구조와 동역학의 관계를 밝히는 새로운 프레임워크

초록

본 논문은 복잡 네트워크에서 각 노드의 시간 신호를 다변량 통계인 주성분 분석(PCA)으로 요약하고, 얻어진 주성분들의 분포와 네트워크 구조 지표 간의 관계를 정량화한다. 이를 위해 전체 노드의 주성분 분포와 개별 노드의 분포 차이를 유클리드 거리(α)로 정의하고, 구조 지표와 α 사이의 조건부 엔트로피를 계산한다. 세 가지 전형적인 동역학 모델(Integrate‑and‑Fire, SIS, Kuramoto)을 ER 네트워크에 적용해 구조가 동역학에 미치는 영향을 상세히 밝혀냈다.

상세 분석

이 연구는 복잡계에서 흔히 사용되는 전역 통계(평균, 표준편차)만으로는 노드별 동역학 차이를 포착하기 어렵다는 점을 지적하고, 이를 보완하기 위한 두 단계의 분석 흐름을 제시한다. 첫 단계에서는 각 노드에서 수집된 시간 신호 x_i(t)를 T개의 이산 시점에 기록하고, PCA를 수행해 M(≤T)개의 주성분 PCA(m)_i를 추출한다. PCA는 신호 변동이 가장 큰 축을 찾아 차원을 압축함으로써, 서로 상관된 원시 데이터들을 서로 독립적인 새로운 변수들로 변환한다. 두 번째 단계에서는 전체 네트워크에 대한 각 주성분의 밀도 함수 P(PCA(m))와 개별 노드 i의 밀도 함수 P_i(PCA(m)_i)를 추정하고, 이 둘 사이의 유클리드 거리 α_i(m)를 정의한다. α가 작으면 해당 주성분이 구조적 특성에 의해 구별되지 않음을 의미하고, 크게 나타나면 구조가 해당 동역학 특성을 강하게 조절한다는 증거가 된다. 이후, 사전에 선택된 S개의 구조 지표 s(1)…s(S) (예: 차수, 고유벡터 중심성, 접근성 등)와 α_i(m) 사이의 조건부 엔트로피 H(α|s) 를 계산해 구조가 동역학에 미치는 설명력을 정량화한다.

세 모델에 대한 적용 결과는 다음과 같다. Integrate‑and‑Fire 모델에서는 PCA(1), PCA(2), PCA(3) 모두 뚜렷한 클러스터(‘cord’)를 형성했으며, 특히 PCA(3)와 고유벡터 중심성(Eigenvector Centrality) 사이에 높은 상관성이 관찰되었다. 이는 네트워크 내 저중심성 노드가 낮은 주파수(긴 발화 주기)를 보이는 경향을 의미한다. SIS 모델에서는 PCA(1)과 PCA(2) 두 차원만으로도 ‘눈 모양’의 구역을 형성했으며, 여기서 차수가 주요 구조 지표로 작용했다. 차수가 평균값 근처인 노드에서는 α가 최소가 되어 구조적 영향이 약하고, 평균에서 벗어난 고·저차도 노드에서는 α가 크게 나타났다. Kuramoto 모델은 강한 결합 상황에서는 거의 구조에 무관한 동역학을 보여 α 값이 전반적으로 낮았다; 약한 결합으로 전환하면 접근성(Accessibility)이 α와 가장 높은 상관을 보이며, 이는 위상 동기화가 네트워크 경로 길이에 민감함을 시사한다.

전체적으로 이 프레임워크는 (1) 노드 수준에서 동역학 특성을 정밀히 추출하고, (2) 구조적 변수와의 비선형·다변량 관계를 조건부 엔트로피라는 정보 이론적 지표로 정량화한다는 점에서 기존의 선형 상관 분석이나 전역 통계 기반 방법보다 훨씬 풍부한 인사이트를 제공한다. 또한, ER과 같이 구조가 균일한 네트워크에서도 ‘구조화된 동역학’(structured dynamics)이 나타남을 입증함으로써, 네트워크 토폴로지가 미세한 수준에서도 동역학을 형성한다는 중요한 메시지를 전달한다.