Replicator--Mutator Dynamics on Networks with Spatial Nonlocality: Theory and Applications
本文引入了一种结合了通过 -路径拉普拉斯算子实现的非局部相互作用的广义复制-突变模型，旨在证明网络中的长程影响能够降低维持多样性所需的突变强度，并能触发从行为集群向均匀分布的突发转变，从而同时促进行为频率的有效多样性与同质性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在研究群体如何随时间演变的过程中，科学家经常观察个体如何在不同的行为方式之间进行选择。想象一下这样一个场景：在一个人群中，每个人都在努力决定是遵循一个流行的规则还是另一个规则。在许多模型中，人们仅向站在自己身边的邻居学习，即模仿邻居的选择。这种局部学习创造了共识的小型区域，但也可能让一个群体长期陷入单一的行为模式中。然而在现实世界中，影响很少止步于直接的邻居。一种趋势可以传遍整个城市，一个谣言可以从一个社区跳跃到另一个社区，一个新思想可以传播到最初听到它的人所能触及的遥远之处。理解这些长距离连接如何改变群体的演化过程，对于解释从文化习惯的传播到社会规范的稳定性等一切现象都至关重要。
由研究人员 Porikshit Mondal 和 Ernesto Estrada 进行的一项新研究，正是对这个问题进行了深入探讨。他们采用了一个标准的数学模型，该模型用于描述在人类网络中行为如何竞争与变异，并在此基础上增加了一层长程影响。在他们的版本中，个体不仅向最亲近的联系人学习，还可以受到网络中较远人群的影响，且这种影响的强度随着距离的增加而逐渐减弱。通过在各种类型的网络上进行模拟，研究人员发现，允许这些长距离连接从根本上改变了结果。当人们可以向远方的他人学习时，群体实现多样性所需的随机变化要少得多。更令人惊讶的是，如果这些长程连接足够强大，系统会突然从“所有人跟随同一个领导者”的状态，跳转到“每种可能的行为都被平等代表”的状态。
研究人员首先构建了一个计算机模型，模拟一个人口群体，其中每个人都采取特定的行为，而群体的整体状态由持有每种观点的人数来定义。在这一模型的传统版本中，影响是严格局部的。如果你与某人相连，你可能会模仿他；如果你不相连，则不受其影响。这种设置通常会导致“行为趋同”（behavioral flocking），即整个群体最终会收敛于一种占主导地位的行为，就像鱼群同步转向一样。为了引入现实世界中远程影响的复杂性，团队使用了一种数学工具，允许跨越网络中的多个步骤进行交互。他们创建了一个系统，其中影响的“权重”取决于将两人隔开的步数。在他们的模型中，一个较小的数值意味着即使是遥远的连接也带有显著的权重，而一个较大的数值则意味着只有直接邻居才具有影响。
当他们在包括模拟社交圈的小世界网络和随机网络在内的不同网络结构上运行模拟时，出现了一个清晰的模式。在仅限局部的版本中，群体需要较高的随机切换率——本质上是需要大量的人因为偶然因素改变想法——才能打破单一的主导行为并实现多样性。然而，当研究人员开启长程连接时，群体对变化的敏感度变得更高。他们发现，在拥有强长程影响的情况下，即使是非常微小的随机切换也足以打破单一行为的主导地位。群体会迅速从统一的状态转变为最大多样性的状态，即每种可用的行为都被以相似的人数在实践着。
这种转变并非缓慢、渐进的过程。研究人员观察到，它发生得非常突然，就像开关切换一样。一旦长程影响跨越了某个阈值，系统就会几乎瞬间从完全一致的状态跳转到完全多样化的状态。为了确认这是一种真实的、剧烈的变化而非平滑的曲线，他们通过几种方式测试了该系统。他们观察了随着群体规模增加，这种跳转是如何变得更加剧烈和明确的；他们还测试了在缓慢增加随机切换率并随后缓慢降低时的情形。他们发现，系统并没有在原点返回初始状态；相反，即使在切换率下降时，它仍保持在多样化状态，这种现象被称为“滞后现象”（hysteresis）。这种对先前状态的“记忆”，结合了群体根据其起始点可以稳定在统一或多样状态的能力，证实了该系统正在经历一种独特的、一级相变（first-order phase transition）。
研究还探讨了这种效应是否取决于网络的具体形状。他们在环状结构、随机网络以及带有少量高度连接枢纽（hubs）的网络上测试了模型。尽管这些网络的构建方式各异，但结果是一致的：强长程连接始终驱动系统走向全球化的高多样性状态。这表明，从远方来源学习的能力是一种强大的力量，可以凌驾于局部群体锁定在单一行为的倾向之上。研究人员还开发了一种衡量不同网络行为相似度的方法。通过比较各种人工网络和真实世界网络对相同的局部与长程影响混合作用的反应，他们可以绘制出哪些结构表现相似，哪些表现不同，从而为基于其动态潜力而非仅仅基于其形状来对网络进行分类提供了一种新方法。
这些发现的影响超越了抽象数学本身。研究表明，在任何人们向他人学习的系统中——无论是新时尚的传播、政治观点的采纳，还是语言的演变——跨越网络的能力都是多样性的关键驱动力。如果影响被限制在直接邻居范围内，群体可能会停滞在单一模式中。但如果网络允许长距离学习，即使是极小的实验性尝试也能触发群体行为的快速且彻底的转型。研究人员展示了这种机制如何促进“全球化”，即它允许系统同时获取并维持广泛多样的行为，防止任何单一选项永远占据主导地位。他们的工作提供了一个数学框架，用以理解连接的结构如何塑造我们集体选择的多样性，揭示了我们之间的距离与我们紧密联系的强度同样重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。