्स्ड डेंसिटी: कम डिग्री वाले नेटवर्क (विरल कनेक्शन) अक्सर $N$ बढ़ने पर सिंक्रोनाइज़ होने में विफल रहते हैं, जिससे सामूहिक आवृत्ति माध्य आंतरिक आवृत्ति की ओर लौट जाती है। हालांकि, पर्याप्त कनेक्टिविटी घनत्व (जैसे, $p=0.6$ ) वाले नेटवर्क सफलतापूर्वक विश्लेषणात्मक स्केलिंग लॉ का पालन करते हैं।
- निश्चित त्रिज्या (केस B): एक निश्चित क्षेत्र में नोड घनत्व बढ़ाने से एक सामूहिक आवृत्ति प्राप्त होती है जो विश्लेषणात्मक भविष्यवाणी का अनुसरण करती है, जिसमें उच्च लेकिन पूर्ण नहीं सिंक्रोनी होने पर मामूली भिन्नता देखी जाती है।

5. महत्व और निहितार्थ (Significance and Implications)

न्यूरोसाइंस (Neuroscience): ये निष्कर्ष मस्तिष्क में देखे जाने वाले आकार-निर्भर कॉर्टिकल अनुनाद (cortical resonance) के लिए एक न्यूनतम भौतिक तंत्र प्रदान करते हैं। यह सुझाव देता है कि बुढ़ापे या न्यूरोडीजेनेरेशन में अल्फा/बीटा रिदम का धीमा होना आंशिक रूप से व्हाइट मैटर के क्षरण या नेटवर्क पुनर्गठन से बढ़े हुए प्रभावी विलंब के कारण हो सकता है।
मॉडलिंग सर्वोत्तम अभ्यास (Modeling Best Practices): यह अध्ययन चेतावनी देता है कि मस्तिष्क नेटवर्क मॉडल (जैसे, होल-ब्रेन सिमुलेशन) को इस बात का ध्यान रखना चाहिए कि नोड रेजोल्यूशन और स्थानिक एम्बेडिंग कैसे गैर-रेखीय रूप से उभरती गतिकी को प्रभावित करते हैं। केवल नोड संख्या बढ़ाना, बिना ज्यामितीय स्केलिंग कानूनों के अनुसार विलंब और भार को समायोजित किए, गलत गतिक भविष्यवाणी देगा।
सामान्य प्रणालियाँ (General Systems): हालांकि यह न्यूरोसाइंस से प्रेरित है, यह तंत्र किसी भी विलंबित-युग्मित प्रणाली (जैसे, पावर ग्रिड, सोशल नेटवर्क) पर लागू होता है, जो जटिल प्रणालियों में उभरने वाले टाइमस्केल को समझने के लिए एक एकीकृत ढांचा प्रदान करता है।
भविष्य की दिशाएँ (Future Directions): लेखक वास्तविक जैविक नेटवर्क की मेटास्टेबल गतिकी को बेहतर ढंग से पकड़ने के लिए शोर (noise), मॉड्यूल टोपोलॉजी और प्लास्टिसिटी तंत्र को शामिल करने के लिए इस ढांचे के विस्तार का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र स्थापित करता है कि आंतरिक अनुनाद (intrinsic resonance) एक ज्यामितीय गुण है, जहाँ सामूहिक आवृत्ति मौलिक रूप से नेटवर्क आकार, स्थानिक एम्बेडिंग और ट्रांसमिशन विलंब के बीच परस्पर क्रिया द्वारा सीमित होती है।