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

技術要約：不均一かつ相関のあるノイズ下における振動子ネットワークの小規模および大規模変動

問題提起
電力網や神経ダイナミクスのモデリングに用いられる結合振動子ネットワークは、同期といった集団的振る舞いを示す。これらのシステムは、多くの場合、複数の安定状態と不安定状態を併せ持つ。外部ノイズは、安定した同期状態の周囲に必然的に変動を引き起こすが、既存の解析の多くは、ノイズの強度が均一であり、ネットワーク構成要素間で無相関であることを前提としている。しかし、現実世界のシステムでは、不均一なノザ強度の特性（例：入力電力変動の差異）や、相関関係（空間的な埋め込みや未モデル化された相互作用によるもの）が頻繁に見られる。本稿は、このような現実的なノイズ特性が、2つの異なるレジーム、すなわち、同期状態近傍での小規模変動（SFs）と、システムをサドル不安定へと導き、位相スリップやベイスン脱出を引き起こす大規模変動（LFs）にどのように影響するかという理解のギャップに対処するものである。中心となる問いは、「ネットワークの分散（小規模変動の大きさ）が、大規模変動の発生率（脱出時間）を信頼性高く予測できるか否か」である。

手法
著者らは、以下の微分方程式に従う、ノイズの影響下にある蔵本振動子ネットワークを解析している：
$$\dot{\theta}_i = \omega_i + K \sum_j A_{ij} \sin(\theta_j - \theta_i) + \sum_m G_{im}\xi_m(t)$$
ここで、$\xi_m(t)$ は独立したホワイトガウス過程であり、$G$ はノイズ強度と相関をエンコードする注入行列である。

1. 小規模変動 (SFs): 著者らは、同期した固定点 $\theta^*$ の周囲で線形安定性解析を行う。ダイナミクスを一次まで展開することで、全ネットワーク分散 $\langle \delta\theta^T \delta\theta \rangle$ の式を導出する。この分散は、ノイズ共分散行列 $GG^T$ と、重み付きラプラシアンの固有値・固有ベクトルに依存する有効ノイズ振幅 $q$ に比例することが示される。
2. 大規模変動 (LFs): サドル不安定に至る稀な事象を解析するため、著者らは指標モード近似 (Indicator Mode Approximation: IMA) を導入する。この手法は、高次元のネットワークダイナミクスを、現在の状態とサドル点との間の距離を表す単一の振幅次元 $a(t)$ へと投影する。この次元削減により、問題は加法的なノイズを持つ一次元の非線形システムへと変換される。
3. レート推定: IMAを用いて、著者らはフォッカー・プランク方程式を構築し、WKB近似を適用して、大規模変動の指数関数的な率を決定する「作用（action）」$S$ を導出する。このレートは、SFの振幅 $q$ とは異なる、有効ノイズ振幅 $Q$ によって支配される。
4. ノイズモデル: 本研究では、以下の4つの特定のノイズ構成を評価する：
   • 不均一で無相関なノードノイズ。
   • エッジ相関ノイズおよびエッジ反相関ノイズ。
   • 集団モードノイズ（特定のネットワーク固有モードに整合したノイズ）。
   • 標的ノードノイズ（特定の振動子に集中したノイズ）。

主要な貢献と結果

• 小規模変動の定量化: 著者らは、ネットワークの分散とノイズ共分散および同期状態の低速モードとのオーバーラップを結びつける解析的な公式（式5）を導出した。

  • 不均一無相関ノイズの場合、分散は、結合が弱いネットワーク、中心的なハブを持つネットワーク、および直径が大きいネットワークにおいて増幅される。高密度なネットワークでは、不均一性の影響は平均化される。
  • 反相関エッジノイズの場合、強結合極限における全ネットワーク分散は、トポロジーではなくネットワークサイズ $N$ にのみ依存する。
  • 相関エッジノイズの場合、疎なネットワークで直径が大きい場合、分散は反相関の場合よりも著しく大きくなる。
  • 集団モードノイズの場合、ノイズが最も遅い安定モード（フィードラーモード）に注入されるときに、分散は最大となる。

• 大規模変動の定量化: IMAは、脱出率を推定するための扱いやすい手法を提供する。脱出率は、有効ノイズ振幅 $Q$（式17）によって決定される。

  • 不均一ノードノイズの場合、大規模変動は、必ずしもフィードラーモードを標的にするのではなく、サドルに到達するために最も遠くまで移動しなければならないノードを標的にする場合に最大化される。
  • エッジ相関ノイズの場合、大規模変動は、接続されたノード間の相関の符号が、それらのサドルへの変位の積と一致するときに最大化される。
  • 集団モードノイズの場合、IMAはスリップ時間の傾向を捉えるが、高い相関のために適度な広がりが生じる。

• SFレジームとLFレジームのデカップリング: 主要な知見は、全ネットワーク分散（SFレジーム）が、大規模変動の発生率（LFレジーム）を必ずしも予測しないということである。

  • ランダムに不均一なノイズの場合、SF分散とLFレートの間には強い相関（$R \approx 0.83-0.84$）が存在する。
  • しかし、標的ノードノイズおよびエッジ相関ノイズの場合、その相関は著しく弱くなる（$R \approx 0.21-0.41$）。これは、高い小規模変動分散を持つネットワークが、自動的に高いベイスン脱出率を意味するわけではないことを示している。

意義と主張
本論文は、不均一かつ相関のあるノイズ環境下における、小規模変動と大規模変動の解析の間のギャップを、異なる有効ノイズ振幅（SFのための $q$ および LFのための $Q$）を導入することで埋めることを主張している。著者らは、小規模な分散は線形化されたネットワーク分散によってよく記述される一方で、大規模な変動は、不安定性への特定の経路に対するノイズの異なる投影に依存することを実証している。

その意義は、小規模変動レジームにおけるネットワーク分散が大きいことは、必ずしも大規模変動の発生率が高いことを意味しないという発見にある。これは、小規模な分散のモニタリングが、複雑なネットワークの安定性や脱出率を予測するのに十分であるという仮定に異を唱えるものである。指標モード近似（IMA）は、高次元のハミルトニアン系の数値解に代わる、より効率的な手法として、境界条件（安定状態とサドル）を正確に保持しながら、脱出問題の次元を削減する新しい解析的ツールとして提示されている。本研究は、ノイズ軽減を目的としたネットワーク設計戦略は、検討すべきレジーム（小規模な逸脱か、あるいはベイスン脱出か）およびノイズ相関の特定の構造を考慮しなければならないこと、そして一方を最適化することが必ずしも他方の最適化を保証するわけではないことを示唆している。