A General Capacity Frontier of Complex Networks

एक एकल कोशिका के सूक्ष्म वायरिंग से लेकर एक वैश्विक अर्थव्यवस्था की विस्तृत धमनियों तक, जटिल प्रणालियाँ एक छिपे हुए गुण को साझा करती हैं: उन सभी की एक सीमा होती है। चाहे वह बहुत अधिक कारों के कारण जाम होता ट्रैफिक ग्रिड हो, किसी क्रैश के दौरान जम जाता वित्तीय बाजार हो, या कोई जैविक नेटवर्क हो जो अणुओं के अत्यधिक सक्रिय होने पर बदल जाता है, ये प्रणालियाँ एक ऐसी चरम तीव्रता तक पहुँचती हैं जहाँ उनका व्यवहार मौलिक रूप से बदल जाता है। दशकों से, वैज्ञानिक समझते आए हैं कि ये सीमाएँ मौजूद हैं, लेकिन यह पता लगाने के लिए कि वे क्या हैं, आमतौर पर उस विशिष्ट प्रणाली के गहरे, विशिष्ट ज्ञान की आवश्यकता होती थी। यह जानने के लिए कि एक शहर कितना ट्रैफिक संभाल सकता है, आपको शहरी नियोजन का अध्ययन करने की आवश्यकता थी; यह जानने के लिए कि एक वायरस कितनी तेजी से फैलता है, आपको महामारी विज्ञान (epidemiology) का अध्ययन करने की आवश्यकता थी। यह प्रश्न कि क्या ये सीमाएँ इन सभी अलग-अलग दुनियाओं में एक एकल, सार्वभौमिक नियम का पालन करती हैं, अनसुलझा रहा है।

कॉर्नेल यूनिवर्सिटी के शोधकर्ताओं का एक नया अध्ययन सुझाव देता है कि वास्तव में एक सामान्य नियम पुस्तिका मौजूद है। वे प्रस्तावित करते हैं कि एक जटिल प्रणाली की अधिकतम क्षमता केवल उसके विशिष्ट विवरणों का एक यादृच्छिक दुर्घटना नहीं है, बल्कि एक "फ्रंटियर" (सीमा रेखा) द्वारा निर्धारित होती है जो दो चीजों से तय होती है: इसके अंतर्निध संरचनात्मक संबंधों का आकार और इसके माध्यम से प्रवाहित होने वाली गतिविधि की प्रकृति। बीस अत्यंत भिन्न प्रणालियों—पावर ग्रिड और सोशल मीडिया से लेकर बीमारी के प्रकोप और अंतर्राष्ट्रीय व्यापार तक—को एक ही गणितीय संरचना के विभिन्न रूपों के रूप में मानकर, टीम ने पाया कि एक एकल मॉडल उन प्रणालियों की ऊपरी सीमाओं की सटीक भविष्यवाणी कर सकता है जिन्हें उसने पहले कभी नहीं देखा था। यह खोज संकेत देती है कि एक नेटवर्क कितना कार्य कर सकता है, इसके नियम आश्चर्यजनक रूप से सुसंगत हैं, चाहे वह नेटवर्क न्यूरॉन्स से बना हो, सड़कों से या व्यापार समझौतों से।

शोधकर्ताओं ने एक विशिष्ट प्रकार की प्रणाली को परिभाषित करने से शुरुआत की जिसे वे "नेटवर्क सबस्ट्रेट स्ट्रक्चर्ड सिस्टम" (network substrate structured system) कहते हैं। कल्पना कीजिए कि एक प्रणाली के दो अलग-अलग भाग हैं। पहला भाग एक स्थिर कंकाल या 'सबस्ट्रेट' है: नोड्स और उन्हें जोड़ने वाली रेखाएं, जैसे कि एक शहर के चौराहे और सड़कें, या लोग और उनकी मित्रता। दूसरा भाग गतिशील प्रक्रिया है: समय के साथ होने वाली वास्तविक घटनाएं, जैसे कारों का चलना, संदेशों का भेजा जाना, या संक्रमण का फैलना। पारंपरिक विज्ञान में, इन दोनों भागों का अक्सर अलग-अलग अध्ययन किया जाता है या केवल अपने विशिष्ट क्षेत्र के भीतर ही देखा जाता है। हालाँकि, कॉर्नेल की टीम ने विषय वस्तु को हटा दिया और केवल कंकाल के संरचनात्मक आकार और गतिविधि के सांख्यिकीय पैटर्न को देखने का निर्णय लिया।

उन्होंने पाँच व्यापक श्रेणियों में फैले पच्चीस विभिन्न प्रणालियों से डेटा एकत्र किया: पृथ्वी और भौतिक विज्ञान, जीवन विज्ञान और चिकित्सा, प्रौद्योगिकी और सूचना, व्यापार और संस्थान, तथा परिवहन और बुनियादी ढांचा। ये प्रणालियाँ आकार और पैमाने में बहुत भिन्न थीं। कुछ नेटवर्कों में केवल कुछ दर्जन कनेक्शन थे, जबकि अन्य में अरबों थे। कुछ ने गतिविधि को सेकंडों में मापा, तो कुछ ने वर्षों में। इस अध्ययन से पहले, एक मौसम के पैटर्न की तुलना एक राजमार्ग के अधिकतम ट्रैफिक प्रवाह से करना सेब की तुलना आकाशगंगाओं से करने जैसा होता। शोधकर्ताओं ने प्रत्येक प्रणाली को संख्या के एक मानकीकृत सेट में बदल दिया। उन्होंने प्रत्येक नेटवर्क के आकार को इक्कीस संरचनात्मक विशेषताओं के एक वेक्टर में अनुवादित किया, जैसे कि नोड्स कितने जुड़े हुए थे और नेटवर्क कैसे व्यवस्थित था। उन्होंने गतिशील प्रक्रिया के लिए भी ऐसा ही किया, घटनाओं के प्रवाह को सात हस्ताक्षरों (signatures) के एक वेक्टर में अनुवादित किया जो यह वर्णन करते थे कि गतिविधि कितनी अस्थिर या सुसंगत थी।

एक बार जब प्रत्येक प्रणाली को इन दो संख्या सेटों में बदल दिया गया, तो शोधकर्ताओं ने एक कंप्यूटर मॉडल को इन संख्याओं और प्रणाली की अधिकतम देखी गई दर के बीच संबंध खोजने के लिए प्रशिक्षित किया। वे किसी प्रणाली के औसत व्यवहार की भविष्यवाणी करने की कोशिश नहीं कर रहे थे, बल्कि उसकी 'सीलिंग' (छत)—उस उच्चतम बिंदु की, जहाँ वह कभी पहुँचती है। मॉडल ने एक "कैपेसिटी फ्रंटियर" (क्षमता सीमा) सीखी, जो एक अदृश्य छत की तरह काम करती है जो इस बात को सीमित करती है कि गतिविधि कितनी ऊँची जा सकती है। उनके तरीके का सबसे उल्लेखनीय हिस्सा यह था कि उन्होंने इस छत को कैसे बनाया। उन्होंने पाया कि सीमा का वर्णन करने का सबसे अच्छा तरीका दो अलग-अलग सीखे गए घटकों को जोड़ना है: एक जो नेटवर्क के आकार से प्राप्त होता है और दूसरा जो गतिविधि के पैटर्न से प्राप्त होता है। यह "लॉग-एडिटिव" (log-additive) दृष्टिकोण, जहाँ संरचनात्मक सीमा और प्रक्रियात्मक सीमा मिलकर अंतिम सीमा निर्धारित करते हैं, डेटा का वर्णन करने का सबसे सटीक तरीका साबित हुआ।

इसके बाद टीम ने इस फ्रंटियर को यह परीक्षण करने के लिए लगाया कि क्या यह एक वास्तविक खोज थी या केवल एक भाग्यशाली अनुमान। उन्होंने "लीव-वन-ग्रुप-आउट" (leave-one-group-out) नामक एक कठोर पद्धति का उपयोग किया। इसका अर्थ था कि उन्होंने चौबीस प्रणालियों पर मॉडल को प्रशिक्षित किया और फिर उस एक प्रणाली की अधिकतम क्षमता की भविष्यवाणी करने के लिए कहा जिसे उसने पहले कभी नहीं देखा था। उन्होंने यह प्रत्येक प्रणाली के लिए और संपूर्ण समूहों के लिए किया, जैसे कि सभी परिवहन नेटवर्कों को छोड़ देना ताकि यह देखा जा सके कि क्या मॉडल एक व्यापार नेटवर्क की सीमाओं की भविष्यवाणी कर सकता है। परिणाम सुसंगत थे। फ्रंटियर ने उन प्रणालियों की अधिकतम दरों को सफलतापूर्वक सीमित किया जिनका उसने पहले कभी सामना नहीं किया था, भले ही वे प्रणालियाँ पूरी तरह से अलग वैज्ञानिक क्षेत्रों से थीं। मॉडल ने एक पावर ग्रिड के संरचनात्मक डेटा और एक सोशल नेटवर्क के गतिविधि पैटर्न का उपयोग करके बीमारी के प्रकोप की सीमा की भविष्यवाणी की, और यह सफल रहा।

यह सुनिश्चित करने के लिए कि यह कोई इत्तेफाक नहीं था, शोधकर्ताओं ने अपने निष्कर्षों को कई तनाव परीक्षणों (stress tests) के अधीन किया। उन्होंने पहले यह जांचा कि क्या मॉडल डेटा में थोड़ा बदलाव करने पर स्थिर रहता है। उन्होंने संख्याओं में शोर (noise) जोड़ा, नेटवर्कों में कनेक्शनों को इधर-उधर किया, या गतिविधि पैटर्न को सुधारा। लगभग हर मामले में, मॉडल की भविष्यवाणी करने की क्षमता अपरिवर्तित रही। इससे पता चला कि फ्रंटियर डेटा बिंदुओं का एक नाजुक अवशेष नहीं था, बल्कि स्वयं प्रणालियों की एक मजबूत विशेषता थी। हालाँकि, जब उन्होंने डेटा और वास्तविकता के बीच के संबंध को जानबूझकर तोड़ दिया—जैसे कि अधिकतम दरों को इस तरह से बदला कि वे अब नेटवर्कों से मेल नहीं खाते थे या यादृच्छिक संख्याएं उत्पन्न कीं—तो मॉडल का प्रदर्शन गिर गया। इसने पुष्टि की कि फ्रंटियर एक वास्तविक, सार्थक संबंध सीख रहा था, न कि केवल पैटर्न को याद कर रहा था।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या एक अधिक जटिल या सरल मॉडल बेहतर काम करेगा। उन्होंने संरचनात्मक डेटा को हटाकर केवल गतिविधि पैटर्न का उपयोग करने का प्रयास किया, या इसके विपरीत, और पाया कि दोनों में से कोई भी संयुक्त दृष्टिकोण जितना प्रभावी नहीं था। उन्होंने अधिक जटिल गणितीय सूत्रों का भी परीक्षण किया जो इन दोनों प्रकार के डेटा को जटिल तरीकों से मिलाते थे, लेकिन इनसे परिणामों में कोई सुधार नहीं हुआ। सरल, दो-भाग वाला एडिटिव मॉडल सबसे कुशल और सटीक था। इसके अलावा, उन्होंने तीन अलग-अलग प्रकार के लर्निंग एल्गोरिदम—लीनियर स्टैटिस्टिक्स, डिसीजन ट्रीज़ और न्यूरल नेटवर्क—का परीक्षण किया और पाया कि तीनों एक ही उत्तर पर पहुँचे। विभिन्न गणितीय दृष्टिकोणों के बीच यह सहमति बताती है कि क्षमता फ्रंटियर इन प्रणालियों का एक मौलिक गुण है, न कि किसी विशिष्ट कंप्यूटर एल्गोरिदम द्वारा बनाई गई एक भ्रम।

सबसे दिलचस्प निष्कर्षों में से एक मॉडल में मौजूद "स्लैक" (slack/खाली स्थान) का आकार था। जबकि फ्रंटियर ने अधिकतम दरों को सफलतापूर्वक सीमित किया, अक्सर अनुमानित छत और वास्तविक उच्चतम दर के बीच एक महत्वपूर्ण अंतर था। कई मामलों में, अनुमानित सीमा वास्तविक शिखर से लगभग एक हजार गुना अधिक थी। शोधकर्ताओं ने नोट किया कि यह अंतर इसलिए हो सकता है क्योंकि वे विशिष्ट समय अंतराल में दैनिक दरों को देख रहे थे, या माप स्वयं अपूर्ण थे। उन्होंने यह दावा नहीं किया कि यह अंतर क्यों मौजूद है, लेकिन उन्होंने इस बात पर जोर दिया कि फ्रंटियर अभी भी एक विश्वसनीय ऊपरी सीमा के रूप में सही है। इस 'स्लैक' का अस्तित्व यह सुझाव देता है कि जबकि नेटवर्क संरचना और प्रक्रिया पूर्ण सैद्धांतिक सीमा को परिभाषित करते हैं, वास्तविक दुनिया की प्रणालियाँ शायद ही कभी उस किनारे तक पहुँच पाती हैं।

अध्ययन यह निष्कर्ष निकालता है कि जटिल नेटवर्कों की क्षमता कोई रहस्य नहीं है जो प्रत्येक क्षेत्र के लिए अद्वितीय हो, बल्कि एक साझा बाधा है जिसे संरचना और गतिशीलता की एक सामान्य भाषा के माध्यम से समझा जा सकता है। यह सिद्ध करके कि एक एकल मॉडल पारिस्थितिकी तंत्र, अर्थव्यवस्थाओं और परिवहन ग्रिडों जैसी विविध प्रणालियों की अधिकतम दरों को सीमित कर सकता है, शोधकर्ताओं ने सीमाओं को देखने का एक नया तरीका प्रदान किया है। उन्होंने दिखाया कि आपको हर क्षेत्र का विशेषज्ञ होने की आवश्यकता नहीं है ताकि आप एक प्रणाली की सीमाओं को समझ सकें; आपको केवल उसके कनेक्शन के आकार और उसके प्रवाह की प्रकृति को समझने की आवश्यकता है। यह कार्य डोमेन-विशिष्ट गहन ज्ञान की आवश्यकता को प्रतिस्थापित नहीं करता है, जो समस्याओं को हल करने और हस्तक्षेप करने के लिए अभी भी आवश्यक है। इसके बजाय, यह एक सार्वभौमिक बेंचमार्क प्रदान करता है, एक ऐसा तरीका जो हमारी जटिल दुनिया को थामे रखने वाली अदृश्य दीवारों को देखने में मदद करता है, यह प्रकट करता है कि हमारी विविध प्रणालियों की सतह के नीचे, क्षमता के नियम आश्चर्यजनक रूप से एक समान हैं।