🌐 Наука про мережі

Наука про мережі вивчає системи, представлені як вузли (вершини), з'єднані зв'язками (ребрами) — від соціальних зв'язків до нейронних сполучень. Вона шукає універсальні структурні закономірності — хаби, кластеризацію, короткі довжини шляхів — які визначають поведінку мережі. Ця сторінка дозволяє будувати й порівнювати три класичні генеративні моделі, що відтворюють різні реальні структури.

Кожна кнопка перемикає генератор і показує параметри, релевантні для цієї моделі. Ердеш–Реньї з'єднує кожну пару вузлів незалежно з імовірністю p; Барабаші–Альберт нарощує мережу через преференційне приєднання; Воттс–Строгац починає з кільцевої ґратки й випадково перез'єднує ребра. Статистика та гістограма оновлюються, тож ви можете безпосередньо порівняти результати.

Повзунок Nodes N встановлює розмір мережі від 10 до 120. Специфічний для моделі повзунок далі задає ключовий параметр: імовірність p (0.01–0.4) для Ердеша–Реньї, ребра m (1–6) для Барабаші–Альберт, або степінь ґратки k (2–10) і ймовірність перез'єднання β (0–1) для Воттса–Строгаца. Кнопка New Graph перегенеровує мережу з новою випадковістю, а Pause Layout зупиняє фізику, щоб можна було роздивитися структуру.

Для кожної з N(N−1)/2 можливих пар вузлів ребро додається незалежно з імовірністю p. Розподіл степенів є біноміальним і наближається до розподілу Пуассона для великих N. Гігантська зв'язна компонента виникає різко поблизу критичної ймовірності p_c = 1/N, тому невеликі зміни p можуть перетворити фрагментований граф на єдиний зв'язний кластер.

Мережа зростає по одному вузлу за раз, і кожен новий вузол приєднується до m наявних вузлів з імовірністю, пропорційною їхньому поточному степеню — «багаті стають багатшими». Це преференційне приєднання створює степеневий розподіл степенів P(k) ∝ k⁻³, тобто кілька високо зв'язаних хабів співіснують з багатьма слабко зв'язаними вузлами. Розмір вузла на полотні масштабується разом зі степенем, тож хаби чітко виділяються.

Починаючи з кільцевої ґратки, де кожен вузол з'єднаний зі своїми k найближчими сусідами, кожне ребро перез'єднується з випадковою ціллю з імовірністю β. При малому β мережа зберігає високу локальну кластеризацію; додавання лише кількох далекосяжних «скорочень» різко зменшує середню довжину шляху, тоді як кластеризація залишається високою. Це поєднання — короткі шляхи разом із високою кластеризацією — і є визначальною властивістю «тісного світу».

Панель показує кількість вузлів і ребер, середній степінь (2E/N), середній коефіцієнт кластеризації C, розмір гігантської (найбільшої зв'язної) компоненти та максимальний степінь. Коефіцієнт кластеризації вимірює, як часто сусіди вузла також з'єднані між собою, усереднено по всіх вузлах, даючи єдине число для локальної згуртованості.

Алгоритм силового спрямування трактує вузли як заряджені частинки, що відштовхуються одна від одної, а ребра діють як пружини, що притягують з'єднані вузли до довжини спокою близько 60 пікселів. Слабка центральна гравітація утримує все на екрані, а швидкості згасають щокадру для стабільності. Ви можете перетягувати будь-який вузол, а пауза розкладки зупиняє ці сили.

Генератори дотримуються підручникових визначень кожної моделі, тому емерджентна поведінка — фазовий перехід Ердеша–Реньї, хаби Барабаші–Альберт і режим «тісного світу» Воттса–Строгаца — відтворюється достовірно. Оскільки використовується лише до 120 вузлів, статистика коливається від запуску до запуску, а розкладка є візуальним засобом, а не точним вкладенням, тож сприймайте числа як ілюстрацію основної математики, а не точні вимірювання.

Безмасштабні структури описують Всесвітню павутину, мережі цитувань і білок-білкових взаємодій; структури «тісного світу» з'являються в соціальних мережах, нейронних сполученнях і електромережах; випадкові графи слугують базовою лінією для порівняння. Розуміння того, яку модель нагадує реальна система, допомагає передбачити її стійкість до збоїв, вразливість до цілеспрямованих атак на хаби та швидкість поширення інформації чи хвороби мережею.