更改

===结合复杂网络配分函数与图机器学习的网络流方法===

===结合复杂网络配分函数与图机器学习的网络流方法===

本节介绍的方法主要参考文章<ref name='coarse-graining'>Zhang, Zhang, et al. "Coarse-graining network flow through statistical physics and machine learning." Nature Communications 16.1 (2025): 1605.</ref>，该方法结合了[[复杂网络上的统计物理]]方法与图神经网络方法，从而对[[复杂网络]]进行粗粒化。其核心思想是，粗粒化前后两个网络的[[配分函数]]应该保持不变，将二者的误差作为损失函数，训练一个[[图神经网络]]，从而提炼出如何将大网络转化为粗粒化的小网络的映射方法。之所以将复杂网络的配分函数作为一个重要的评价指标，是因为该函数不仅可以体现网络的拓扑结构特征，也能够反映网络的动力学特征，因而反映整体网络功能。实验证明，这套粗粒化网络的方法可以应用到大量的真实网络中，并得到了良好的效果<ref name='coarse-graining'/>。

本节介绍的方法主要参考文章<ref name='coarse-graining'>Zhang, Zhang, et al. "Coarse-graining network flow through statistical physics and machine learning." Nature Communications 16.1 (2025): 1605.</ref>，该方法结合了[[复杂网络上的统计物理]]方法与图神经网络方法，从而对[[复杂网络]]进行粗粒化。其核心思想是，粗粒化前后两个网络的[[配分函数]]应该保持不变，将二者的误差作为损失函数，训练一个[[图神经网络]]，从而提炼出如何将大网络转化为粗粒化的小网络的映射方法。之所以将[[复杂网络的配分函数]]作为一个重要的评价指标，是因为该函数不仅可以体现网络的拓扑结构特征，也能够反映网络在多个时间尺度上的动力学特征，因而反映整体网络功能。实验证明，这套粗粒化网络的方法可以应用到大量的真实网络中，并得到了良好的效果<ref name='coarse-graining'/>。

下面介绍具体的方法。首先，我们用[[扩散方程]] <math>\frac{d\psi}{d\tau}=-L\psi</math> 来描述网络的扩散过程，其中[[拉普拉斯矩阵]] <math>L=D-A</math> 描述网络的拓扑结构，<math>A</math> 是邻接矩阵，<math>D</math> 是[[度矩阵]]。扩散方程的解为 <math>\psi_{\tau}=e^{-\tau L}\psi_0</math>，体现了信息随时间的演化，其中 <math>e^{-\tau L}</math> 为时间演化算子，<math>[e^{-\tau L}]_{ij}</math> 表示经过时间 <math>\tau</math> 后从节点 <math>j</math> 到节点 <math>i</math> 的流量。

下面介绍具体的方法。首先，我们用[[扩散方程]] <math>\frac{d\psi}{d\tau}=-L\psi</math> 来描述网络的扩散过程，其中[[拉普拉斯矩阵]] <math>L=D-A</math> 描述网络的拓扑结构，<math>A</math> 是邻接矩阵，<math>D</math> 是[[度矩阵]]。扩散方程的解为 <math>\psi_{\tau}=e^{-\tau L}\psi_0</math>，体现了信息随时间的演化，其中 <math>e^{-\tau L}</math> 为时间演化算子，<math>[e^{-\tau L}]_{ij}</math> 表示经过时间 <math>\tau</math> 后从节点 <math>j</math> 到节点 <math>i</math> 的流量。