FR42 · 神经统计物理

神经雪崩与临界性：幂律什么时候会误导

雪崩大小服从幂律分布，就能说明网络处在临界状态吗？ 不能。接近临界的网络确实给出指数接近二分之三的幂律雪崩分布；但没有耦合、只共享慢输入的单元同样能通过幂律检验，并给出接近 1 的分支比估计。只有因果检验，比如踢动一个单元再数随后的放电，才能把真正的级联和模仿者分开。

用电极阵列记录模拟网络中的级联。没有耦合、只共享慢输入的单元，同样能给出可信的幂律和接近 1 的分支比估计。

对记录到的雪崩大小做幂律拟合 $\hat\alpha=1.462\pm0.010,\ p=0.21$

从记录估计的分支比 $\hat m_{\mathrm{MR}}=0.98479\pm0.00074$

踢动一个单元后记录到的峰电位 $\bar n_{\mathrm{kick}}=97.4$

模型真值：耦合与踢动级联比 $\sigma=1.05,\ m_{\mathrm{kick}}=0.994$

设定网络耦合，再检验记录

外部输入

耦合：一个峰电位试图激活的单元数

1.05

\sigma

外部输入（每步事件数）

-2

\log_{10}h

分析用的时间箱（步）

1

\Delta t

拖动品红色阵列在薄层上移动，或拖它的角改变大小。分析只能看到阵列记录到的东西。

记录、种子与播放

探测器漏检概率

0

p_{\mathrm{miss}}

每单元每步的误检数

0

r_{\mathrm{false}}

分析记录的步数

300000

T_{\mathrm{rec}}

随机种子

42

k

每秒显示的模型步数

25

\dot n

模型、方法与来源

$P(s)\propto s^{-\alpha}\ (s\ge s_{\min}),\quad \hat\alpha\simeq1+n\Big[\sum_i\ln\frac{s_i}{s_{\min}-\tfrac12}\Big]^{-1},\qquad r_k=b\,m^k$

幂律指数采用 Clauset、Shalizi 与 Newman（2009）的离散近似。下截断 $s_{\min}$ 取使 Kolmogorov–Smirnov 距离最小的值，拟合优度 $p$ 来自固定该截断的 100 组合成数据； $p>0.1$ 时认为拟合可信。多步估计用 $r_k=b\,m^k$ 拟合相隔 $k$ 个时间箱的回归斜率，从而去掉亚采样给一步斜率带来的偏差。模型真值来自在静默网络中踢动一个单元 200 次。

Clauset, Shalizi & Newman (2009), arXiv:0706.1062v2 · Wilting & Priesemann (2018), arXiv:1608.07035v3 · Priesemann & Shriki (2018), PLoS Comput. Biol. 14, e1006081 · Morrell, Sederberg & Nemenman (2021), arXiv:2008.04435v1

读：幂律什么时候会误导

模型假设

1000 个二值单元排成薄层：每个峰电位在下一步以分支参数十分之一的概率，激活与它相连的十个邻近单元中的每一个，单元不能连续两步放电，随机外部输入不断引发新的级联。品红色阵列记录一块单元。雪崩是记录中连续非空时间箱组成的片段。幂律拟合采用 Clauset、Shalizi 与 Newman（2009）的离散最大似然方法；分支比估计采用 Wilting 与 Priesemann（2018）的多步回归。模仿预设关掉耦合，改给单元一个漂移的或共享的慢输入。踢动检验在静默网络中让一个被记录的单元放电，再数随后的放电；只有在模拟里才能干净地做这件事。全部为模拟结果。

记录到的雪崩大小与幂律拟合

不同滞后的回归斜率与多步拟合

因果检验：在静默网络中踢动一个单元后记录到的峰电位

更多数值与计算方法

拟合的下截断与范围: $0$
朴素检验：接近二分之三的可信幂律: $0$
传统的一步斜率: $0$
对全部单元的多步估计（模型真值）: $0$
每次踢动引发的全网峰电位（模型真值）: $0$
阵列覆盖的单元: $0$
分析的记录: $0$
时间箱: $0$

大小分布图、拟合和斜率只用记录到并分箱后的峰电位。踢动检验和全网估计需要用到模型本身，标为模型真值。导出文件包含分箱记录、雪崩大小、拟合结果和踢动响应。

先抓重点

核心问题: 雪崩大小服从幂律分布，就能说明网络处在临界状态吗？
一句话直觉: 接近临界点的耦合网络给出接近 $s^{-3/2}$ 的大小分布。完全没有耦合、只共享一个慢输入的单元，同样给出可信的幂律和接近 1 的分支比估计。踢动一个单元就能把它们分开：耦合网络回应约一百个记录到的峰电位，模仿者只有被踢的那一个。

核心数学模型

临界分支过程

P(s)\simeq\sqrt{\tfrac{2}{\pi}}\;s^{-3/2}\quad(m=1,\ \text{binary branching, odd }s)

对临界点上的二元分支，Zapperi、Lauritsen 与 Stanley（1995）推导出这个大尺寸尾部。低于临界点时会出现指数截断。

离散最大似然指数

\hat\alpha\simeq1+n\Big[\sum_{i=1}^{n}\ln\frac{s_i}{s_{\min}-\tfrac12}\Big]^{-1}

只有 $s_i\ge s_{\min}$ 的雪崩参与拟合。拟合优度 $p$ 大于 0.1 表示幂律没有被否定，而不是被证明。

多步回归

r_k=\frac{\operatorname{Cov}(a_{t+k},a_t)}{\operatorname{Var}a_t}=b\,m^k

亚采样把每个斜率都乘以同一个因子 $b$ ，所以拟合随 $k$ 的衰减就能找回 $m$ 。但任何让活动在时间上相关的慢输入，也会给出 $m\approx1$ 。

常见难点

拟合得好不等于找到机制

容易误解只要幂律检验通过，网络就一定是临界的。

正确理解“共享慢输入”预设完全没有耦合，但它的拟合在两个多数量级上给出 $p\approx0.9$ 。

指数取决于怎么看

容易误解雪崩指数只是网络自身的性质。

正确理解从同一个接近临界的网络中只记录 1000 个单元里的 20 个，拟合指数就从约 1.46 变成约 3.1，一步斜率也降到约 0.49。

动手实验

01
记录接近临界的级联
让第一个预设运行，看大小分布图逐渐填满。
你会看到： 拟合指数约为 1.46，多步估计约为 0.985。踢动一个单元，连它自己在内共记录到约 97 个峰电位。
02
关掉耦合
选择“共享慢输入，没有耦合”。
你会看到： 拟合依然可信，只是 $\hat\alpha\approx2.1$ ，多步估计升到约 0.997。现在踢动只产生一个峰电位，就是被踢的那个单元自己。
03
只记录一角
选择“少数电极看到的很少”，再拖动阵列或它的角。
你会看到： 网络还是那个接近临界的网络，指数却变成约 3.1。把阵列放大，它又回到 1.5 附近。

神经雪崩与临界性：幂律什么时候会误导

幂律不能证明临界

核心数学模型

临界分支过程

离散最大似然指数

多步回归

常见难点

拟合得好不等于找到机制

指数取决于怎么看

动手实验

记录接近临界的级联

关掉耦合

只记录一角

相关实验与文章

从带电的细胞膜到神经网络里的雪崩