Max Home IndustryУ двух членов семьи положительный результат теста на COVID-19 — как узнать, кто кого заразил? В идеальном мире сетевая наука могла бы дать вероятный ответ на такие вопросы. Он также может рассказать археологам, как в Египте был найден осколок греческой керамики, или помочь биологам-эволюционистам понять, как давно вымершие предки метаболизировали белки.
В современном мире ученые редко имеют исторические данные, которые им необходимы, чтобы точно увидеть, как узлы в сети были подключены. Но новая статья, опубликованная в Physical Review Letters , дает надежду на восстановление недостающей информации с использованием нового метода оценки правил, которые генерируют сетевые модели.
«Сетевые модели похожи на импрессионистические изображения данных», — говорит физик Джордж Кэнтуэлл, один из авторов исследования и научный сотрудник Института Санта-Фе. «Было много споров о том, достаточно ли реальные сети похожи на эти модели, чтобы модели были хорошими или полезными».
Обычно, когда исследователи пытаются смоделировать растущую сеть — скажем, группу людей, зараженных вирусом, — они создают модельную сеть с нуля, следуя набору математических инструкций для добавления нескольких узлов за раз. Каждый узел может представлять зараженного человека, а каждое ребро — связь между этими людьми. Когда кластеры узлов в модели напоминают данные, взятые из реальных случаев, модель считается представительной — проблематичное предположение, когда один и тот же шаблон может быть результатом разных наборов инструкций.
Кантуэлл и соавторы Гийом Сент-Онж (Университет Лаваля, Квебек) и Жан-Габриэль Янг (Университет Вермонта) хотели привнести статистическую точность в процесс моделирования. Вместо того, чтобы сравнивать характеристики из снимка сетевой модели с характеристиками из реальных данных, они разработали методы для расчета вероятности каждой возможной истории для растущей сети. Учитывая конкурирующие наборы правил, которые могут представлять реальные процессы, такие как контакт, капля или передача по воздуху, авторы могут применить свой новый инструмент для определения вероятности определенных правил, приводящих к наблюдаемой схеме.
«Вместо того, чтобы просто спрашивать:« Эта картина больше похожа на реальную? »», — говорит Кэнтуэлл: «Теперь мы можем задавать существенные вопросы, например:« Развивается ли она по этим правилам? »« Однажды наиболее вероятной сетевой моделью будет обнаружено, его можно перемотать, чтобы ответить на такие вопросы, как кто был заражен первым.
В своей текущей статье авторы демонстрируют свой алгоритм на трех простых сетях, которые соответствуют ранее задокументированным наборам данных с известной историей. Сейчас они работают над применением этого инструмента в более сложных сетях, которые могут найти приложения в любом количестве сложных систем.