集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织

复杂网络重整化

相信未来（讨论 | 贡献）2025年6月27日 (五) 15:37的版本 （→‎本文要点）

重整化群（renormalization group, RG）理论是研究多自由度系统的强有力框架，通过不同尺度下系统状态、模型参数和耦合常数的描述，实现分辨率层次转换，可识别相变临界点并分析临界行为。传统物理应用中，重整化群基于同质性、对称性、几何结构和局部性构建尺度变换方案。近年来，该理论向复杂网络拓展，但网络系统存在显式几何坐标缺失、节点与子图统计异质性及类格点对称性缺乏三大特征，导致统一重整化流程构建面临挑战。本文梳理网络重整化主流方法，评述理论突破，探讨关键科学问题。

本文要点

重整化群方法在理解和分类多自由度物理系统整体行为中不可或缺； 复杂网络缺乏度量距离、几何规律性或拓扑规则性，直接应用传统物理重整化群技术存在困难； 尽管存在挑战，重整化群在若干场景仍取得显著进展，本综述系统梳理这些成果； 存在诸多开放性问题，论文基于第一性原理总结构建普适网络重整化框架的理论依据与实现路径。

背景知识

重整化和可重整化是现代物理学理解物质现象的基础概念，其核心假设是在足够大的时空尺度上，小尺度细节可被平均掉。重整化方法的形式化历经数十年，促成了对物理现象普遍性的深刻洞察。知识框1总结了传统物理系统中重整化和重整化群变换的基本概念。

除传统物理系统外，自然界和社会中的大型复杂系统包含多尺度相互作用，无先验最佳分辨率。例如，企业间商品流动建模中，将企业聚集成经济部门时关系的一致性表示，以及网络流行病传播中聚合分析与仓室模型结果的差异，均需重整化方法介入。

将物理系统研究经验移植到复杂网络时，需重新审视关键假设，如物质相互作用的局部性和空间规则性。此外，网络动态过程的粗粒化需保持动力学性质。因此，重新表述复杂系统中的重整化方法至关重要。

本文系统综述重整化方法在复杂网络中的应用，分析真实网络缺乏显式几何结构、多尺度异质性和跨尺度交互连接的特征，揭示传统重整化方法的改造需求，回顾粗粒化方案，探讨将重整化群核心原理推广至异质性网络的路径，厘清开放问题。

|知识框1|统计物理和场论中的重整化
物理系统中相互作用的局部性与因果性限制小尺度涨落影响，使宏观尺度仅需少量参数刻画。该思想规范化始于20世纪60年代，Leo Kadanoff将粗粒化概念应用于统计力学系统，理解二阶相变临界点邻域行为[118]。
Ising模型是经典范例，晶格自旋经历无序态与有序态相变，通过引入“块自旋”实现粗粒化，重整化群理论形式化块自旋相互作用的标度行为[111]。早期基于晶格的数值计算后发展为变分方法[169–172]。
重整化群理论通过实空间平均微观细节，定义任意尺度的有效自由度与相互作用，成为统计力学突破。Kenneth Wilson将其发展为连续场论方法[113,173]，不仅为临界现象标度行为奠定基础，还系统化处理场论中的发散量。此后，重整化群方法揭示微观细节迥异的系统在临界点附近的普适行为[175–179]。
过去五十年，重整化群技术扩展至从宇宙学到粒子物理的广泛领域。统计力学中，推广至同质分形格点的非平衡系统[180–186]，其局部平移不变性简化计算。重要范例包括流行病动力学[187]、生物群体行为[188–190]、神经网络[191–194]、动态与有向逾渗[195,196]、观点动力学的选民模型[197]，以及一维链[198]、格点[199]和层级树[200]上的非线性振子同步模型。此外，在张量网络[192,201–203]及信息论框架[204–208]中亦获应用。
非平衡系统中决定普适类的要素往往未知，高阶重整化群计算通常不可行。非微扰重整化群作为替代方案[209–212]，已应用于格点流行病扩散动力学[213]。| |---|

复杂网络重整化的挑战

重整化群方法已成功发现一类系统的普适性特征，但真实世界问题中相互作用极少呈现类格点规则性。结构无序与空间非均匀相互作用导致拓扑几何异质的网络模式，其特征包括：度分布多样性、小世界特性、非零集聚系数、模块化或层级结构[1-4]。这些不规则特征与系统有限性引起的边界效应和有限尺度效应[5-9]共同构成推广标准重整化群方法的挑战。

重整化群分析通常包含三个步骤：定义粗粒化变量、平均掉局部涨落、重整化耦合和参数。第一步在平移不变度量空间（如规则格点）中直接可行，但在高度非均匀和小世界网络中，如何定义块节点或慢模态成为问题。此类网络常基于受数据限制的经验分辨率构建，直接在聚合水平建模可能无法捕捉细尺度动态，如2008年金融危机和COVID-19疫情中的冲击传播[12,13]。

第二步平均局部波动在同质格点中可借助坐标邻近性定义连通性，但在不规则网络化空间中，局部性概念难以直接推广。网络的稀疏性、度分布异质性及小世界特性中的长程相互作用，使复杂网络中局部性定义复杂化。

第三步重整化耦合和参数的复杂性与前两步相关。在无序格点系统中，相互作用拓扑规则但耦合常数异质，可通过随机变量建模。而异质网络中，相互作用拓扑本身无规则，重整化需将细粒度图的概率分布变换到粗粒度图，理论上定义重整化流及其不动点。

受此启发，研究者致力于建立复杂网络重整化的通用框架，下文总结不同策略，先概述粗粒化方法，再深入探讨异质网络中重整化步骤的推广方法。

网络粗粒化方法

真实世界复杂网络缺乏基本格点结构，催生了多样化的粗粒化方案。

      1. 基于最短路的方法

基于最短路长度定义节点间距，借助分形几何的盒覆盖思想[17,18]实现迭代重整化群变换。该方法以最短路距离为度量，将指定距离内的节点聚合成粗粒化节点，生成重整化群序列[14]，可揭示网络的自相似性与分形特征[14,19–21]，并用于新生长机制[22]和网络普适类分类[5,23]。但受小世界特性限制，该方法难以有效解耦和揭示标度行为，度分布自相似性不伴随关联函数标度律，尤其在网络集聚方面。

研究者还提出在规则格点网络添加长程连接实现实空间重整化群变换，用于研究Watts-Strogatz模型临界点行为[24]和格点无标度网络模型[25]，但需预知节点坐标或区分短程与长程连接，而真实网络中此类信息常未知。

      1. 谱方法

基于网络谱性质的方法通过保持特定过程动力学行为进行粗粒化。谱粗粒化最初用于研究网络随机游走，保留随机矩阵最大特征值及对应特征向量以保持大尺度行为，剔除快模态同时保留慢模态[26]，已推广至二部网络[27]和耦合振子同步动力学研究[28–30]，也用于有向网络同步[31]和可控性分析[32]。

利用图拉普拉斯矩阵的特征向量与特征值，研究者探索了场论重整化群方法处理有序-无序现象的可能性[33,34]，为建立基于拉普拉斯谱的图重整化理论框架[35]奠定基础，后文将详细讨论。

      1. 拓扑方法

基于拓扑性质的粗粒化方法包括节点中心性度量（如度[36]和广义度[37]）、基于邻居重叠的节点相似性度量[38]，以及网络模体分析[41]等。

值得关注的方法包括基于度阈值的重整化[42]和k核分解[43]。前者通过移除度低于阈值的节点定义嵌套子图层级结构，后者将网络分解为满足最小度约束的极大子图，有效揭示真实系统中超越度分布标度不变性的层级自相似性，如聚类谱的标度律。

此外，基于多尺度社区检测中模块化概念的策略[44]，类似于计算机科学中的多层图划分算法，包含基于节点或边属性的粗粒化启发式方法，如重边启发式算法[45]和基于社区的粗粒化方案[46]。拓扑方法依赖特定结构模式，如层级社区或结构等价节点，特征缺失时会失效。

      1. 对称方法

利用对称性定义的等价类构造粗粒化方案，在生物科学到计算机科学研究中，表征网络动态过程局部对称性的方法为刻画系统基本模块提供普适原则[47]。网络在节点变换下保持输入树不变时涌现均衡划分[48]，用于定义常微分方程的成块性[49,50]、布尔后向等价[51]和纤维染色性质[52]等概念。

对称性诱导的均衡划分可将系统约化为保留整体动力学与同步特性的动力学变量集合[53]，但通常仅能确定单一划分，无法迭代应用且在对称性缺失体系中缺乏普适性。

      1. 工程技术和计算机科学中的粗粒化

开发互联网及其他通信与交通网络的缩尺工程模型是通信技术领域的长期目标[54–56]。近年来，图嵌入技术和图神经网络等深度学习工具用于图结构数据压缩，粗粒化方案旨在降低计算成本与复杂度[57–63]，在设计高效通信与数据存储纠错编码中具有价值[64]。这些方法受网络重整化思想驱动，但聚焦特定过程，对图结构数据与复杂系统多尺度本质的底层原理揭示有限。

      1. 信息论方法

信息论方法探索网络不同尺度间的相互作用。复杂网络中更大尺度通常提供更丰富的连接结构信息，即因果涌现现象[65]，可降低节点间关系观测的不确定性。针对图上动力学过程，信息论方法有助于评估状态空间划分对约化后动力学行为的影响[66]。

      1. 重整化群方法的基本原理

真实世界网络异质性可能导致不同方法结果矛盾，解决这一问题需基于第一性原理建立普适框架。构建框架需重新审视规则格点和均匀度量系统上的重整化方案，注意前述挑战。

粗粒化变量定义中，引入$$N_\ell \times N_\ell$$邻接矩阵$$A^{(\ell)}$$表示给定分辨率尺度的网络，$$\ell=0$$为最精细层级，$$\ell>0$$为粗粒化迭代层级。加权网络需权重矩阵$$W^{(\ell)}$$。

实空间重整化通过“块节点”定义粗粒化变量，对应划分$$\Omega_\ell$$，将$$\ell$$层级节点映射到$$\ell+1$$层级的粗粒化节点。k空间重整化则需推广对偶空间定义，通过邻接矩阵的显式算符表示分解为基本模态。

实空间中对精细细节的积分消去定义从$$A^{(\ell)}$$到$$A^{(\ell+1)}$$的满射，粗粒化矩阵元素仅依赖细粒度矩阵中包含于粗粒化节点的微观节点元，如： [math]\displaystyle{ A_{i_{\ell+1} j_{\ell+1}}^{(\ell+1)} = \mathcal F\left( \left\{ A_{i_\ell j_\ell}^{(\ell)} \right\}_{i_\ell \in i_{\ell+1}, j_\ell \in j_{\ell+1}} \right) }[/math] 其中$$\mathcal{F}$$为函数，例如二值层级下，当且仅当$$\ell$$层级块间存在连边时，粗粒化块间连边存在： [math]\displaystyle{ A_{i_{\ell+1}j_{\ell+1}}^{(\ell+1)} = 1 - \prod_{i_\ell \in i_{\ell+1}} \prod_{j_\ell \in j_{\ell+1}} \left(1 - A_{i_\ell j_\ell}^{(\ell)}\right) }[/math] 权重矩阵粗粒化类似： [math]\displaystyle{ W_{i_{\ell+1} j_{\ell+1}}^{(\ell+1)} = \mathcal G\left( \left\{ W_{i_\ell j_\ell}^{(\ell)} \right\}_{i_\ell \in i_{\ell+1}, j_\ell \in j_{\ell+1}} \right) }[/math] $$\mathcal F$$和$$\mathcal G$$的选择导致结果依赖方案，且满射性质对应小尺度信息丢失，使重整化群成为半群。对偶空间方法中对快模态的有损积分具有相同性质。

重整化推广到耦合系数和模型参数时，若网络为确定性图，取决于参数性质；若为随机图模型，需包括随机图参数的重整化，如几何网络和多尺度网络重整化部分所述，需分析图和模型参数上诱导概率分布的函数流。在不动点处，重整化流可能统计“可逆”，逆向流可产生细粒化版本。

完成梳理后，本文介绍三种互补方法解决引言中的三个步骤。

几何网络重整化

复杂网络中的空间局部性可通过几何框架恢复[67]，将真实网络嵌入双曲空间，转化结构异质性与非局部性为局部性特征，恢复几何重整化群方法的适用性[68–71]。

      1. 几何模型

几何软配置模型[42,72]基于节点流行度与相似性定义度量距离，双曲几何成为嵌入层级结构与小世界结构的自然空间，距离编码节点连接概率，邻近节点更易连接，与随机几何图[73,74]和社交网络隐空间模型[75]思路相似。

在牛顿版本$$\mathbb{S}^D$$模型[42]中，$$\ell=0$$层每个节点$$i_0$$被赋予流行度变量$$\kappa_{i_0}$$（从幂律分布$$\rho(\kappa)$$抽取）和相似性空间坐标。维度$$D=1$$时，相似性空间为半径$$R_0$$的一维球面，节点$$i_0$$赋予角坐标$$\theta_{i_0}$$，定义角距离$$\Delta\theta_{i_0 j_0}$$。节点连接概率$$p_{i_0 j_0}$$遵循引力定律形式[76]： [math]\displaystyle{ p_{i_0 j_0} = \frac{1}{1 + X_{i_0 j_0}} }[/math] 其中[math]\displaystyle{ X_{i_0 j_0} = \frac{(R_0 \Delta \theta_{i_0 j_0})^{\beta}}{(\mu_0 \kappa_{i_0} \kappa_{j_0})^{\max(1,\beta)}} }[/math]，参数$$\mu_0$$决定平均度，节点期望度与$$\kappa$$值成正比，$$\beta$$调控网络拓扑集聚性，作为逆温度参数[76,77]。

该模型在$$\beta=1$$处呈现反常拓扑相变[77]，几何相（$$\beta>1$$）中集聚系数保持有限[42]，非几何相（$$0\leq\beta\leq1$$）热力学极限下集聚系数趋于零，但准几何区域$$0.5\lessapprox\beta<1$$内衰减极慢[78]，表明有限规模网络保留显著集聚性，与某些真实复杂网络性质相当。

$$\mathbb{S}^D$$模型的纯几何形式为$$\mathbb{H}^{D+1}$$模型[72]，隐藏度$$\kappa$$对应径向坐标$$r$$，连接概率转换为仅依赖双曲空间节点间距的费米-狄拉克函数。Mercator工具[79,80]通过统计推断与机器学习技术，将真实网络嵌入此空间，生成的映射可用于可视化、分析、导航及重整化等任务。

该模型族能解释真实网络连接性的关键特征，包括异质度分布[42,72,82]、显著集聚性[42,72,82–84]、小世界现象[42,85–87]、渗流性质[88–90]、谱特征[91]及自相似性[42]，并可扩展至生长网络[92]、加权网络[93]、二部网络[94,95]等多种网络类型。

      1. 几何重整化技术

$$\mathbb{S}^1$$或$$\mathbb{H}^1$$模型通过对网络的双曲映射迭代操作，为几何重整化群奠定基础[68-71]。在$$\ell=0$$层配置嵌入空间坐标后，通过粗粒化和重标度得到$$\ell=1$$层，涉及将相似性子空间划分为$$N_1$$个扇区，同一扇区节点成为超节点，若原始节点间存在连接则超节点间建立连边，迭代生成跨尺度重整化流。

几何重整化表明多尺度自相似性是真实世界网络的普遍对称性[68,71]，能准确预测人类大脑连接组多尺度重构中的自相似性[104]，可由$$\mathbb{S}^1$$或$$\mathbb{H}^2$$模型在几何（$$\beta>1$$）[68]和非几何（$$\beta\leq1$$）[71]机制下的可重整化性解释。隐藏度的尺度变换通过要求连接概率不变性获得，角度坐标流由保持原始模型旋转不变性的变换定义。记$$z_{i_\ell} = \kappa_{i_\ell}^{\max(1, \beta)}$$，保持连接概率和网络拓扑性质的变换为： [math]\displaystyle{ z_{i_{\ell+1}} = \sum_{i_\ell \in i_{\ell+1}} z_{i_\ell}, \quad \theta_{i_{\ell+1}} = \frac{\sum_{i_\ell \in i_{\ell+1}} z_{i_\ell} \theta_{i_\ell}}{\sum_{i_\ell \in i_{\ell+1}} z_{i_\ell}} }[/math] 全局参数演化如下：$$R_{\ell+1} = R_\ell / r_\ell$$，$$\mu_{\ell+1} = \mu_\ell / r^{\min(1, \beta)}$$，其中$$r$$为等大小超节点中的节点数，$$\beta$$尺度不变。该变换满足半群性质，概率$$p_{i_{\ell+1} j_{\ell+1}}$$保持原始形式，$$\beta>1$$时平均度$$\langle k \rangle$$按流$$\langle k \rangle_{\ell+1} = r^\nu \langle k \rangle_\ell$$演化，真实网络通常$$\nu>0$$，流趋向高连接度图；$$\nu<0$$趋向一维环；转变处$$\nu=0$$，平均度保持不变。$$\beta\leq1$$时，链接数在重整化下保持不变[71]。

      1. 推广到带权网络

通过保持权重与度关系的变换，网络权重结构在重整化群流中得以保留，产生几何权重重整化（GRW）技术[70]，可对加权网络结构进行多尺度展开[105,106]，形成自相似层级，数学基础在于加权$$W\mathbb{S}^D$$模型的可重整化性[93]。实际操作中常选择重整化链接最大权重作为近似方法，在代谢网络、航班网络、科学合作网络等异质度分布加权网络中，使用sup-GRW策略或基于其理论的变换[70]进行粗粒化和重标度时，可观察到几何标度行为。

      1. 自相似细粒化

几何分支生长（GBG）模型[69]作为几何重整化的逆向技术，能准确预测世界贸易网和期刊引文网络等增长网络的自相似行为，通过生成自相似度量推广复制网络原始结构，可扩展至任意大网络规模。

从层级$$\ell$$生成细粒度层级$$\ell-1$$时，将原始层级节点以概率$$p$$划分为$$r$$个后代，节点数量增加为$$N_{\ell-1} = N_\ell(1 + p(r - 1)) = bN_\ell$$，其中$$b$$为分支率。不分裂节点保留坐标，后代节点赋予新坐标，隐藏度遵循几何重整化规则，分布$$\rho(z)$$与祖先层级相同，要求度分布为稳定分布[107]，角坐标固定在祖先左右两侧，略有偏移以保持旋转顺序。

设$$\mu_{\ell-1} = b\mu_\ell$$，迭代应用GBG模型生成细粒化自相似层级，保留原始经验连接概率、度分布、集聚系数和社区结构，平均度减小。添加额外链接并设置$$\mu_{\ell-1} = a\mu_{\ell-1}$$（$$a>1$$）得到膨胀版本，避免平均度快速减小。GBG是积分重整化的统计逆过程，膨胀GBG是收缩几何重整化的统计逆过程，加权和非加权$$\mathbb{S}^1$$模型的重整化复现真实网络多尺度自相似性，表明相同原则决定不同尺度网络连接性。

      1. 应用

几何重整化与GBG模型结合实现全尺度网络自上而下的多尺度展开，应用包括设计提升单尺度方法性能的多尺度导航[68]，生成保持统计特性的真实网络缩放副本[68,69]，用于研究尺寸依赖现象，如尺寸诱导的随机共振效应、通过有限尺度标度技术分析临界行为[69]，以及模型降阶以进行高保真模拟。

拉普拉斯网络重整化

复杂网络重整化的另一方法[35,108]利用节点间拉普拉斯扩散概念[109,110]，通过实时检测多尺度结构实现顶点和边的粗粒化，最终重整化网络上的动力学模型。该框架可建立直观的实空间版本，类似于统计物理中的Migdal-Kadanoff重整化群方法[111,112]，同时遵循Wilson重整化群思想[113]建立严格的对偶空间或k空间表述，两种表述均通过迭代粗粒化网络，在大尺度范围内保持扩散动力学性质。

      1. 将拉普拉斯扩散视为近邻检测

构建异构无向网络拉普拉斯重整化群（LRG）方法的第一步是利用对称图拉普拉斯算子[110,114]$$L^{(0)}$$定义节点在固定尺度下的“等效”邻域。该算子在初始层级$$\ell=0$$由邻接矩阵$$A^{(0)}$$构造，矩阵元素为[math]\displaystyle{ L_{i_0j_0}^{(0)} = k_{i_0}\delta_{i_0j_0} - A_{i_0j_0}^{(0)} }[/math]，其中$$\delta_{i_0j_0}$$为Kronecker delta，$$k_{i_0}$$为节点度。

设$$X^{(0)}(\tau)$$为网络上扩散场在时刻$$\tau$$的值，遵循热扩散方程[math]\displaystyle{ \dot{X}^{(0)} = -L^{(0)}X^{(0)}(\tau) }[/math]，形式化为： [math]\displaystyle{ X^{(0)}(\tau) = K^{(0)}(\tau)X^{(0)}(0) = \mathrm{e}^{-\tau L^{(0)}}X^{(0)}(0) }[/math] 其中扩散演化算子$$K^{(0)}(\tau) \equiv \mathrm{e}^{-\tau L^{(0)}}$$，矩阵元素$$K_{i_0j_0}^{(0)}$$给出场在时间$$\tau$$内从节点$$j_0$$到$$i_0$$通过所有可能路径的扩散比例[115,116]。

      1. 实空间中的拉普拉斯重整化群

基于物理诠释，利用$$K^{(0)}(\tau)$$将原始网络$$\ell=0$$的$$N_0$$个节点在任意时刻$$\tau$$划分为$$N_1$$个“扩散等效”子图，粗粒化为超节点定义下一层级$$\ell=1$$网络，通过剪裁微观连边关系确定超节点间重整化后的边。

网络拉普拉斯粗粒化方法概括如下：定义二值化拉普拉斯矩阵$$\zeta^{(0)}(\tau)$$，元素为： [math]\displaystyle{ \zeta_{i_0j_0}^{(0)}(\tau) = \begin{cases} 1, & \text{若 } K_{i_0j_0}^{(0)}(\tau) \geq \min\left[K_{i_0i_0}^{(0)}(\tau), K_{j_0j_0}^{(0)}(\tau)\right]; \\ 0, & \text{其他情况}. \end{cases} }[/math] 需注意$$\zeta^{(0)}(\tau=0)$$为单位矩阵，$$\tau\to\infty$$时所有元素为1。对固定$$\tau^*>0$$，矩阵$$\zeta^{(0)}(\tau^*)$$视为原网络超图的邻接矩阵，包含$$N_1$$个在尺度$$\tau^*$$上通过扩散连接的连通分支，将$$N_0$$个节点划分为$$N_1<N_0$$个超节点。$$\tau^*$$越大，连通分支数量越少且规模越大，$$\tau^*\to\infty$$时仅存单一分支。基于粗粒化加权邻接矩阵$$W^{(1)}$$可通过定义超节点间加权超边构造，权重等于连接对应细尺度簇的微边权重归一化总和，亦可采用统计物理粗粒化中的一致性裁剪方法获取二值邻接矩阵$$A^{(1)}$$，整个过程可迭代执行定义更高层级。

      1. k-空间上的拉普拉斯重整化群

该公式化过程与Wilson在连续场论中的重整化群方法直接类比[119]，体现半群性质，是实空间LRG在傅里叶空间的对应，傅里叶基由拉普拉斯特征向量给出，波模态由拉普拉斯特征值替代，在规则格点上特征向量与平面波傅里叶基一致，特征值简化为$$k^2$$。

该方法为重整化过程提供更深刻洞见，允许网络粗粒化和重标度嵌入其中的统计动力学模型（如Ising模型或接触过程），以探测特征尺度及可能的相变。由于$$L^{(0)}$$与$$K^{(0)}(\tau)$$是自伴算子，采用量子力学符号书写： [math]\displaystyle{ L^{(0)} = \sum_{k=1}^{N_0} \lambda_k^{(0)} \left| \lambda_k^{(0)} \right\rangle \left\langle \lambda_k^{(0)} \right| }[/math] 特征向量完备性保证粗粒化变量定义的合理性，后续步骤按Wilson范式[113]实现重整化程序：设定时间$$\tau^*$$确定新分辨率尺度，将拉普拉斯谱划分为“快”特征值$$\lambda_i^{(0)} \geq \lambda^* = 1/\tau^*$$和“慢”特征值$$\lambda_i^{(0)} < \lambda^*$$，积掉“快”区域，重定义慢特征向量贡献的截断拉普拉斯算子，重新计算时间标度使$$\tau^*$$对应粗粒化拉普拉斯算子重整化至层级$$\ell=1$$，迭代生成所有层级的重整化拉普拉斯算子。

      1. 扩散演化算子的统计物理学解释

算子$$K^{(0)}(\tau)$$可用于构建网络的“本征尺度扫描仪”，具备平衡态统计物理中熵敏感性或热容的数学特性，其显著极大值（无限尺寸极限下发散）表明网络结构组织中的相变。具体而言，$$K^{(0)}(\tau)$$的特征值$$\{e^{-\lambda_i^{(0)} \tau}\}$$用于定义实时概率密度函数$$p(\lambda; \tau)$$，对应的香农熵$$S(\tau)$$可形式化为冯·诺依曼熵，与量子正则密度算子相关，$$L^{(0)}$$扮演哈密顿量角色，$$\tau$$对应逆温度[130,131]，配分函数$$Z(\tau)$$与自由能$$F(\tau)$$相关。

该形式类比的直接推论是量[math]\displaystyle{ C(\tau)=-\frac{\mathrm{d} S(\tau)}{\mathrm{d} \log \tau} }[/math]具有熵敏感性，是热容[15,129]，节点数无穷大极限下，相变点解释为$$C(\tau)$$在特征尺度$$\tau^*$$处的奇异性，$$\tau^*$$是网络拓扑突变的内蕴尺度，类似Ising模型中关联长度尺度，$$C(\tau)$$可作为本征尺度探测器，通过识别网络结构拓扑转变的特征尺度诱导粗粒化过程[132]。

      1. 拓扑标度不变网络

当拉普拉斯特征值密度$$\omega(\lambda)\sim\lambda^\nu$$时，网络具有拓扑标度不变性，其中$$\nu=d_S/2-1$$，$$d_S$$为拉普拉斯谱维度[133]，此时熵敏感性与$$\tau$$无关，保持恒定值$$C(\tau)=d_S/2$$[35]，这种$$\tau$$无关性在规则格点、随机树及分层模块化网络[134]中出现。根据拉普拉斯重整化群定义，所有拓扑尺度不变网络在拉普拉斯尺度变换和粗粒化下保持相同拓扑结构[135]，因此$$C(\tau)$$可作为实际网络尺度不变性的探测器，常数值直接用于度量谱维度。

多尺度网络的重整化

多尺度网络重整化方法[137–139]旨在引入在任意节点聚合下保持一致的随机图模型，动机源于两方面：给定网络的不同节点划分可能因不同原因相关，需在多种聚合方式下一致建模；真实世界网络数据中“节点”含义非同质，需唯一随机图模型在任意节点聚合或拆解后保持一致性。

该要求意味着多尺度重整化方法对粗粒化变量定义完全不可知，可任意“平铺”节点集，引入任何所需划分$$\Omega_0$$，不依赖度量或扩散邻近性概念。平均掉细微细节的过程允许不同选择，但考虑到构成节点间的连接对定义超节点间联系的重要性，选择特定方案[137]。多尺度方法的独特之处在于识别重整化群流不动点，在该点可对任意节点聚合方式进行耦合系数和参数值的精确重整化。

      1. 节点聚合下的不变性

所求的聚合不变随机图概念类似于稳定随机变量[140-142]，即组合后仍服从相同分布的随机变量。考虑以概率$$P_\ell\left(A^{(\ell)} \mid \Theta_\ell\right)$$生成具体实现$$A^{(\ell)}$$的随机图系综，其中$$\Theta_\ell$$是模型参数集合。给定概率分布和任意划分$$\Omega_\ell$$，可在高一层级$$\ell+1$$导出结果图系综由特定概率分布描述，多尺度重整化方法的核心思想是识别在所有层次和所有可能划分下保持不变的图概率分布函数形式，仅允许（重整化）参数$$\Theta_{\ell+1}$$依赖层级$$\ell+1$$，通常通过$$\Omega_\ell$$与$$\Theta_\ell$$关联，该条件对应通过在图概率空间中识别重整化群流不动点实现参数的精确重整化。

      1. 带独立边的多尺度模型

对于带独立边的图模型，可找到显式不动点$$P\left(A^{(\ell)} \mid \Theta_\ell\right)$$，概率分布分解为节点对$$i_\ell j_\ell$$的连接概率$$p_{i_{\ell} j_{\ell}}\left(\Theta_\ell\right)$$： [math]\displaystyle{ P\left(A^{(\ell)} \mid \Theta_\ell\right)=\prod_{i_\ell,j_\ell}^n\left[p_{i_{\ell} j_{\ell}}\left(\Theta_\ell\right)\right]^{A_{i_\ell,j_\ell}^{(\ell)}}\left[1-p_{i_{\ell} j_{\ell}}\left(\Theta_\ell\right)\right]^{1-A_{i_\ell,j_\ell}^{(\ell)}} }[/math] 多尺度模型（MSM）[137]定义为连接概率空间中重整化群流的唯一非平凡不动点，满足尺度不变性要求： [math]\displaystyle{ p_{i_{\ell} j_{\ell}}\left(\Theta_{\ell}\right)= \begin{cases} 1-\mathrm{e}^{-\delta x_{i_\ell} x_{j_\ell} f\left(d_{i_\ell j_{\ell}}\right)}, & i_{\ell} \neq j_{\ell}; \\ 1-\mathrm{e}^{-\delta x_{i_\ell}^2 f\left(d_{i_\ell j_{\ell}}\right)/2}, & i_{\ell}=j_{\ell}, \end{cases} }[/math] 其中参数$$\Theta_{ij}$$分解为全局参数$$\delta>0$$调节网络整体连接密度，$$N_\ell$$个正定节点特异性参数$$\{x_{i_\ell}\}$$（适应度值）决定节点建立连接的个体倾向，以及$$N_\ell^2$$个二元参数$$\{d_{i_\ell j_\ell}\}$$表示节点对效应，函数$$f$$是任意单调正值函数。

      1. 参数重整化与聚合不变性

使用划分$$\Omega_\ell$$将网络粗粒化至$$\ell+1$$层级时，构型$$A^{(\ell+1)}$$的概率仍由上述方程描述，其中$$\ell$$替换为$$\ell+1$$且参数重整化为： [math]\displaystyle{ x_{i_{\ell+1}} = \sum_{i_{\ell} \in \Omega} x_{i_{\ell}}, \quad d_{i_{\ell+1},j_{\ell+1}} = f^{-1}\left(\dfrac{\sum_{\substack{i_{\ell} \in i_{\ell+1}, j_{\ell} \in j_{\ell+1}}} \delta x_{i_{\ell}} x_{j_{\ell}} f(d_{i_{\ell},j_{\ell}})}{\sum_{\substack{i_{\ell} \in i_{\ell+1}, j_{\ell} \in j_{\ell+1}}} \delta x_{i_{\ell}} x_{j_{\ell}} }\right) }[/math] 其中$$\delta$$尺度不变，保持不变。当$$\{d_{i_\ell j_\ell}\}$$为超度量时，重整化后仍保持超度量性，另一特例是令$$f(d) \equiv 1$$消去所有二元效应，使模型完全由适应度驱动，关键是适应度参数不可消去，代表模型中不可约简的特征。

值得注意的是，对应配分函数$$Z(\delta)$$可精确计算，证明在任意计算层级取值相同[137]，证实多尺度模型位于重整化流的不动点上。与几何或拉普拉斯方法不同，多尺度模型既不需要节点坐标的度量空间嵌入，也不需要扩散邻近性概念，允许任意划分，聚合不变性较邻近驱动的尺度不变性更显著。

      1. 真实世界网络重整化的淬火变体

在多尺度模型的“淬火”变体中，节点适应度解释为确定性属性，如观测量或潜在节点特征[137,139,150,151]，可用于基于经验量（如适应度模型族[152]）或潜在变量（如节点嵌入算法族[153]）对真实世界网络建模。然而，这些算法族的通用模型在固定分辨率层级构建，而多尺度模型要求通过重整化参数在所有聚合层级一致描述同一系统，是唯一在聚合后保持适应度模型特征的适应度可加性模型[137,150]，也是在任意粗粒化下生成一致节点嵌入的方法[151]。

该模型在多个层级成功复现国际贸易网络[137,139]、企业间网络[150]和投入产出网络[151]的特性，当二元和/或适应度量从数据输入时，仅剩全局参数作为自由参数，可在特定分辨率层级拟合，提供所有其他层级的预测，多尺度预测与多层级经验网络特性高度吻合[137,139,150]。

      1. 集群无标度网络与细粒度化的退火变体

在退火变体[137,138]中，节点适应度视为随机变量，类似于非均匀随机图家族[154]，作为“隐”变量不与特定真实世界特征关联，聚合不变性要求也适用于适应度，任何层次$$\ell$$的节点适应度应从相同概率密度函数抽取，适应度的加性表明其为$$\alpha$$-稳定随机变量[141]，密度函数在大$$x$$时衰减为$$x^{-1-\alpha}$$，为确保适应度正性，指数$$\alpha \in (0,1)$$，导致适应度均值及更高阶矩发散，此范围内唯一已知$$\alpha$$-稳定分布为Lévy分布（$$\alpha=1/2$$），但对任意$$\alpha$$值可推导严格结果，且基本与$$\alpha$$无关[138]。

若将节点聚集成大小相等的块，适应度保持相同密度，仅需重新缩放全局参数。退火变体中，多尺度模型生成任意大网络，其性质可在节点数量发散的渐近极限下研究[138]。适应度的无穷均值特性使退火多尺度模型的期望拓扑性质与有限均值适应度模型不同，可严格证明[137,138]，期望度分布$$P(k)$$具有普适的幂律尾衰减$$k^{-2}$$，与$$\alpha$$值无关。

由于$$\alpha$$-稳定随机变量具有无限可分性，退火方法中可将节点无限细分为子节点，每个子节点拥有独立同分布的适应度，意味着重整化流不仅定义自底向上的半群，还定义双向进行的群[137]。如何将该理论特性转化为实用工具，细化仅在粗粒化水平观察的现实网络，仍是公开挑战。

展望

尽管网络重整化方法在构建几何与系综异质性通用框架方面取得进展，仍存在若干挑战与开放性问题。

      1. 分辨率水平

真实世界网络实现中，拓扑结构异质性使将几何和拓扑组织归于“功能单元”的操作具挑战性，比同质格点或规则树复杂。此外，节点定义的合理分辨率尺度通常非系统内蕴，源于观测限制或数据聚合粗糙程度，如金融关系网络和流行病网络中的信息不全。理想情况下，需确定并区分网络属性固有特征尺度与数据分辨率相关尺度。

      1. 与动力学过程相容的重整化

对任意网络上动力学结构和过程的重整化，主要挑战在于如何以与底层图结构和系综随机性重整化兼容的方式重整化动力学。此前研究限于规则或分形格点上的动态过程，粗粒化结构部分可自然定义。

具体而言，精确重整化群计算已应用于分形网络上的高斯场[155]和随机游走[156]，扩展至研究Hanoi网络上Ising模型的不动点[157]，揭示不同区域的临界非普适行为。利用裁剪技术探索网络增长模型上渗流临界行为，发现与无关联网络偏差[158]，也用于分析神经元网络活动[159]。

一般而言，真实世界网络及其粗粒化版本的结构异质性可能导致动力学过程与拓扑结构重整化间的耦合，开发独立于具体方案的框架，兼容地同时重整化网络动态及底层几何或系综结构，仍是挑战。

      1. 广义临界性？

真实世界网络连接的强异质性与非局部性可能影响动力学模型在临界点附近的局部激发与集体激发转变性质，引发更复杂行为，需要更广义的临界性定义。例如，真实接触网络上疫情传播动力学中，集体大流行态与局部地方病流行态间的转变可能比近似格点的理想化接触网络复杂，相互作用参数可能存在完整区域，使临界行为在宏观但局部的集体子网络中逐步显现，由强拓扑异质性及潜在层级结构决定，表明拓扑复杂性可能要求将临界点概念扩展至Griffith相范畴[160,161]。

      1. 信息论视角下的参数相关性与无关性

粗粒化意味着信息丢失，这是重整化群技术的核心工具，用于识别最有价值时空尺度的参数。重整化方法最初设计用于研究大自由度物理系统，识别参数从微观到宏观尺度的流动，跨尺度信息流的关键在于随尺度增大，某些参数相关性增强，其他逐渐无关。

在复杂网络背景下，探索这种信息随参数的自下而上流动，可为理解哪些量和控制参数在最大时空尺度最重要提供第一性原理解释。通过信息论（Fisher信息与信息几何形式体系），可从纯经验视角获得互补的自上而下方法。

      1. 信息几何与参数流

给定任意数据集，可构建由假设模型生成的似然函数，最大似然估计识别使似然函数最大化的参数集。对数似然相对于参数的二阶导数形成度量参数空间距离的结构，捕捉似然偏离最大值的变化方式，这种推断的几何化（信息几何[162]）使在参数流统一框架下重构统计推断与重整化成为可能[163]。

基于数据集构建的似然对应的Fisher信息度量具有显著的特征值层级结构，最大特征值对应参数微小变化对观测结果影响最大，直接映射重整化群意义上的参数相关性概念[164]，解释了为何信息有限时简单模型常能捕捉大部分相关特征。

当对网络数据集或模型嵌入模拟实现不断粗粒化后，粗粒化似然函数的部分特征值相关性增强，其他减弱，与重整化群相关性精确对应。基于此，仅通过研究数据粗粒化下的参数流，即可系统推断不同相与控制参数的存在，唯一假设是粗粒化方案选择、底层几何/系综随机性的参数化方式及其先验分布设定，该方法已用于识别异质性化学系统的不同相[166]，在复杂网络背景下亦具研究前景。

参考文献

1. Pósfai, M. & Barabási, A.-L. Network Science (Cambridge Univ. Press, 2016). 2. Squartini, T. & Garlaschelli, D. Maximum-Entropy Networks: Pattern Detection, Network Reconstruction and Graph Combinatorics (Springer, 2017). 3. Newman, M. Networks (Oxford Univ. Press, 2018). 4. Cimini, G. The statistical physics of real-world networks. Nat. Rev. Phys. 1 (2019). 5. Radicchi, F., Ramasco, J., Barrat, A. & Fortunato, S. Complex networks renormalization: flows and fixed points. Phys. Rev. Lett. 101 (2008). 6. Radicchi, F., Barrat, A., Fortunato, S. & Ramasco, J. J. Renormalization flows in complex networks. Phys. Rev. E 79 (2009). 7. Chen, D., Su, H., Wang, X., Pan, G.-J. & Chen, G. Finite-size scaling of geometric renormalization flows in complex networks. Phys. Rev. E 104 (2021). 8. Chen, D., Cai, D. & Su, H. Scaling properties of scale-free networks in degree-thresholding renormalization flows. IEEE Trans. Netw. Sci. Eng. 10 (2023). 9. Serafino, M. True scale-free networks hidden by finite size effects. Proc. Natl Acad. Sci. USA 118 (2021). 10. Itzykson, C. & Drouffe, J. M. Statistical Field Theory: Volume 1, From Brownian Motion to Renormalization and Lattice Gauge Theory (Cambridge Univ. Press, 1989). 11. Burgess, C. P. Introduction to Effective Field Theory (Cambridge Univ. Press, 2020). 12. Bardoscia, M. The physics of financial networks. Nat. Rev. Phys. 3 (2021). 13. Soriano-Paños, D. Modeling communicable diseases, human mobility, and epidemics: a review. Ann. Phys. 534 (2022). 14. Song, C., Havlin, S. & Makse, H. A. Self-similarity of complex networks. Nature 433 (2005). 15. Binder, K. & Young, A. P. Spin glasses: experimental facts, theoretical concepts, and open questions. Rev. Mod. Phys. 58 (1986). 16. Bar-Yam, Y. & Patil, S. P. Renormalization of sparse disorder in the Ising model. Preprint at arXiv (2018). 17. Mandelbrot, B. B. The Fractal Geometry of Nature Vol. 2 (Freeman, 1982). 18. Samsel, M., Makulski, K., Łepek, M., Fronczak, A. & Fronczak, P. Towards fractal origins of the community structure in complex networks: a model-based approach. Preprint at arXiv (2023). 19. Goh, K.-I., Salvi, G., Kahng, B. & Kim, D. Skeleton and fractal scaling in complex networks. Phys. Rev. Lett. 96 (2006). 20. Kim, J. S., Goh, K.-I., Kahng, B. & Kim, D. Fractality and self-similarity in scale-free networks. New J. Phys. 9 (2007). 21. Fronczak, A. Scaling theory of fractal complex networks. Sci. Rep. (2024). 22. Song, C., Havlin, S. & Makse, H. A. Origins of fractality in the growth of complex networks. Nat. Phys. 2 (2006). 23. Rozenfeld, H. D., Song, C. & Makse, H. A. Small-world to fractal transition in complex networks: a renormalization group approach. Phys. Rev. Lett. 104 (2010). 24. Newman, M. & Watts, D. Renormalization group analysis of the small-world network model. Phys. Lett. A 263 (1999). 25. Kim, B. J. Geographical coarse graining of complex networks. Phys. Rev. Lett. 93 (2004). 26. Gfeller, D. & Los Rios, P. Spectral coarse graining of complex networks. Phys. Rev. Lett. 99 (2007). 27. Wang, Y., Zeng, A., Di, Z. & Fan, Y. Spectral coarse graining for random walks in bipartite networks. Chaos 23 (2013). 28. Gfeller, D. & Los Rios, P. Spectral coarse graining and synchronization in oscillator networks. Phys. Rev. Lett. 100 (2008). 29. Chen, J., an Lu, J., Lu, X., Wu, X. & Chen, G. Spectral coarse graining of complex clustered networks. Commun. Nonlinear Sci. Numer. Simul. 18 (2013). 30. Jia, Z., Zeng, L., Wang, Y.-Y. & Wang, P. Optimization algorithms for spectral coarse-graining of complex networks. Physica A 514 (2019). 31. Zeng, A. & Lü, L. Coarse graining for synchronization in directed networks. Phys. Rev. E 83 (2011). 32. Wang, P. & Xu, S. Spectral coarse grained controllability of complex networks. Physica A 478 (2017). 33. Aygün, E. & Erzan, A. Spectral renormalization group theory on networks. J. Phys. Conf. Ser. 319 (2011). 34. Tuncer, A. & Erzan, A. Spectral renormalization group for the Gaussian model and $Psi$4 theory on nonspatial networks. Phys. Rev. E 92 (2015). 35. Villegas, P., Gili, T., Caldarelli, G. & Gabrielli, A. Laplacian renormalization group for heterogeneous networks. Nat. Phys. 19 (2023). 36. Chen, H., Hou, Z., Xin, H. & Yan, Y. Statistically consistent coarse-grained simulations for critical phenomena in complex networks. Phys. Rev. E 82 (2010). 37. Long, Y.-S., Jia, Z. & Wang, Y.-Y. Coarse graining method based on generalized degree in complex network. Physica A 505 (2018). 38. Wang, Y. Coarse graining method based on node similarity in complex network. Commun. Netw. 10 (2018). 39. Lorrain, F. & White, H. C. Structural equivalence of individuals in social networks. J. Math. Sociol. 1 (1971). 40. Dunne, J. A. Food webs. In textit{Encyclopedia of Complexity and Systems Science (ed. Meyers, R.) 3661–3682 (Springer, 2009). 41. Itzkovitz, S. Coarse-graining and self-dissimilarity of complex networks. Phys. Rev. E 71 (2005). 42. Serrano, M. Á., Krioukov, D. & Boguñá, M. Self-similarity of complex networks and hidden metric spaces. Phys. Rev. Lett. 100 (2008). 43. Alvarez-Hamelin, J., Dall’Asta, L., Barrat, A. & Vespignani, A. K-core decomposition of Internet graphs: hierarchies, self-similarity and measurement biases. Netw. Heterog. Media 3 (2008). 44. Lambiotte, R. Multi-scale modularity in complex networks. In textit{8th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks 546–553 (IEEE, 2010). 45. Karypis, G. & Kumar, V. A fast and high quality multilevel scheme for partitioning irregular graphs. SIAM J. Sci. Comput. 20 (1998). 46. Abou-Rjeili, A. & Karypis, G. Multilevel algorithms for partitioning power-law graphs. In textit{Proc. 20th IEEE International Parallel & Distributed Processing Symposium (IEEE, 2006). 47. Leifer, I., Phillips, D., Sorrentino, F. & Makse, H. A. Symmetry-driven network reconstruction through pseudobalanced coloring optimization. J. Stat. Mech. 2022 (2022). 48. Boldi, P. & Vigna, S. Fibrations of graphs. Discrete Math. 243 (2002). 49. Cardelli, L., Tribastone, M., Tschaikowski, M. & Vandin, A. Maximal aggregation of polynomial dynamical systems. Proc. Natl Acad. Sci. USA 114 (2017). 50. Cardelli, L., Tribastone, M., Tschaikowski, M. & Vandin, A. Erode: a tool for the evaluation and reduction of ordinary differential equations. In textit{Proc. Tools and Algorithms for the Construction and Analysis of Systems: 23rd International Conference, TACAS 2017 Part II 23, 310–328 (Springer, 2017). 51. Argyris, G. A., Lluch Lafuente, A., Tribastone, M., Tschaikowski, M. & Vandin, A. Reducing Boolean networks with backward equivalence. BMC Bioinformatics 24 (2023). 52. Morone, F., Leifer, I. & Makse, H. A. Fibration symmetries uncover the building blocks of biological networks. Proc. Natl Acad. Sci. USA 117 (2020). 53. Gili, T. et al. Fibration symmetry-breaking supports functional transitions in a brain network engaged in language. Preprint at arXiv (2024). 54. Papadopoulos, F., Psounis, K. & Govindan, R. Performance preserving topological downscaling of internet-like networks. IEEE J. Sel. Areas Commun. 24 (2006). 55. Papadopoulos, F. & Psounis, K. Efficient identification of uncongested internet links for topology downscaling. SIGCOMM Comput. Commun. Rev. 37 (2007). 56. Di, X., Zhao, Y., Huang, S. & Liu, H. X. A similitude theory for modeling traffic flow dynamics. IEEE Trans. Intell. Transp. Syst. 20 (2019). 57. Chen, H., Perozzi, B., Hu, Y. & Skiena, S. HARP: hierarchical representation learning for networks. In textit{Proc. 32nd AAAI Conference on Artificial Intelligence/30th Innovative Applications of Artificial Intelligence Conference/8th AAAI Symposium on Educational Advances in Artificial Intelligence (AAAI’18/IAAI’18/EAAI’18) 2127–2134 (AAAI, 2018). 58. Loukas, A. Graph reduction with spectral and cut guarantees. J. Mach. Learn. Res. 20 (2019). 59. Jin, Y., Loukas, A. & JaJa, J. Graph coarsening with preserved spectral properties. In textit{Proc. International Conference on Artificial Intelligence and Statistics 4452–4462 (PMLR, 2020). 60. Fahrbach, M., Goranci, G., Peng, R., Sachdeva, S. & Wang, C. Faster graph embeddings via coarsening. In textit{Proc. International Conference on Machine Learning 2953–2963 (PMLR, 2020). 61. Liang, J., Gurukar, S. & Parthasarathy, S. MILE: A multi-level framework for scalable graph embedding. In textit{Proc. International AAAI Conference on Web and Social Media Vol. 15, 361–372 (AAAI, 2021). 62. Huang, Z., Zhang, S., Xi, C., Liu, T. & Zhou, M. Scaling up graph neural networks via graph coarsening. In textit{Proc. 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining 675–684 (ACM, 2021). 63. Zhang, Z., Ghavasieh, A., Zhang, J. & De Domenico, M. Coarse-graining network flow through statistical physics and machine learning. Nat. Commun. 16 (2025). 64. Yedidia, J. S. & Bouchaud, J.-P. Renormalization group approach to error-correcting codes. J. Phys. A 36 (2003). 65. Klein, B. & Hoel, E. The emergence of informative higher scales in complex networks. Complexity 2020 (2020). 66. Faccin, M., Schaub, M. T. & Delvenne, J.-C. Entrograms and coarse graining of dynamics on complex networks. J. Complex Netw. 6 (2017). 67. Boguñá, M. Network geometry. Nat. Rev. Phys. 3 (2021). 68. García-Pérez, G., Boguñá, M. & Serrano, M. Á. Multiscale unfolding of real networks by geometric renormalization. Nat. Phys. 14 (2018). 69. Zheng, M., García-Pérez, G., Boguñá, M. & Serrano, M. Á. Scaling up real networks by geometric branching growth. Proc. Natl Acad. Sci. USA (2021). 70. Zheng, M., García-Pérez, G., Boguñá, M. & Serrano, M. Á. Geometric renormalization of weighted networks. Commun. Phys. 7 (2024). 71. Kolk, J., Serrano, M. & Boguñá, M. Renormalization of networks with weak geometric coupling. Phys. Rev. E 110 (2024). 72. Krioukov, D., Papadopoulos, F., Kitsak, M., Vahdat, A. & Boguñá, M. Hyperbolic geometry of complex networks. Phys. Rev. E 82 (2010). 73. Gilbert, E. N. Random plane networks. J. Soc. Indust. Appl. Math. 9 (1961). 74. Penrose, M. Random Geometric Graphs Vol. 5 (Oxford Univ. Press, 2003). 75. Hoff, P. D., Raftery, A. E. & Handcock, M. S. Latent space approaches to social network analysis. J. Am. Stat. Assoc. 97 (2002). 76. Boguñá, M., Krioukov, D., Almagro, P. & Serrano, M. Á. Small worlds and clustering in spatial networks. Phys. Rev. Res. 2 (2020). 77. Kolk, J., Serrano, M. Á. & Boguñá, M. An anomalous topological phase transition in spatial random graphs. Commun. Phys. 5 (2022). 78. Kolk, J., Serrano, M. Á. & Boguñá, M. Random graphs and real networks with weak geometric coupling. Phys. Rev. Res. 6 (2024). 79. García-Pérez, G., Allard, A., Serrano, M. Á. & Boguñá, M. Mercator: uncovering faithful hyperbolic embeddings of complex networks. New J. Phys. 21 (2019). 80. Jankowski, R., Allard, A., Boguñá, M. & Serrano, M. Á. The D-Mercator method for the multidimensional hyperbolic embedding of real networks. Nat. Commun. 14 (2023). 81. Boguñá, M., Papadopoulos, F. & Krioukov, D. Sustaining the internet with hyperbolic mapping. Nat. Commun. 1 (2010). 82. Gugelmann, L., Panagiotou, K. & Peter, U. Random hyperbolic graphs: degree sequence and clustering. In textit{Proc. Automata, Languages and Programming, 39th International Colloquium (ICALP 2012) (eds Czumaj, A. et al.) 573–585 (Springer, 2012). 83. Candellero, E. & Fountoulakis, N. Clustering and the hyperbolic geometry of complex networks. Internet Math. 12 (2016). 84. Fountoulakis, N., Hoorn, P., Müller, T. & Schepers, M. Clustering in a hyperbolic model of complex networks. Electron. J. Probab. 26 (2021). 85. Abdullah, M. A., Fountoulakis, N. & Bode, M. Typical distances in a geometric model for complex networks. Internet Math. (2017). 86. Friedrich, T. & Krohmer, A. On the diameter of hyperbolic random graphs. SIAM J. Discrete Math. 32 (2018). 87. Müller, T. & Staps, M. The diameter of KPKVB random graphs. Adv. Appl. Probab. 51 (2019). 88. Serrano, M. Á., Krioukov, D. & Boguñá, M. Percolation in self-similar networks. Phys. Rev. Lett. 106 (2011). 89. Fountoulakis, N. & Müller, T. Law of large numbers for the largest component in a hyperbolic model of complex networks. Ann. Appl. Probab. 28 (2018). 90. Bianconi, G. & Ziff, R. Topological percolation on hyperbolic simplicial complexes. Phys. Rev. E 98 (2018). 91. Kiwi, M. & Mitsche, D. Spectral gap of random hyperbolic graphs and related parameters. Ann. Appl. Probab. 28 (2018). 92. Papadopoulos, F., Kitsak, M., Serrano, M. Á., Boguñá, M. & Krioukov, D. Popularity versus similarity in growing networks. Nature 489 (2012). 93. Allard, A., Serrano, M. Á., García-Pérez, G. & Boguñá, M. The geometric nature of weights in real complex networks. Nat. Commun. 8 (2017). 94. Serrano, M. Á., Boguñá, M. & Sagués, F. Uncovering the hidden geometry behind metabolic networks. Mol. Biosyst. 8 (2012). 95. Kitsak, M., Papadopoulos, F. & Krioukov, D. Latent geometry of bipartite networks. Phys. Rev. E 95 (2017). 96. Budel, G. & Kitsak, M. Complementarity in complex networks. Preprint at arXiv (2023). 97. Kleineberg, K.-K., Boguñá, M., Serrano, M. Á. & Papadopoulos, F. Hidden geometric correlations in real multiplex networks. Nat. Phys. 12 (2016). 98. Kleineberg, K.-K., Buzna, L., Papadopoulos, F., Boguñá, M. & Serrano, M. Á. Geometric correlations mitigate the extreme vulnerability of multiplex networks against targeted attacks. Phys. Rev. Lett. 118 (2017). 99. Zuev, K., Boguñá, M., Bianconi, G. & Krioukov, D. Emergence of soft communities from geometric preferential attachment. Sci. Rep. 5 (2015). 100. García-Pérez, G., Serrano, M. Á. & Boguñá, M. Soft communities in similarity space. J. Stat. Phys. 173 (2018). 101. Muscoloni, A. & Cannistraci, C. V. A nonuniform popularity-similarity optimization (nPSO) model to efficiently generate realistic complex networks with communities. New J. Phys. 20 (2018). 102. Allard, A., Serrano, M. Á. & Boguñá, M. Geometric description of clustering in directed networks. Nat. Phys. 20 (2024). 103. Aliakbarisani, R., Ángeles Serrano, M. & Boguñá, M. Feature-enriched hyperbolic network geometry. Preprint at arXiv (2023). 104. Zheng, M., Allard, A., Hagmann, P., Alemán-Gómez, Y. & Serrano, M. Á. Geometric renormalization unravels self-similarity of the multiscale human connectome. Proc. Natl Acad. Sci. USA 117 (2020). 105. Barrat, A., Barthelemy, M., Pastor-Satorras, R. & Vespignani, A. The architecture of complex weighted networks. Proc. Natl Acad. Sci. USA 101 (2004). 106. Serrano, M. Á., Boguñá, M. & Pastor-Satorras, R. Correlations in weighted networks. Phys. Rev. E 74 (2006). 107. Nolan, J. P. Univariate Stable Distributions: Models for Heavy Tailed Data (Springer Nature, 2019). 108. Caldarelli, G., Gabrielli, A., Gili, T. & Villegas, P. Laplacian renormalization group: an introduction to heterogeneous coarse-graining. J. Stat. Mech. 2024 (2024). 109. Domenico, M. & Biamonte, J. Spectral entropies as information-theoretic tools for complex network comparison. Phys. Rev. X 6 (2016). 110. Masuda, N., Porter, M. A. & Lambiotte, R. Random walks and diffusion on networks. Phys. Rep. 716 (2017). 111. Kadanoff, L. P. Notes on Migdal’s recursion formulas. Ann. Phys. 100 (1976). 112. Migdal, A. A. Phase transitions in gauge and spin-lattice systems. Zh. Eksp. Teor. Fiz. 69 (1975). 113. Wilson, K. G. & Kogut, J. The renormalization group and the $$varepsilo$$ expansion. Phys. Rep. 12 (1974). 114. Newman, M. E. J. Networks: An Introduction (Oxford Univ. Press, 2010). 115. Moretti, P. & Zaiser, M. Network analysis predicts failure of materials and structures. Proc. Natl Acad. Sci. USA 116 (2019). 116. Burioni, R. & Cassi, D. Random walks on graphs: ideas, techniques and results. J. Phys. A 38 (2005). 117. Villegas, P., Gabrielli, A., Poggialini, A. & Gili, T. Multi-scale Laplacian community detection in heterogeneous networks. Phys. Rev. Res. 7 (2025). 118. Kadanoff, L. P. Scaling laws for Ising models near Tc. Phys. Phys. Fiz. 2 (1966). 119. Wilson, K. G. Problems in physics with many scales of length. Sci. Am. 241 (1979). 120. Hinrichsen, H. Non-equilibrium critical phenomena and phase transitions into absorbing states. Adv. Phys. 49 (2000). 121. Dornic, I., Chaté, H. & Muñoz, M. A. Integration of Langevin equations with multiplicative noise and the viability of field theories for absorbing phase transitions. Phys. Rev. Lett. 94 (2005). 122. Burioni, R. & Cassi, D. Geometrical universality in vibrational dynamics. Mod. Phys. Lett. B 11 (1997). 123. Cassi, D. Phase transitions and random walks on graphs: a generalization of the Mermin–Wagner theorem to disordered lattices, fractals, and other discrete structures. Phys. Rev. Lett. 68 (1992). 124. Reitz, M. & Bianconi, G. The higher-order spectrum of simplicial complexes: a renormalization group approach. J. Phys. A 53 (2020). 125. Bianconi, G. & Dorogovstev, S. N. The spectral dimension of simplicial complexes: a renormalization group theory. J. Stat. Mech. 2020 (2020). 126. Nurisso, M. et al. Higher-order Laplacian renormalization. Nat. Phys. (2025). 127. Cheng, A., Xu, Y., Sun, P. & Tian, Y. A simplex path integral and a simplex renormalization group for high-order interactions. Rep. Prog. Phys. 87 (2024). 128. Ghavasieh, A., Nicolini, C. & Domenico, M. Statistical physics of complex information dynamics. Phys. Rev. E 102 (2020). 129. Villegas, P., Gabrielli, A., Santucci, F., Caldarelli, G. & Gili, T. Laplacian paths in complex networks: information core emerges from entropic transitions. Phys. Rev. Res. 4 (2022). 130. Binney, J. J., Dowrick, N. J., Fisher , A. J. & Newman, M. E. The Theory of Critical Phenomena: An Introduction to the Renormalization Group (Oxford Univ. Press, 1992). 131. Pathria, R. K. & Beale, P. D. Statistical Mechanics (Elsevier/Academic, 2011). 132. Holland, P. W., Laskey, K. B. & Leinhardt, S. Stochastic blockmodels: first steps. Soc. Networks 5 (1983). 133. Burioni, R. & Cassi, D. Universal properties of spectral dimension. Phys. Rev. Lett. 76 (1996). 134. Moretti, P. & Muñoz, M. A. Griffiths phases and the stretching of criticality in brain networks. Nat. Commun. 4 (2013). 135. Poggialini, A., Villegas, P., Muñoz, M. A. & Gabrielli, A. Networks with many structural scales: a renormalization group perspective. Phys. Rev. Lett. 134 (2024). 136. de C. Loures, M., Piovesana, A. A. & Brum, J. A. Laplacian coarse graining in complex networks. Preprint at arXiv (2023). 137. Garuccio, E., Lalli, M. & Garlaschelli, D. Multiscale network renormalization: scale-invariance without geometry. Phys. Rev. Res. 5 (2023). 138. Avena, L., Garlaschelli, D., Hazra, R. S. & Lalli, M. Inhomogeneous random graphs with infinite-mean fitness variables. Preprint at arXiv (2022). 139. Lalli, M. & Garlaschelli, D. Geometry-free renormalization of directed networks: scale-invariance and reciprocity. Preprint at arXiv (2024). 140. Uchaikin, V. V. & Zolotarev, V. M. Chance and Stability: Stable Distributions and their Applications (Walter de Gruyter, 2011). 141. Samorodnitsky, G. & Taqqu, M. S. Stable Non-Gaussian Random Processes: Stochastic Models with Infinite Variance (Chapman & Hall, 1994). 142. Lévy, P. L’addition des variables aléatoires définies sur une circonférence. Bull. Soc. Math. Fr. 67 (1939). 143. Balkema, A. A. & Resnick, S. I. Max-infinite divisibility. J. Appl. Probab. 14 (1977). 144. Giné, E., Hahn, M. G. & Vatan, P. Max-infinitely divisible and max-stable sample continuous processes. Probab. Theory Relat. Fields 87 (1990). 145. Verteletskyi, V. Renormalization of Networks with Weighted Links. MSc thesis, Leiden Univ. (2022). 146. Garlaschelli, D. & Loffredo, M. I. Patterns of link reciprocity in directed networks. Phys. Rev. Lett. 93 (2004). 147. Garlaschelli, D. & Loffredo, M. I. Multispecies grand-canonical models for networks with reciprocity. Phys. Rev. E 73 (2006). 148. Squartini, T., Picciolo, F., Ruzzenenti, F. & Garlaschelli, D. Reciprocity of weighted networks. Sci. Rep. 3 (2013). 149. Gallo, A., Saracco, F., Lambiotte, R., Garlaschelli, D. & Squartini, T. Patterns of link reciprocity in directed, signed networks. Phys. Rev. E 111 (2025). 150. Ialongo, L. N., Bangma, S., Jansen, F. & Garlaschelli, D. Multi-scale reconstruction of large supply networks. Preprint at arXiv (2024). 151. Milocco, R., Jansen, F. & Garlaschelli, D. Multi-scale node embeddings for graph modeling and generation. Preprint at arXiv (2024). 152. Caldarelli, G., Capocci, A., Los Rios, P. & Munoz, M. A. Scale-free networks from varying vertex intrinsic fitness. Phys. Rev. Lett. 89 (2002). 153. Dehghan-Kooshkghazi, A., Kamiński, B., Kraiński, Ł., Prałat, P. & Théberge, F. Evaluating node embeddings of complex networks. J. Complex Netw. 10 (2022). 154. van der Hofstad, R. Random Graphs and Complex Networks (Cambridge Univ. Press, 2024). 155. Hattori, K., Hattori, T. & Watanabe, H. Gaussian field theories on general networks and the spectral dimensions. Prog. Theor. Phys. Suppl. 92 (1987). 156. Burioni, R. & Cassi, D. Random walks on graphs: ideas, techniques and results. J. Phys. A 38 (2005). 157. Boettcher, S. & Brunson, C. T. Renormalization group for critical phenomena in complex networks. Front. Physiol. 2 (2011). 158. Dorogovtsev, S. N. Renormalization group for evolving networks. Phys. Rev. E 67 (2003). 159. Meshulam, L., Gauthier, J. L., Brody, C. D., Tank, D. W. & Bialek, W. Coarse graining, fixed points, and scaling in a large population of neurons. Phys. Rev. Lett. 123 (2019). 160. Griffiths, R. B. Nonanalytic behavior above the critical point in a random Ising ferromagnet. Phys. Rev. Lett. 23 (1969). 161. Munoz, M. A., Juhász, R., Castellano, C. & Ódor, G. Griffiths phases on complex networks. Phys. Rev. Lett. 105 (2010). 162. Amari, S.-i. Information Geometry and Its Applications (Springer, 2016). 163. Berman, D. S., Klinger, M. S. & Stapleton, A. G. Bayesian renormalization. Mach. Learn. Sci. Tech. 4 (2023). 164. Raju, A., Machta, B. B. & Sethna, J. P. Information loss under coarse graining: a geometric approach. Phys. Rev. E 98 (2018). 165. Machta, B. B., Chachra, R., Transtrum, M. K. & Sethna, J. P. Parameter space compression underlies emergent theories and predictive models. Science 342 (2013). 166. Har-Shemesh, O., Quax, R., Hoekstra, A. G. & Sloot, P. M. A. Information geometric analysis of phase transitions in complex patterns: the case of the Gray-Scott reaction–diffusion model. J. Stat. Mech. 4 (2016). 167. Ehrenfest, P. & Ehrenfest, T. Begriffliche Grundlagen der statistischen Auffassung in der Mechanik (Springer, 1907). 168. Niemeijer, T. & Leeuwen, J. M. J. Wilson theory for spin systems on a triangular lattice. Phys. Rev. Lett. 31 (1973). 169. Kadanoff, L. P. Variational principles and approximate renormalization group calculations. Phys. Rev. Lett. 34 (1975). 170. Southern, B. W. Kadanoff’s variational renormalisation group method: the Ising model on the square and triangular lattices. J. Phys. A 11 (1978). 171. Jan, N. & Glazer, A. Kadanoff’s approximate renormalization group transformation applied to the triangular Ising lattice. Physica A 91 (1978). 172. Nijs, M. & Knops, H. Variational renormalization method and the Potts model. Physica A 93 (1978). 173. Castro, C. & Jona-Lasinio, G. On the microscopic foundation of scaling laws. Phys. Lett. A 29 (1969). 174. Gell-Mann, M. & Low, F. E. Quantum electrodynamics at small distances. Phys. Rev. 95 (1954). 175. Zinn-Justin, J. Quantum Field Theory and Critical Phenomena (Oxford Univ. Press, 2021). 176. Amit, D. J. & Martin-Mayor, V. Field Theory, the Renormalization Group and Critical Phenomena (World Scientific, 2005). 177. Täuber, U. C. Renormalization group: applications in statistical physics. Nucl. Phys. B 228 (2012). 178. Pelissetto, A. & Vicari, E. Critical phenomena and renormalization-group theory. Phys. Rep. 368 (2002). 179. Efrati, E., Wang, Z., Kolan, A. & Kadanoff, L. P. Real-space renormalization in statistical mechanics. Rev. Mod. Phys. 86 (2014). 180. Gefen, Y., Mandelbrot, B. B. & Aharony, A. Critical phenomena on fractal lattices. Phys. Rev. Lett. 45 (1980). 181. Gefen, Y., Aharony, A., Mandelbrot, B. B. & Kirkpatrick, S. Solvable fractal family, and its possible relation to the backbone at percolation. Phys. Rev. Lett. 47 (1981). 182. Phani, M. K. & Dhar, D. Real-space renormalisation group: application to directed percolation. J. Phys. C 15 (1982). 183. Gefen, Y., Aharony, A. & Mandelbrot, B. B. Phase transitions on fractals. I. Quasi-linear lattices. J. Phys. A 16 (1983). 184. Gefen, Y., Aharony, A., Shapir, Y. & Mandelbrot, B. B. Phase transitions on fractals. II. Sierpinski gaskets. J. Phys. A 17 (1984). 185. Gefen, Y., Aharony, A. & Mandelbrot, B. B. Phase transitions on fractals. III. Infinitely ramified lattices. J. Phys. A 17 (1984). 186. Das, D., Dey, S., Jacobsen, J. L. & Dhar, D. Critical behavior of loops and biconnected clusters on fractals of dimension d < 2. J. Phys. A 41 (2008). 187. Della Morte, M. & Sannino, F. Renormalization group approach to pandemics as a time-dependent SIR model. Front. Phys. (2021). 188. Cavagna, A. Dynamic scaling in natural swarms. Nat. Phys. 13 (2017). 189. Cavagna, A. Dynamical renormalization group approach to the collective behavior of swarms. Phys. Rev. Lett. (2019). 190. Cavagna, A. Natural swarms in 3.99 dimensions. Nat. Phys. 19 (2023). 191. Koch-Janusz, M. & Ringel, Z. Mutual information, neural networks and the renormalization group. Nat. Phys. 14 (2018). 192. Li, S.-H. & Wang, L. Neural network renormalization group. Phys. Rev. Lett. (2018). 193. Hu, H.-Y., Li, S.-H., Wang, L. & You, Y.-Z. Machine learning holographic mapping by neural network renormalization group. Phys. Rev. Res. 2 (2020). 194. Caso, F., Trappolini, G., Bacciu, A., Liò, P. & Silvestri, F. Renormalized graph neural networks. Preprint at arXiv (2023). 195. Young, A. P. & Stinchcombe, R. B. A renormalization group theory for percolation problems. J. Phys. C 8 (1975). 196. Reynolds, P. J., Stanley, H. E. & Klein, W. A real-space renormalization group for site and bond percolation. J. Phys. C 10 (1977). 197. Galam, S. Real space renormalization group and totalitarian paradox of majority rule voting. Physica A 285 (2000). 198. Kogan, O., Rogers, J. L., Cross, M. C. & Refael, G. Renormalization group approach to oscillator synchronization. Phys. Rev. E 80 (2009). 199. Östborn, P. Renormalization of oscillator lattices with disorder. Phys. Rev. E 79 (2009). 200. Garlaschelli, D., Hollander, F., Meylahn, J. & Zeegers, B. Synchronization of phase oscillators on the hierarchical lattice. J. Stat. Phys. 174 (2019). 201. Levin, M. & Nave, C. P. Tensor renormalization group approach to two-dimensional classical lattice models. Phys. Rev. Lett. (2007). 202. Evenbly, G. & Vidal, G. Tensor network renormalization. Phys. Rev. Lett. (2015). 203. Bal, M., Mariën, M., Haegeman, J. & Verstraete, F. Renormalization group flows of Hamiltonians using tensor networks. Phys. Rev. Lett. (2017). 204. Lenggenhager, P. M., Gökmen, D. E., Ringel, Z., Huber, S. D. & Koch-Janusz, M. Optimal renormalization group transformation from information theory. Phys. Rev. X 10 (2020). 205. Gökmen, D. E., Ringel, Z., Huber, S. D. & Koch-Janusz, M. Statistical physics through the lens of real-space mutual information. Phys. Rev. Lett. 127 (2021). 206. Gordon, A., Banerjee, A., Koch-Janusz, M. & Ringel, Z. Relevance in the renormalization group and in information theory. Phys. Rev. Lett. 126 (2021). 207. Sarra, L., Aiello, A. & Marquardt, F. Renormalized mutual information for artificial scientific discovery. Phys. Rev. Lett. 126 (2021). 208. Gökmen, D. E., Ringel, Z., Huber, S. D. & Koch-Janusz, M. Symmetries and phase diagrams with real-space mutual information neural estimation. Phys. Rev. E 104 (2021). 209. Canet, L., Delamotte, B., Deloubrière, O. & Wschebor, N. Nonperturbative renormalization-group study of reaction–diffusion processes. Phys. Rev. Lett. 92 (2004). 210. Canet, L., Chaté, H. & Delamotte, B. Quantitative phase diagrams of branching and annihilating random walks. Phys. Rev. Lett. 92 (2004). 211. Canet, L., Chaté, H., Delamotte, B., Dornic, I. & Muñoz, M. A. Nonperturbative fixed point in a nonequilibrium phase transition. Phys. Rev. Lett. 95 (2005). 212. Canet, L., Chaté, H. & Delamotte, B. General framework of the non-perturbative renormalization group for non-equilibrium steady states. J. Phys. A 44 (2011). 213. Tarpin, M., Benitez, F., Canet, L. & Wschebor, N. Nonperturbative renormalization group for the diffusive epidemic process. Phys. Rev. E 96 (2017).

取自“https://wiki.swarma.org/index.php?title=复杂网络重整化&oldid=45058”