Перколяция и формирование связности в динамике сетей цитирования данных по физике высоких энергий

Цели. Объектом исследования выступают информационные сети цитирования, структурированные на основе выборки в arXiv базы данных, связанной с теоретической физикой высоких энергий (high energy physics, HEP), индексирующей с 1974 г. более 500000 статей, включая их полное дерево цитирования. Предлагается методика обнаружения перколяционного перехода в динамике образования кластеров статей, имеющих схожее содержание и тесно связанных друг с другом. Повышение точности количественной оценки информационных циклов в сетях знаний может быть использовано в решении прикладных задач качества наукометрии и ее индикаторов.

Методы. Применен оптимизированный алгоритм по динамическому разделению сети в программной среде Pajek с целью обнаружения появления в ней гигантского компонента, эквивалентного перколяционному переходу. Данный подход позволяет с заданным временным шагом реализовать детальное исследование динамических и общих параметров для каждой новой сокращенной сети. Используемый алгоритм кластеризации объединяет структуру цитирования и темпоральную информацию о данных.

Результаты. Обнаружено, что в сети HEP происходит перколяционный переход, индикатором которого является образование вблизи локальной критической точки (10-го месяца интервала временной выборки) гигантского компонента. В то же время обобщенный вывод поведения параметров сетей свидетельствует о положительной динамике в росте связности исследуемой сети для всей временной выборки (с 1991 г. по 2003 г.). Обобщенный анализ распределения цитируемости обнаруживает 11 лауреатов высокоцитируемых статей, которые задавали базовый вектор развития в разделе НЕР. Примечательно, что выдающиеся ученые из главной «тройки» цитирования связаны единой динамичной областью исследования – теорией струн. Верификация вышеуказанного факта подтверждает то, что предложенный метод оценки цитируемости – рабочий. Определение характеристик сети НЕР позволяет определить важный для исследователя показатель и его поведение.

Выводы. В графе авторов, связанных отношениями соавторства, 7304 из 9200 авторов научного сообщества физиков HEP относятся к одному связному компоненту. Временной характер цитирования указывает на быстрое понимание и использование соответствующих новых работ. Перколяционный переход, являясь индикатором внезапных концептуальных изменений в сетях цитирования, позволяет выявлять и связывать статьи в исследовательскую схему, составляющую кластер новых идей или теорий.

1. Newman M.E.J. Networks: An Introduction. Oxford; NY: Oxford University Press; 2010. 772 р.

2. Ландэ Д.В., Снарский А.А., Безсуднов И.В. Интернетика: Навигация в сложных сетях: модели и алгоритмы. Международный журнал прикладных и фундаментальных исследований. 2011;7:98–99.

3. Doreian P., Batagelj V., Ferligoj A. (Eds.). Advances in Network Clustering and Blockmodeling. John Wiley & Sons; 2020. 432 p.

4. Newman M.E.J. The structure and function of complex networks. SIAM Rev. 2003;45(2):167–256. https://doi.org/10.1137/S003614450342480

5. Мальцева Д.В., Павлова И.А., Капустина Л.В., Ващенко В.А., Фиала Д. Сравнительный анализ возможностей WoS и eLIBRARY для анализа библиографических сетей. Социология: методология, методы, математическое моделирование (Социология:4М). 2023;56:7–68. https://doi.org/10.19181/4m.2023.32.1.1

6. Kinouchi O., Martinez A.S., Lima G.F., Lourenco G.M., Risau-Gusman S. Deterministic walks in random networks: An application to thesaurus graphs. Phys. A. 2002;315(3–4):665–676. https://doi.org/10.1016/S0378-4371(02)00972-X

7. Motter A.E., de Moura A.P., Lai Y.-C., Dasgupta P. Topology of the conceptual network of language. arXiv preprint cond-mat/0206530. 2002. https://arxiv.org/abs/cond-mat/0206530v1, https://doi.org/10.48550/arXiv.cond-mat/0206530

8. Крамаров С.О., Попов О.Р., Джариев И.Э., Петров Е.A. Динамика формирования связей в сетях, структурированных на основе прогностических терминов. Russian Technological Journal. 2023;11(3):17–29. https://doi.org/10.32362/2500316X-2023-11-3-17-29

9. De Nooy W., Mrvar A., Batagelj V. Exploratory Social Network Analysis with Pajek: Revised and Expanded Edition for Updated Software. 3rd ed. Ser.: Structural Analysis in the Social Sciences. Cambridge: Cambridge University Press; 2018. 455 p. https://doi.org/10.1017/9781108565691

10. Batagelj V., Doreian P., Ferligoj A., Kejz̆ar N. Understanding Large Temporal Networks and Spatial Networks: Exploration, Pattern Searching, Visualization and Network Evolution. Chichester, West Sussex: John Wiley & Sons; 2014. 464 р. https://doi.org/10.1002/9781118915370

11. Maltseva D., Batagelj V. Journals publishing social network analysis. Scientometrics. 2021;126:3593–3620. https://doi.org/10.1007/s11192-021-03889-z

12. Козлов А.С., Пыко С.А., Богачев М.И. Статистический анализ параметров объектов, выделяемых при многопороговой обработке случайных полей с дальней корреляцией. Наука настоящего и будущего. 2021;2:164–167.

13. Sun H., Radicchi F., Kurths J., et al. The dynamic nature of percolation on networks with triadic interactions. Nat. Commun. 2023;14:1308. https://doi.org/10.1038/s41467-023-37019-5

14. Broadbent S.R., Hammersley J.M. Percolation processes: I. Crystals and mazes. Math. Proc. Cambridge Philos. Soc. 1957;53(3):629–641. https://doi.org/10.1017/S0305004100032680

15. Stauffer D., Aharony A. Introduction to Percolation Theory. 2nd revised ed. London: Taylor & Francis; 2003. 180 p.

16. Dashko Yu.V., Kramarov S.O., Zhdanov A.V. Sintering of polycrystalline ferroelectrics and the percolation problem in stochastically packed networks. Ferroelectrics. 1996;186(1–4):85–88. https://doi.org/10.1080/00150199608218039

17. Brunk N.E., Twarock R. Percolation Theory Reveals Biophysical Properties of Virus-like Particles. ACS Nano. 2021;15(8):12988–12995. https://doi.org/10.1021/acsnano.1c01882

18. Li M., Liu R.-R., Lu L., Hu M.-B., Xu S., Zhang Y.-C. Percolation on complex networks: Theory and application. Phys. Rep. 2021;907:1–68. https://doi.org/10.1016/j.physrep.2020.12.003

19. Mondal S., Pachhal S., Agarwala A. Percolation transition in a topological phase. Phys. Rev. B. 2023;108(22): L220201. https://doi.org/10.1103/PhysRevB.108.L220201

20. Лесько С.А., Алёшкин А.С., Филатов В.В. Стохастические и перколяционные модели динамики блокировки вычислительных сетей при распространении эпидемий эволюционирующих компьютерных вирусов. Российский технологический журнал. 2019;7(3):7–27. https://doi.org/10.32362/2500-316X-2019-7-3-7-27

21. Жуков Д.О., Хватова Т.Ю., Зальцман А.Д. Моделирование стохастической динамики изменения состояний узлов и перколяционных переходов в социальных сетях с учетом самоорганизации и наличия памяти. Информатика и ее применения. 2021;15(1):102–110. https://doi.org/10.14357/19922264210114

22. Перова Ю.П., Лесько С.А., Жуков Д.О., Чечурин А.В. Анализ и моделирование процессов в сложных социальных сетевых структурах на основе уравнения Фоккера-Планка. Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2022;60:32–41. https://doi.org/10.17223/19988605/60/4

23. Xie J., Meng F., Sun J., Ma X., Yan G., Hu Y. Detecting and modelling real percolation and phase transitions of information on social media. Nat. Hum. Behav. 2021;5(9):1161–1168. https://doi.org/10.1038/s41562-021-01090-z

24. Oh S.M., Choi K., Kahng B. Machine learning approach to percolation transitions: global information. J. Stat. Mech. (JSTAT). 2023;2023(8):083210. http://doi.org/10.1088/1742-5468/aceef1

25. Петров Е.А., Джариев И.Э., Попов О.Р., Сысоев С.М. Подход к прогнозированию универсальных динамических процессов на примере моделирования электромагнитного воздействия на газогидратные пласты. Горный информационно-аналитический бюллетень. 2023;6:56–66. https://doi.org/10.25018/0236_1493_2023_6_0_56

26. Сигов А.С., Жуков Д.О., Новикова О.А. Моделирование процессов реализации памяти и самоорганизации информации при прогнозировании новостных событий с использованием массивов естественно-языковых текстов. Современные информационные технологии и ИТ-образование. 2016;12(1):42–55.

27. Bunde A., Havlin S. Fractals and Disordered Systems. Springer Science & Business Media; 2012. 408 p.

28. Попов О.Р., Крамаров С.О. Исследование распространения информации в сетях, структурированных из набора прогностических терминов. Вестник кибернетики. 2022;1(45):38–45. https://doi.org/10.34822/1999-7604-2022-1-38-45

29. Джариев И.Э., Петров Е.А., Попов О.Р. и др. Исследование динамики научно-образовательных сетей с помощью моделирования методом Монте-Карло. В кн.: Возможности сочетания естественного и искусственного интеллектов в образовательных системах. М.: Издательский Центр РИОР; 2023. С. 91–99. https://doi.org/10.29039/02124-8

30. Shao J., Havlin S., Stanley H.E. Dynamic opinion model and invasion percolation. Phys. Rev. Lett. 2009;103(1):018701. https://doi.org/10.1103/PhysRevLett.103.018701

31. Maldacena J. The Large-N limit of Superconformal Field Theories and Supergravity. 1997. https://arxiv.org/abs/hep-th/9711200

32. Witten E. Anti De SItter Space and Holography. 1998. https://arxiv.org/abs/hep-th/9802150

33. Gubser S., Klebanov I., Polyakov A. Gauge Theory Correlators from Non-Critical String Theory. 1998. https://arxiv.org/abs/hep-th/9802109