Οι επιστήμονες του Ινστιτούτου AMOLF στην Ολλανδία ανέπτυξαν έναν αλγόριθμο ικανό να ποσοτικοποιεί με ακρίβεια τη ροή πληροφορίας σε πολύπλοκα δίκτυα, ανοίγοντας τον δρόμο για νέες μελέτες στην τεχνητή νοημοσύνη, τη νευροεπιστήμη και τη βιολογία.
Ο νέος αλγόριθμος, με το όνομα TE-PWS, παρουσιάστηκε στο περιοδικό Physical Review Letters και αποτελεί την πρώτη μέθοδο που υπολογίζει με ακρίβεια τη «μεταφερόμενη εντροπία» (transfer entropy), δηλαδή τον ρυθμό μετάδοσης πληροφορίας από έναν κόμβο σε έναν άλλο.
«Η καθημερινή μας ζωή εξαρτάται από τη σωστή λειτουργία αμέτρητων πολύπλοκων δικτύων», εξηγεί ο ερευνητής Avishek Das. «Τυπικά παραδείγματα είναι το διαδίκτυο, οι χρηματοπιστωτικές αγορές, τα οικοσυστήματα, ο ανθρώπινος εγκέφαλος, αλλά και οι χιλιάδες χημικές αντιδράσεις μέσα σε ένα μόνο κύτταρο. Το κοινό τους χαρακτηριστικό είναι ότι επεξεργάζονται σήματα για να παράγουν έξυπνες αποκρίσεις».
Μέτρηση της ροής πληροφορίας σε δίκτυα
Η μέτρηση της κατεύθυνσης και του ρυθμού με τον οποίο η πληροφορία ρέει μεταξύ των κόμβων ενός συστήματος αποτελεί κρίσιμο βήμα για την κατανόηση και τον έλεγχο της λειτουργίας του. Ωστόσο, μέχρι σήμερα, οι περισσότερες μέθοδοι για τον υπολογισμό της μεταφερόμενης εντροπίας βασίζονταν σε προσεγγίσεις, γεγονός που περιόριζε την ακρίβειά τους.
«Αυτός ο κατευθυντικός ρυθμός ροής της πληροφορίας δεν μπορούσε να μετρηθεί χωρίς απρόβλεπτα σφάλματα», αναφέρει ο Das. «Η μελέτη μας εισάγει τον αλγόριθμο TE-PWS, που για πρώτη φορά επιτρέπει τον ακριβή υπολογισμό του».
Καινοτόμα χρήση μεθόδων στατιστικής φυσικής
Για να ξεπεράσουν τις δυσκολίες των σπάνιων διακυμάνσεων που συμβαίνουν στους κόμβους των δικτύων, οι ερευνητές δανείστηκαν μια τεχνική της στατιστικής φυσικής γνωστή ως «δειγματοληψία σημασίας» (importance sampling).
«Η μέθοδός μας κάνει τις σπάνιες διακυμάνσεις να εμφανίζονται συχνότερα στις προσομοιώσεις», εξηγεί ο Das. «Έτσι, το TE-PWS μπορεί να τις μετρήσει με ακρίβεια και να υπολογίσει την ακριβή μεταφερόμενη εντροπία για οποιοδήποτε μοντέλο».
Εφαρμογές σε ευρύ φάσμα δικτύων
Ένα σημαντικό πλεονέκτημα του TE-PWS είναι η ευελιξία του: μπορεί να εφαρμοστεί σε δίκτυα με αυθαίρετο βαθμό μη γραμμικότητας και ανατροφοδότησης. Αυτό του επιτρέπει να λειτουργεί με ακρίβεια εκεί όπου άλλες μέθοδοι αποτυγχάνουν.
«Χρησιμοποιήσαμε το TE-PWS για να δείξουμε ότι η ισχυρή ανατροφοδότηση μπορεί, αντίθετα από ό,τι θα περίμενε κανείς, να ενισχύσει τη μεταφορά πληροφορίας προς απομακρυσμένους κόμβους», αναφέρει ο Das. «Επιπλέον, η μέθοδός μας απαιτεί ίσο ή μικρότερο υπολογιστικό χρόνο, καθιστώντας την και ακριβή και αποδοτική».
Ακριβής και αποδοτική υπολογιστική τεχνική
Οι πρώτες δοκιμές απέδειξαν ότι το TE-PWS υπερέχει σε ακρίβεια και αποδοτικότητα έναντι προηγούμενων τεχνικών. Επειδή δε βασίζεται σε καμία προσέγγιση, προσφέρει «αληθινές» τιμές που μπορούν να χρησιμοποιηθούν για τον αυστηρό έλεγχο θεωριών στη φυσική, την επιστήμη των δικτύων και τη νευροεπιστήμη.
«Χωρίς την ακριβή απάντηση του TE-PWS, δε θα γνωρίζαμε ποτέ πόσο μεγάλο είναι το σφάλμα των άλλων μεθόδων», δηλώνει ο Das. «Μέχρι σήμερα, το TE-PWS είναι η μόνη αξιόπιστη μέθοδος για γενικά δίκτυα».
Μελλοντικές κατευθύνσεις
Οι ερευνητές σκοπεύουν να εφαρμόσουν τον αλγόριθμο σε βιολογικά συστήματα, όπως τα χημικά δίκτυα επικοινωνίας βακτηρίων. «Αν και τα βακτήρια είναι απλοί οργανισμοί, εκτελούν πολύπλοκους υπολογισμούς, όπως ολοκληρώματα, παραγώγους και βελτιστοποιήσεις», εξηγεί ο Das. «Το TE-PWS θα μας βοηθήσει να κατανοήσουμε πώς τα δίκτυά τους το επιτυγχάνουν τόσο αποτελεσματικά».
More information: Avishek Das et al, Exact Computation of Transfer Entropy with Path Weight Sampling, Physical Review Letters (2025). DOI: 10.1103/t8z9-ylvg. On arXiv: DOI: 10.48550/arxiv.2409.01650
Journal information: Physical Review Letters , arXiv
