Self-consistent autocorrelation of a disordered Kuramoto model in the asynchronous state

In het uitgestrekte landschap van de natuurkunde en de biologie bestaat er een constante strijd tussen orde en chaos. Stel je een kamer voor vol met metronomen, of een bos vol krekels, of zelfs de miljarden neuronen die vuren in een menselijk brein. Elke eenheid heeft haar eigen natuurlijke ritme, dat op haar eigen tempo tikt. Wanneer deze eenheden aan elkaar gekoppeld zijn, kunnen ze soms in een gezamenlijke stap gaan lopen, waardoor ze een krachtige, verenigde hartslag creëren. Dit fenomeen, bekend als synchronisatie, wordt al decennia bestudeerd omdat het verklaart hoe vuurvliegjes in unisono flitsen of hoe hartcellen samen kloppen. Echter, de tegenovergestelde staat is even gebruikelijk en net zo belangrijk: de asynchrone staat. In deze conditie marcheren de eenheden niet naar dezelfde trommel; ze bewegen onafhankelijk van elkaar en creëren een complexe, fluctuerende achtergrondruis in plaats van één enkel, luid signaal. In veel biologische systemen, zoals het gezonde brein, is dit gebrek aan perfecte synchronisatie eigenlijk de standaard en noodzakelijke staat voor een goede functie. Precies begrijpen hoe deze onafhankelijke eenheden zich gedragen, en hoe hun individuele ritmes eruitzien wanneer ze worden beïnvloed door een rommelig, wanordelijk netwerk, is een moeilijke puzzel gebleven voor wetenschappers.

Een team onderzoekers gevestigd in Berlijn en Parijs heeft nu een belangrijke stap gezet naar het oplossen van deze puzzel door zich te richten op een beroemd wiskundig model genaamd het Kuramoto-model. Dit model is een standaardinstrument om te beschrijven hoe gekoppelde oscillatoren met elkaar interageren, maar het is traditioneel gebruikt om de momenten te bestuderen waarop alles in eenheid loopt. De onderzoekers wilden naar de andere kant van de medaille kijken: de asynchrone staat, waarbij het systeem wanordelijk is. In de echte wereld zijn netwerken zelden perfect. De verbindingen tussen eenheden variëren in sterkte, en de natuurlijke ritmes van de eenheden zelf zijn nooit exact hetzelfde. De onderzoekers vroegen zich af hoe deze twee soorten wanorde — variaties in hoe eenheden met elkaar verbonden zijn en variaties in hun natuurlijke snelheden — het individuele gedrag van de eenheden beïnvloeden wanneer het hele systeem niet gesynchroniseerd is. Ze ontdekten dat hoewel het systeem als geheel chaotisch kan lijken, het gedrag van elke individuele eenheid een voorspelbaar patroon volgt dat beschreven kan worden met een nieuwe, vereenvoudigde methode.

Om dit probleem aan te pakken, ontwikkelden de onderzoekers een techniek die een massief, complex netwerk effectief inkrimpt tot een enkele, representatieve eenheid. In plaats van te proberen de bewegingen van tienduizend individuele oscillatoren tegelijkertijd te volgen, wat rekenkundig duur en moeilijk te analyseren is, creëerden ze een "mean field"-benadering (gemiddeld veld). Deze methode behandelt de invloed van het gehele netwerk op een enkele oscillator als een soort achtergrondruis. Ze realiseerden zich dat deze ruis niet op een simpele manier willekeurig is; het heeft een eigen structuur en statistieken die afhangen van het gedrag van de oscillatoren zelf. Om dit op te lossen, gebruikten ze een iteratief proces. Ze begonnen met een gok over hoe deze achtergrondruis eruitzag, simuleerden de beweging van een enkele oscillator die door die ruis werd gedreven, en maten vervolgens het resulterende ritme. Ze gebruikten de resultaten van die simulatie om hun gok over de ruis bij te werken, en herhaalden deze cyclus keer op keer. Uiteindelijk kwamen de gok en het resultaat perfect overeen, wat een zelfconsistent beeld onthulde van hoe het systeem zich gedraagt. Dit stelde hen in staat om het vermogensspectrum te berekenen, wat in essentie een kaart is die laat zien hoeveel energie de oscillatoren hebben bij verschillende frequenties, zowel voor individuele eenheden als voor het netwerk als geheel.

De onderzoekers testten deze methode tegen directe computersimulaties van het volledige netwerk, waarbij de vergelijkingen voor duizenden oscillatoren simultaan werden opgelost. De resultaten waren opvallend consistent. Wanneer ze naar netwerken keken waar de verbindingen tussen oscillatoren willekeurig en wanordelijk waren, ontdekten ze dat de individuele ritmes veel breder en minder scherp werden. In een perfect geordend netwerk zou een oscillator op een zeer specifieke frequentie kunnen neuriën. Maar wanneer de verbindingen rommelig zijn, verspreidt die enkele frequentie zich, wat een breder bereik aan activiteit creëert. De studie toonde aan dat deze verbreding rechtstreeks wordt veroorzaakt door de wanorde in de verbindingen. Nog verrassender was dat ze ontdekten dat voor grote netwerken de specifieke gemiddelde sterkte van de verbindingen er nauwelijks toe deed, zolang het systeem zich in de asynchrone staat bevond. Of de verbindingen nu licht positief of licht negatief waren, het algemene patroon van de ruis en de individuele ritmes bleef hetzelfde. Dit suggereert dat in grote, wanordelijke systemen de details van de gemiddelde verbinding minder belangrijk zijn dan de pure variabiliteit van de verbindingen zelf.

Echter, het verhaal verandert wanneer het netwerk klein is. Wanneer de onderzoekers hun methode toepasten op een klein netwerk van slechts acht oscillatoren, ontdekten ze dat de gemiddelde sterkte van de verbindingen er wel degelijk toe deed. In deze kleine systemen kon de specifieële waarde van de verbindingssterkte het verloop van de ritmes aanzienlijk veranderen, waardoor er duidelijke pieken ontstonden die niet aanwezig waren in de grotere netwerken. Dit benadrukt een cruciaal verschil tussen kleine en grote systemen: in een grote menigte vallen de individuele eigenaardigheden van de verbindingen weg, maar in een kleine groep telt elke verbinding. De onderzoekers bevestigden ook dat hun methode werkt voor de klassieke versie van het model waarbij alleen de natuurlijke snelheden variëren, evenals voor de complexere versie waarbij de verbindingen zelf willekeurig zijn. Ze demonstreerden dat hun benadering het gedrag van het systeem nauwkeurig kon voorspellen zonder telkens het volledige, enorme netwerk te hoeven simuleren.

De implicaties van dit werk reiken verder dan abstracte wiskunde. Het vermogen om de asynchrone staat van een wanordelijk netwerk nauwkeurig te beschrijven, is essentieel voor het begrijpen van real-world systemen zoals het brein, waar neuronen voortdurend op een complexe, niet-gesynchroniseerde manier vuren. Het is ook van toepassing op technische systemen zoals elektriciteitsnetten, waarbij het behouden van een stabiele maar niet te rigide staat essentieel is. Door aan te tonen dat een complex, hoog-dimensionaal probleem kan worden teruggebracht tot een eenvoudige, zelfconsistente vergelijking, hebben de onderzoekers een krachtig nieuw instrument voor wetenschappers geleverd. Ze hebben aangetoond dat zelfs in een staat van schijnbare wanorde, er een diepe onderliggende orde is die begrepen en voorspeld kan worden. De studie beweert niet elk mysterie van synchronisatie te hebben opgelost, maar heeft succesvol het terrein van de asynchrone staat in kaart gebracht, waarbij wordt onthuld hoe wanorde het ritme van het individu binnen de menigte vormgeeft.