Aritalab:Lecture/NetworkBiology/Percolation on Graph

From Metabolomics.JP
Jump to: navigation, search

Contents

グラフ上のパーコレーション

グラフをある次数分布に従うツリーとみなすことで、パーコレーションを扱ってみよう。 ここでは母関数という概念を利用する。

次数分布の母関数

グラフの次数分布p(k)を与えられたとき、その母関数は

G_v(z) = \sum p(k) z^k

しかし、頂点vの隣にある頂点wの次数分布はもはやp(k)ではない。 辺をランダムに1本選んだとき、もう片方にある端点がどんな次数分布をとるか考えよう。 選ばれた辺の先には、他の点が等確率でくることはない。次数の大きい点のほうが、次数に比例して存在する確率が高くなるだろう。 つまり、もう片側にある端点の次数分布は、最初の次数分布に辺の数で重みをつけてから正規化した\textstyle kp(k)/\Sigma_j jp(j)となる(分母は正規化定数)。 よってある頂点vの隣にある頂点wの次数分布の母関数は

\sum_{k=0}^{\infty}x^k\frac{kp(k)}{\Sigma_jjp(j)} = x\frac{\Sigma_k kx^{(k-1)}p(k)}{\Sigma_jjp(j)} = x\frac{G'_v(x)}{G'_v(1)}

母関数においては、次数kに対してx^kが対応する。 頂点vの先にwがついているとき、wからv以外に伸びる辺数に注目しよう。 vからwへの辺1本を除いた、wに関する母関数は上の式をxで割ればよい。

G_w(x) = \frac{G'_v(x)}{G'_v(1)}

占有される頂点の母関数

パーコレーションで相転移が起きるのは、頂点から伸びていく辺の期待値が1をちょうど超えるときである。 ただし、このときの母関数はグラフ全体の次数分布を示すG_vではなく、占有された頂点のみによる部分ネットワークの母関数である。 したがって、母関数を区別してF_vと記そう。FGの関係は、各頂点が確率qで占有されるためGFの次数平均をそれぞれ\langle k \rangle, \langle l \rangle と書くと 
\begin{align}
\langle l \rangle &= q \langle k \rangle \\
\end{align}

この関係から


\begin{align}
F'_v(1) &= q G'_v(1) = q \langle k \rangle \\
F''_v(1) &= q^2G''_v(1) = q^2 (\langle k^2 \rangle - \langle k \rangle)
\end{align}

相転移が起きるのはF_w'(1) = 1のときだから


F'_w(1) = \frac{F''_v(1)}{F'_v(1)} = 1

代入すると


q_c = \frac{1}{\frac{\langle k^2 \rangle}{\langle k \rangle} - 1}

すなわち、\langle k^2 \rangleが大きく\langle k \rangleを上回るとき、q_cは小さくなる。

パーコレーション

いかなる次数分布でも、\langle k^2 \rangle\langle k \rangleに比して大きいと、低いパーコレーション確率で相転移が起こることを見た。

ランダムグラフの場合

ランダムグラフの場合は次数分布がポアソン分布になる。このとき\langle k^2 \rangle = \langle k \rangle^2 + \langle k \rangle になるので

q_c = 1 / \langle k \rangle

すなわち、平均次数が大きくなるほどパーコレートしやすくなる。

スケールフリーネットワークの場合

べき分布p(k)=ck^{-\gamma}のとき


\langle k^2 \rangle = \Sigma_kk^2p(k) = c\Sigma k^{2-\gamma}

この値はFailed to parse (lexing error): \gamma \leq 3 のときに発散する。有限のネットワークではその値も有限だが、大きな値になるために 非常に低い値でパーコレートする。


Personal tools
Namespaces

Variants
Actions
Navigation
metabolites
Toolbox