有向超图上的单纯复形涌现|代数|动力学|复形|张量|拓扑|范数|超图

Simplicial Complex Emergence on Directed Hypergraphs

有向超图上的单纯复形涌现

https://arxiv.org/pdf/2512.00043

摘要

我们研究定义在有向超图上的共演化（或自适应）高阶网络何时允许单纯形描述。二元和三元耦合由时间依赖的权重张量建模。利用对称群的表示论，我们将这些张量分解为全对称、全反对称和混合等变分量，并追踪其 Frobenius 范数以定义三个渐近机制和定量的收敛概念。在对称（或反对称）极限下，我们通过局部边界测试和强制向下闭包的内部漂移条件来验证单纯复形的涌现和稳定性；在混合极限下，我们证明最小忠实对象是半单纯形集。我们通过追踪等变 Frobenius 范数和高阶结构的模拟来阐述该理论。实际上，我们的工作为自适应高阶系统证明了同调工具合理性的严格条件。

1 引言

1.1 动机与概述

复杂网络在建模各种系统方面取得了巨大的成功；然而，许多现实世界的系统涉及超越成对耦合的高阶相互作用 [3, 4, 7]。生物、社会和技术网络经常表现出群体相互作用，其中集体效应源于三元甚至更高阶的关系。例如，在社会系统中，传染和舆论动力学通常需要群体影响（所谓的复杂传染），而不仅仅是二元接触 [20, 25, 26, 31, 29]。同样，在神经系统中，认知功能可能涉及神经元群体的协调共激活，这种现象仅靠成对连接无法捕捉 [35, 36]。为了应对解释这种多节点依赖性的需求，高阶网络模型已被开发出来。一个突出的例子是 Kuramoto 模型的推广，以纳入多体耦合：除了经典的全对全正弦耦合外，高阶 Kuramoto 模型包括一次耦合三个或更多振荡器的项。这些扩展导致了成对网络模型中不存在的新颖同步模式，例如突然的（爆炸性）同步转变和多尺度锁相行为 [13, 16, 19, 34, 40]。

虽然超图为任何多节点相互作用的集合提供了非常通用的表示，但单纯复形施加了一个反映许多真实系统的重要约束：如果存在群体相互作用（单纯形），那么该群体成员之间的所有低阶相互作用也存在。换句话说，单纯复形中的 2-单纯形（三角形）意味着其三条边存在，3-单纯形（四面体）意味着其所有三角形和边都存在，依此类推。这种“向下闭包”性质反映了许多真实的层级结构。例如，神经元的功能组合往往在它们之间拥有所有成对连接，而在较小的社会群体中，如果一个三元组集体相互作用，通常组成对也会相互作用。通过用单纯复形建模高阶相互作用，可以强制群体相互作用建立在其子相互作用之上，这在概念上很有吸引力且在数学上很强大。它使得使用代数拓扑工具来刻画结构和动力学成为可能。例如，人们可以研究单纯复形的同调以识别网络数据中的高维空洞或循环（仅边分析不可见）。同样，Hodge Laplacian（图 Laplacian 的高阶推广）支配着 k k-单纯形（节点组）上的扩散和同步，捕捉涉及回路和多节点协调的动力学模式，超越了简单的成对路径 [10, 9, 27, 33, 32]。最近的研究表明，单纯复形结构的存在（相对于任意超图）可以定性地改变集体动力学。例如，根据网络是否具有单纯形包含性质，高阶相互作用可能会以显著不同的方式增强或阻碍同步。这些见解强调，高阶层面的建模选择（超图 vs. 单纯复形）深刻地影响系统行为，这为我们的关注点——单纯复形结构何时以及如何在自适应超图动力学中涌现——提供了一个动机 [28, 41]。

确实，许多复杂系统的另一个关键方面是适应性：网络拓扑本身与节点动力学共同演化。在自适应网络中，链接可以根据节点的状态出现、消失或改变权重，从而在结构和动力学之间创建一个反馈回路。这种共演化被广泛观察到。在流行病中，易感个体重新连接接触以避免感染，从而随着疾病传播重新布线网络 [22]。在神经回路中，突触连接根据活动增强或减弱（赫布可塑性及其他形式的学习）[30]。在基础设施和交通网络中，重度使用的路线被建立或加强，而利用率不足的连接则衰退 [39]。自适应网络模型通过允许图的边作为节点状态的函数变化来捕捉这一点，这可以产生丰富的现象，如鲁棒网络社区的形成、振荡动力学或网络拓扑中的突然临界点 [5, 6, 21, 23]。然而，大多数现有的自适应网络模型仅考虑了成对相互作用，专注于个体节点之间链接的创建或删除。经典的例子包括网络上的自适应流行病，其中链接根据感染状态重新布线，或者自适应共识和振荡器网络，其中连接权重根据同步误差进行调整 [6]。这些研究表明，即使在成对网络中，适应性也能产生同类链接模式、多稳态和突然转变。然而，它们忽略了高阶群体相互作用（超边）也可能响应系统状态而形成或解散的可能性。在现实中，结构变化可能发生在多个尺度上：整个群体相互作用（会议、团队、同步的神经元集合）可能会根据动力学出现或分裂。例如，在传染事件中，不仅个体可能会切断联系，而且群体聚会可能会被取消，从而移除超越成对接触的高阶传染途径。同样，在学习的大脑中，一群神经元可能会作为一个群体连接在一起或解散。忽略这些高阶拓扑适应遗漏了共演化的一个重要维度。通过在自适应设置中研究单纯复形形成，我们旨在捕捉个体链接和多节点相互作用模式如何与节点动力学协调重组。这提供了对流行病（避免群体事件与切断个体接触同样重要）和神经学习（神经元集合同时重新布线）等现象更全面的看法。

在下文中，我们建立一个建模框架来调查自适应高阶网络，并确定其自组织动力学产生涌现单纯复形结构的条件。例如，在 [2, 15, 37] 等工作中，一个统一的目标是研究假设的高阶结构（如单纯复形）上的 Kuramoto 型动力学。本工作的主要目的是为这些高阶单纯形结构究竟何时存在提供一个结构和动力学基础。

1.2 主要结果大纲与总结

我们的目标是统一三个通常被分开处理的轴（axes）：高阶相互作用、耦合结构的适应性，以及严格的单纯复形涌现。我们采用关于有向超图的张量优先（tensor-first）视角，并利用对称群的表示论来追踪对称性和适应性如何共同产生组合结构。

本工作的主要贡献如下：

证明结合了局部边界测试与内部漂移估计，以强制执行向下闭包（downward closure），提供了涌现单纯形结构保持不变的充分条件。此外，通过使用与表示论分量相关的 Frobenius 范数序参量（order parameters），我们提供了向每种机制收敛的定量概念。数值模拟被用来实际演示并交叉验证分析预测。在数值计算中，我们还追踪了对称性范数跨机制的演化。综上所述，这些结果给出了自适应高阶网络动力学中涌现单纯形结构的第一个严格证明。

第 2 节介绍模型和张量分解。第 3 节发展对称理论并举例说明。第 4 节研究反对称和混合机制。第 5 节以讨论和展望结束。

2 共演化超图的渐近机制

2.1 背景与典范模型

因此，我们的自适应动力学不仅仅产生一种固定类型的有向超图（例如经典的头-尾版本），而是产生一整族代数定义的有向超图，其结构可以随时间演化。特别是，取决于张量流入哪个对称类，人们可以恢复无向单纯复形（对称机制）、有向单纯复形（反对称机制），或更一般的单纯形集（混合机制）。

例 2.7. 假设我们要一个自适应共演化网络动力学系统，其在边上具有以下动力学。

2.2 张量空间与对称群作用

我们首先形式化地定义包含边和超边数据的空间，以及对称群在这些空间上的自然作用。

3 对称状态下的单纯复形涌现

在本节中，我们要阐述一些结果，这些结果保证了那些收敛至对称和反对称状态的超图具有不变性以及单纯复形的形成。

3.1 单纯结构的保持与涌现

3.2 例子

例 3.13. 考虑以下满足推论 3.12 条件的例子。我们首先引入一个非光滑模型，然后利用已知的近似方法将其平滑化。一般动力学遵循例 2.3 的模板。

前一个例子表明，虽然单纯复形结构被动力学所保持，但这种结构可能会变得平凡（trivial），实际上塌缩为一个 1-单纯复形，即一个图。在这种状态下，高阶分量衰减，网络的表现仿佛仅存在成对相互作用。这一观察结果与过去几十年现有的网络科学文献相吻合，在这些文献中高阶效应常被忽略：即使控制方程中存在此类项，它们也常渐近消失，并在高阶结构中不留持久印记。文献 [24] 探讨了这种现象，作者研究了一个明确定义在单纯复形上的自适应投票者模型。该框架不仅包括边（1-单纯形）上的成对相互作用，还包括填充三角形（2-单纯形）上的群体同伴压力效应。他们发现自适应重连动力学导致了高阶结构的耗尽。该模型表现出一种多尺度层级，其中高阶 2-单纯形在更快的时间尺度上消亡，在边上的动力学耗尽之前就已消失。这种顺序衰减有效地将高阶网络塌缩为一个简单图，此后系统作为标准的成对自适应模型演化。这一结果为将某些自适应系统视为有效的成对系统提供了直接理由，因为高阶分量被证明是瞬态的并在动力学过程中消失。

相比之下，下一个例子阐述了一种性质上不同的行为，其中高阶相互作用以非平凡且结构化的方式持续存在。在这种情况下，系统随时间维持一个 2-单纯形的子集，而不填充所有可能的高阶连接，从而产生一个真正的单纯形、但非完全饱和的复形。

4 定向单纯复形与半单纯形集

4.1 反对称状态

4.2 混合状态

在渐近状态分类中，当我们的超网络收敛至对称或反对称极限时，我们可以研究无向或有向单纯复形的涌现。然而，如果它收敛至混合状态极限，我们就缺乏研究任一类单纯复形涌现所必需的对称性质。尽管如此，如果我们转而将注意力转移到半单纯形集（也称为 Δ − Δ−集）的涌现上，还有其他代数拓扑工具可以使用，它们是捕捉这些高阶相互作用的最小范畴对象，并且保留了来自同调论和计算拓扑的技术与工具。我们首先讨论一些范畴论预备知识，并说明为何单纯形集（simplicial sets）过于具体，从而在此设定中遇到问题。我们被迫排除其定义的一部分，这使得半单纯形集成为混合状态中最合适的对象。

5 结论与展望

我们开发了一个基于张量的框架，用于研究有向超图上的自适应高阶网络动力学，并以广义 Kuramoto 模型为原型进行指导。通过结合对称群的表示论与弗罗贝尼乌斯范数（Frobenius norm）序参数，我们识别出了三种渐近对称状态：对称、反对称和混合，并表明每一种状态都会产生一种独特的稳定组合对象：无向、有向或半单纯形。由此产生的定理为自适应三元系统中单纯复形的涌现提供了首批严格条件。

该框架自然地推广到了更高阶的相互作用。以下广义自适应 Kuramoto 模型作为一个典型范例：