عنوان

چرا شبکه‌ها قانون توانی می‌سازند؟ از رگ‌های بدن تا لینک‌های وب

اگر قد هزار نفر را اندازه بگیریم، بیشتر عددها نزدیک یک مقدار متوسط جمع می‌شوند. ممکن است کسی کمی بلندتر یا کوتاه‌تر باشد، اما انسانی با قد ۳۰ متر پیدا نمی‌کنیم. حالا تعداد دنبال‌کنندگان کاربران یک شبکهٔ اجتماعی، تعداد ارجاع‌های مقاله‌های علمی یا جمعیت شهرها را در نظر بگیر. اینجا «مورد معمولی» دیگر راهنمای خوبی برای فهم کل سیستم نیست. هزاران حساب تقریباً دیده نمی‌شوند، در حالی که چند حساب میلیون‌ها دنبال‌کننده دارند. تعداد زیادی شهر کوچک وجود دارد و در همان توزیع، شهری با ده‌ها میلیون نفر هم دیده می‌شود.

این تفاوت فقط یک کنجکاوی آماری نیست. اگر توزیع پدیده‌ای دُم سنگین داشته باشد، رخدادهای بسیار بزرگ آن‌قدر که شهود مبتنی بر توزیع نرمال انتظار دارد نادر نیستند. یک هاب اینترنتی می‌تواند بخش بزرگی از ترافیک را حمل کند، یک مقاله می‌تواند مسیر یک رشته را عوض کند و خرابی چند گرهٔ مرکزی ممکن است عملکرد کل شبکه را مختل کند.

ویدیوی Why do Power Laws Work so Widely? از مجموعهٔ Closer To Truth همین پرسش را دنبال می‌کند: چرا یک فرم ریاضی ساده در زیست‌شناسی، شهرها، اقتصاد، زلزله‌ها و شبکه‌های اجتماعی بارها ظاهر می‌شود؟ جفری وست در بخش پایانی ویدیو پاسخ را در شبکه‌ها جست‌وجو می‌کند؛ موجود زنده، درخت و شهر در ظاهر بسیار متفاوت‌اند، اما همگی برای جابه‌جایی ماده، انرژی یا اطلاعات به شبکه وابسته‌اند.

تماشای ویدیو در یوتیوب

اما جملهٔ «شبکه‌ها قانون توانی می‌سازند» اگر بدون توضیح رها شود، هم ناقص است و هم ممکن است گمراه‌کننده باشد. هر شبکه‌ای قانون توانی ندارد و همهٔ قانون‌های توانی نیز از یک سازوکار واحد به وجود نمی‌آیند. برای فهم دقیق‌تر، ابتدا باید دو کاربرد متفاوت اصطلاح قانون توانی را از هم جدا کنیم.

قانون توانی دقیقاً چیست؟

یک رابطهٔ توانی ساده به شکل زیر نوشته می‌شود:

رابطهٔ توانی

y C × x^β

در این رابطه، C یک ضریب ثابت و β نمای مقیاس است. ویژگی اصلی این نیست که حتماً عدد بزرگی تولید شود؛ ویژگی اصلی این است که تغییر نسبی در x، در هر مقیاسی اثر نسبی یکسانی روی y دارد.

اگر x را در عدد a ضرب کنیم:

تغییر مقیاس

y(ax) C × (ax)^β = a^β × y(x)

مهم نیست x از ۱۰ به ۲۰ برسد یا از یک میلیون به دو میلیون. در هر دو حالت دو برابر شده و y در ضریب 2^β ضرب می‌شود. این همان معنای ناوردایی مقیاس یا Scale Invariance است.

اگر از دو طرف لگاریتم بگیریم:

قانون توانی روی نمودار لگاریتمی

log(y) log(C) + β log(x)

پس رابطهٔ توانی روی نمودار log-log به خطی با شیب β تبدیل می‌شود. این خط مستقیم ابزار مفیدی برای دیدن الگوست، اما بعدتر می‌بینیم که به‌تنهایی برای اثبات قانون توانی کافی نیست.

یک ظرافت عددی هم مهم است. اگر نرخ سوخت‌وساز با توان 3/4 جرم بدن تغییر کند، دو برابرشدن جرم به معنی ۷۵ درصد افزایش مصرف انرژی نیست. ضریب درست برابر است با:

اثر دو برابرشدن جرم در قانون سه‌چهارم

2^(3/4) ≈ 1.68

یعنی در این مدل، دو برابرشدن جرم با حدود ۶۸ درصد افزایش نرخ سوخت‌وساز همراه است. عدد 3/4 نمای رابطه است، نه درصد افزایش مستقیم.

رابطهٔ توانی با توزیع توانی یکی نیست

اصطلاح «قانون توانی» در گفت‌وگوهای عمومی برای دو چیز به کار می‌رود:

مفهوم پرسش اصلی فرم نمونه
رابطهٔ توانی یک کمیت با اندازهٔ سیستم چگونه تغییر می‌کند؟ y = Cx^β
توزیع توانی اندازه‌های مختلف با چه فراوانی ظاهر می‌شوند؟ p(k) ∝ k^(-γ)

رابطهٔ میان جرم بدن و نرخ سوخت‌وساز نمونه‌ای از حالت اول است. توزیع تعداد لینک‌های صفحات وب یا تعداد ارجاع‌های مقاله‌ها نمونه‌ای از حالت دوم است.

این تفکیک برای بحث شبکه‌ها تعیین‌کننده است، زیرا دو سازوکار متفاوت داریم:

  1. شبکه‌های توزیع و انتقال می‌توانند رابطه‌های مقیاس‌پذیری میان اندازهٔ سیستم و مصرف منابع ایجاد کنند.
  2. شبکه‌های در حال رشد با اتصال ترجیحی می‌توانند توزیع توانی در تعداد اتصال‌های گره‌ها ایجاد کنند.

هر دو به شبکه مربوط‌اند، اما ریاضیات و ادعای آن‌ها یکسان نیست.

مسیر اول: شبکهٔ انتقال چگونه رابطهٔ توانی می‌سازد؟

یک موجود زنده فقط مجموعه‌ای از سلول‌های مستقل نیست. اکسیژن، مواد غذایی، پیام‌های عصبی و مواد دفعی باید میان بخش‌های مختلف بدن جابه‌جا شوند. این کار به شبکه‌هایی مانند رگ‌ها، مجاری تنفسی و رشته‌های عصبی وابسته است. یک درخت نیز شبکه‌ای از شاخه‌ها و آوندها دارد که آب و مواد غذایی را میان ریشه و برگ‌ها منتقل می‌کند.

جفری وست، جیمز براون و برایان انکوئیست در مدل مشهور خود استدلال کردند که بخشی از قانون‌های مقیاس‌پذیری زیستی را می‌توان از هندسه و محدودیت‌های شبکه‌های شاخه‌شونده به دست آورد. در مدل آن‌ها، شبکه باید حجم بدن را پوشش دهد، منابع را به واحدهای انتهایی برساند و هزینهٔ انتقال را محدود کند. ترکیب این قیود باعث می‌شود با بزرگ‌شدن بدن، طول و شعاع شاخه‌ها و تعداد سطوح شبکه به شکل دلخواه تغییر نکنند. مقالهٔ اصلی در Science

شهود ماجرا این است که اگر بدن یک جانور ده برابر بزرگ شود، نمی‌توان فقط نسخهٔ قبلی را در هر سه جهت ده برابر کشید. شبکهٔ انتقال باید همچنان به تعداد عظیمی واحد انتهایی برسد، فاصله‌ها را پوشش دهد و جریان را با هزینه‌ای قابل‌تحمل نگه دارد. بنابراین اندازهٔ شبکه، سطح تبادل و نرخ جریان با جرم بدن به نسبت‌های متفاوتی رشد می‌کنند. از دل این محدودیت‌ها رابطه‌هایی از جنس زیر بیرون می‌آیند:

نمونهٔ رابطهٔ آلومتریک

metabolic rate ∝ body mass^(3/4)

نکتهٔ اصلی این نظریه فقط عدد 3/4 نیست. ادعای عمیق‌تر این است که ساختار مشترک شبکهٔ توزیع می‌تواند روی موجوداتی با تاریخ تکاملی متفاوت، محدودیت ریاضی مشترک تحمیل کند. درخت، حشره و انسان طراحی یکسانی ندارند، اما همگی باید منابع را از مسیر شبکه‌ای منشعب به اجزای بسیار زیاد برسانند.

این مدل یکی از پاسخ‌های مهم به پرسش ویدیوست، نه آخرین کلمهٔ علم دربارهٔ تمام نسبت‌های زیستی. مقدار نما می‌تواند با گروه جانداران، نوع متابولیسم، دما، مرحلهٔ رشد و روش اندازه‌گیری تغییر کند. بنابراین بهتر است بگوییم شبکه‌های انتقالی یک سازوکار نظری قدرتمند برای تولید رابطه‌های توانی‌اند، نه اینکه هر نمای مشاهده‌شده را به‌تنهایی و بدون آزمون توضیح می‌دهند.

مسیر دوم: شبکهٔ در حال رشد چگونه توزیع توانی می‌سازد؟

حالا از رگ‌های بدن به شبکه‌ای از مقاله‌ها، وب‌سایت‌ها یا کاربران برویم. در اینجا پرسش دیگر این نیست که مصرف انرژی با اندازهٔ بدن چگونه تغییر می‌کند. می‌پرسیم چرا بیشتر گره‌ها اتصال‌های کمی دارند، در حالی که چند گره به هاب‌هایی بسیار بزرگ تبدیل می‌شوند.

آلبرت-لاسلو باراباشی و رکا آلبرت در مقالهٔ سال ۱۹۹۹ خود نشان دادند که دو جزء ساده می‌توانند چنین الگویی بسازند: رشد شبکه و اتصال ترجیحی. مقالهٔ Emergence of Scaling in Random Networks

جزء اول: شبکه باید رشد کند

صفحات وب، مقاله‌های علمی و حساب‌های شبکهٔ اجتماعی هم‌زمان و یک‌باره ساخته نمی‌شوند. گره‌ها در طول زمان وارد می‌شوند. بنابراین بعضی گره‌ها قدیمی‌ترند و فرصت بیشتری برای دریافت اتصال داشته‌اند.

قدمت به‌تنهایی کافی نیست، اما عدم تقارن مهمی ایجاد می‌کند: گره جدید باید اتصال‌هایش را از میان ساختاری انتخاب کند که پیش از ورودش وجود داشته است.

جزء دوم: اتصال جدید کاملاً تصادفی نیست

مقاله‌ای که قبلاً صدها بار ارجاع گرفته، بیشتر دیده می‌شود و احتمال بیشتری دارد دوباره ارجاع بگیرد. صفحه‌ای که لینک‌های ورودی زیادی دارد، در مسیرهای بیشتری کشف می‌شود. حسابی که دنبال‌کنندگان زیادی دارد، بیشتر پیشنهاد می‌شود و شانس بیشتری برای جذب دنبال‌کنندهٔ بعدی دارد.

در ساده‌ترین مدل، احتمال اینکه اتصال بعدی به گره i برسد، متناسب با درجهٔ فعلی آن است:

احتمال اتصال ترجیحی

Π_i k_i / Σ_j k_j

k_i تعداد اتصال‌های گره i است. اگر گره A صد اتصال و گره B ده اتصال داشته باشد، در این مدل شانس دریافت اتصال بعدی برای A ده برابر است.

این حلقهٔ بازخورد را می‌توان در یک خط خلاصه کرد:

اتصال بیشتر → دیده‌شدن بیشتر → احتمال اتصال بیشتر → اتصال باز هم بیشتر

موفقیت گذشته فقط یک نتیجه نیست؛ بخشی از علت موفقیت آینده می‌شود. این پدیده را مزیت انباشتی، Cumulative Advantage یا به‌صورت عامیانه «ثروتمند، ثروتمندتر می‌شود» می‌نامند. هربرت سایمون سال‌ها پیش از مدل باراباشی–آلبرت نشان داده بود که فرایندهای رشد و مزیت انباشتی می‌توانند توزیع‌های بسیار کج در واژه‌ها، شهرها و پدیده‌های اجتماعی بسازند. مقالهٔ سایمون در Biometrika

از قاعدهٔ اتصال تا نمای منفی سه

مدل باراباشی–آلبرت را مرحله‌به‌مرحله دنبال کنیم. فرض کنیم در هر واحد زمان یک گره جدید وارد می‌شود و m یال می‌سازد. هر یال با احتمال متناسب با درجهٔ گره‌های موجود به آن‌ها وصل می‌شود.

پس از t مرحله تقریباً mt یال داریم. هر یال دو سر دارد؛ بنابراین مجموع درجه‌ها تقریباً برابر است با:

مجموع درجه‌های شبکه

Σ_j k_j ≈ 2mt

گره i برای هر یک از m اتصال جدید شانس k_i / 2mt دارد. نرخ متوسط رشد درجهٔ آن می‌شود:

معادلهٔ رشد درجهٔ یک گره

dk_i/dt m × k_i/(2mt) = k_i/(2t)

در این معادله یک نکتهٔ تعیین‌کننده دیده می‌شود:

سرعت رشد گره ∝ اندازهٔ فعلی گره

رشد یک مقدار ثابت به همه اضافه نمی‌کند. گره‌ای که دو برابر اتصال دارد، به‌طور متوسط دو برابر سریع‌تر اتصال تازه می‌گیرد. حل معادله برای گره‌ای که در زمان t_i با درجهٔ اولیهٔ m وارد شده، چنین است:

درجهٔ مورد انتظار برحسب سن گره

k_i(t) m × (t/t_i)^(1/2)

حالا می‌توانیم بپرسیم چه کسری از گره‌ها درجه‌ای بزرگ‌تر از k دارند. شرط k_i(t) ≥ k یعنی گره باید تقریباً پیش از زمان زیر وارد شده باشد:

شرط رسیدن به درجهٔ k

t_i ≤ t × (m/k)^2

از آنجا که تقریباً در هر مرحله یک گره وارد شده، زمان تولد گره‌ها در بازهٔ شبکه تقریباً یکنواخت است. پس توزیع تجمعی دُم به شکل زیر کاهش می‌یابد:

توزیع تجمعی درجه

P(K ≥ k) ≈ (m/k)^2

با مشتق‌گرفتن، توزیع درجه به دست می‌آید:

توزیع درجه در مدل باراباشی–آلبرت

p(k) ≈ 2m^2 × k^(-3)

پس مدل سادهٔ رشد خطی و اتصال ترجیحی، توزیعی با نمای تقریبی γ = 3 می‌سازد. معنایش این نیست که هر شبکهٔ واقعی دقیقاً نمای سه دارد؛ مدل نشان می‌دهد چگونه یک قاعدهٔ محلی ساده می‌تواند بدون طراح مرکزی، ساختاری بی‌مقیاس در سطح کل شبکه تولید کند.

چرا چند هاب غول‌آسا ظاهر می‌شوند؟

دو اثر روی هم قرار می‌گیرند.

اول، گره قدیمی زمان بیشتری برای دریافت اتصال دارد. دوم، اتصال‌های اولیه شانس اتصال‌های بعدی را بالا می‌برند. در نتیجه یک تفاوت کوچک در شروع کار می‌تواند بارها تقویت شود:

برتری کوچک اولیه
  → اتصال کمی بیشتر
  → احتمال رشد بیشتر
  → فاصلهٔ بزرگ‌تر
  → احتمال رشد باز هم بیشتر

این فرایند به تاریخ وابسته است. اگر شبکه را دوباره از ابتدا اجرا کنیم، ممکن است گره دیگری به هاب اصلی تبدیل شود؛ اما الگوی کلی «تعداد زیادی گره کوچک و تعداد کمی گره بسیار بزرگ» باقی می‌ماند.

این همان جایی است که شبکه از یک ظرف منفعل به یک سازوکار فعال تبدیل می‌شود. ساختار امروز شبکه تعیین می‌کند اتصال فردا با چه احتمالی ساخته شود. خروجی گذشته وارد قاعدهٔ تولید آینده می‌شود.

چرا شبکهٔ تصادفی همین نتیجه را نمی‌دهد؟

فرض کنیم گره جدید بدون توجه به درجه، یکی از گره‌های قبلی را با احتمال برابر انتخاب کند. در این حالت داشتن صد اتصال هیچ مزیتی نسبت به داشتن ده اتصال ایجاد نمی‌کند. نوسان وجود دارد، اما حلقهٔ تقویت‌شونده نداریم.

ویژگی اتصال تصادفی اتصال ترجیحی خطی
شانس دریافت یال جدید تقریباً برابر برای همه متناسب با درجهٔ فعلی
اثر موفقیت قبلی ضعیف موفقیت قبلی، شانس آینده را افزایش می‌دهد
شکل معمول توزیع درجه دارای مقیاس مشخص و دُم سریع‌تر دُم سنگین و در مدل پایه قانون توانی
هاب‌های بسیار بزرگ بسیار نامحتمل‌تر بخشی طبیعی از فرایند رشد

بنابراین عبارت دقیق این نیست که «شبکه قانون توانی می‌سازد». عبارت دقیق‌تر چنین است:

شبکه‌ای که رشد می‌کند و احتمال اتصال‌های جدیدش به ساختار فعلی وابسته است، می‌تواند توزیع توانی بسازد.

شدت ترجیح باید چقدر باشد؟

مدل پایه فرض می‌کند ترجیح دقیقاً خطی است؛ یعنی احتمال اتصال متناسب با k است. حالت کلی‌تر را می‌توان چنین نوشت:

اتصال ترجیحی غیرخطی

Π(k) ∝ k^α

رفتار شبکه به مقدار α حساس است:

مقدار α تفسیر نتیجهٔ معمول
α < 1 مزیت گره‌های بزرگ کمتر از تناسب مستقیم رشد می‌کند دُم معمولاً سریع‌تر از قانون توانی خالص افت می‌کند
α = 1 اتصال ترجیحی خطی توزیع درجهٔ قانون توانی در مدل پایه
α > 1 مزیت گره‌های بزرگ بیش از حد تقویت می‌شود امکان «چگالش» و تسلط یک هاب بر بخش بزرگی از شبکه

تحلیل شبکه‌های در حال رشد نشان می‌دهد قانون توانی دقیق در یک ناحیهٔ خاص میان دو وضعیت ظاهر می‌شود: نه برابری کامل در شانس اتصال و نه انحصار کامل یک برنده. تحلیل Krapivsky، Redner و Leyvraz

«بی‌مقیاس» دقیقاً چه معنایی دارد؟

برای توزیع توانی داریم:

ناوردایی مقیاس در توزیع توانی

p(ak) a^(-γ) × p(k)

اگر درجه را ده برابر کنیم، احتمال فقط در یک ضریب ثابت ضرب می‌شود و فرم تابع تغییر نمی‌کند. برخلاف توزیع نرمال، یک درجهٔ مشخص وجود ندارد که شکل کل شبکه را نمایندگی کند.

این ویژگی به معنی آن نیست که شبکهٔ واقعی واقعاً تا بی‌نهایت ادامه دارد. هر شبکه تعداد محدودی گره، زمان محدود، ظرفیت محدود و هزینهٔ اتصال دارد. بنابراین در دادهٔ واقعی معمولاً یک حد بالا یا cutoff دیده می‌شود. «بی‌مقیاس» توصیف رفتاری در یک بازه است، نه ادعای وجود هاب بی‌نهایت.

آیا هر دُم سنگینی قانون توانی است؟

خیر. توزیع لگ‌نرمال، نمایی کشیده و قانون توانی دارای برش می‌توانند روی نمودار log-log برای یک بازه شبیه خط مستقیم دیده شوند. تعداد کم مشاهدات در دُم نیز تشخیص را سخت می‌کند، زیرا دقیقاً همان‌جایی که مهم‌ترین رخدادها قرار دارند، داده کمتر است.

به همین دلیل رسم نمودار و برازش یک خط با کمترین مربعات کافی نیست. یک بررسی جدی معمولاً باید این مراحل را طی کند:

  1. تعیین کند رفتار توانی از چه آستانه‌ای، یعنی x_min، آغاز می‌شود.
  2. نما را با روش‌هایی مانند بیشینهٔ درست‌نمایی تخمین بزند.
  3. با آزمون نیکویی برازش بررسی کند داده با مدل توانی سازگار هست یا نه.
  4. قانون توانی را با رقیب‌هایی مانند لگ‌نرمال و نمایی مقایسه کند.
  5. عدم‌قطعیت نما و آستانه را گزارش دهد.

آرون کلاوزت، کازما شالیزی و مارک نیومن این مسیر آماری را به‌صورت نظام‌مند توضیح داده‌اند و نشان داده‌اند که بعضی مجموعه‌داده‌های مشهور با قانون توانی سازگارند و بعضی دیگر نیستند. Power-Law Distributions in Empirical Data

پس دیدن چند هاب بزرگ یا یک خط تقریباً مستقیم، پایان تحلیل نیست؛ آغاز یک فرضیه است.

شبکه‌ها چه چیزی را در پدیده‌های متفاوت مشترک می‌کنند؟

اکنون می‌توانیم پاسخ ویدیو را دقیق‌تر صورت‌بندی کنیم. درخت، بدن، شهر، وب و اقتصاد از اجزای متفاوتی ساخته شده‌اند، اما در هرکدام روابط میان اجزا مهم‌تر از فهرست خود اجزاست.

شبکه‌ها سه کار انجام می‌دهند:

  1. محدودیت ایجاد می‌کنند. شبکهٔ رگ‌ها یا جاده‌ها باید فضا را پوشش دهد و منابع را با هزینه‌ای محدود جابه‌جا کند.
  2. بازخورد ایجاد می‌کنند. در شبکهٔ ارجاع یا وب، اتصال‌های فعلی روی محل اتصال‌های بعدی اثر می‌گذارند.
  3. تفاوت‌های محلی را به الگوی کلان تبدیل می‌کنند. هیچ گره‌ای لازم نیست از توزیع نهایی خبر داشته باشد؛ هر گره فقط طبق قاعده‌ای محلی رفتار می‌کند، اما در سطح سیستم قانون توانی ظاهر می‌شود.

این همان جذابیت اصلی علم پیچیدگی است. نظم کلان الزاماً از یک فرمان‌دهندهٔ مرکزی نمی‌آید. ممکن است حاصل تکرار یک قاعدهٔ ساده میان تعداد زیادی جزء باشد.

کجا باید محتاط باشیم؟

قانون توانی توضیح نهایی یک پدیده نیست. مشاهدهٔ p(k) ∝ k^(-γ) به ما می‌گوید چه الگویی در داده وجود دارد، اما به‌تنهایی نمی‌گوید چه سازوکاری آن را ساخته است. اتصال ترجیحی، رشد ضربی، بهینه‌سازی، خودسازمان‌دهی بحرانی و ترکیب جمعیت‌های ناهمگون همگی در شرایط مختلف می‌توانند دُم‌های سنگین یا رفتارهای نزدیک به قانون توانی تولید کنند.

حتی اگر توزیع درجه واقعاً توانی باشد، از روی آن به‌تنهایی نمی‌توان نتیجه گرفت اتصال ترجیحی علت قطعی است. برای ادعای علّی باید دادهٔ زمانی داشته باشیم و مستقیماً بسنجیم که احتمال دریافت اتصال تازه با درجهٔ فعلی چگونه تغییر می‌کند.

همچنین یک شبکه می‌تواند در بخشی از ساختارش بی‌مقیاس و در بخشی دیگر محدود باشد. الگوریتم پیشنهاد، محدودیت توجه انسان، هزینهٔ نگهداری اتصال، حذف گره‌ها و ورود رقبای جدید همگی شکل نهایی را تغییر می‌دهند. مدل باراباشی–آلبرت نقطهٔ شروعی شفاف است، نه تصویر کامل تمام شبکه‌های واقعی.

جمع‌بندی

شبکه‌ای‌بودن به‌تنهایی قانون توانی ایجاد نمی‌کند. اهمیت شبکه در این است که روابط میان اجزا می‌توانند محدودیت یا بازخوردی بسازند که با تغییر اندازهٔ سیستم همچنان تکرار شود.

در شبکه‌های انتقال زیستی، هندسهٔ شاخه‌شونده و ضرورت رساندن منابع به کل بدن می‌تواند میان اندازه و مصرف انرژی رابطهٔ توانی ایجاد کند. در شبکه‌های اجتماعی، وب و ارجاع علمی، رشد همراه با اتصال ترجیحی می‌تواند توزیعی بسازد که در آن بیشتر گره‌ها کوچک‌اند و چند هاب بسیار بزرگ وجود دارد.

در مدل کلاسیک شبکهٔ در حال رشد، زنجیرهٔ علّی چنین است:

رشد شبکه
  + وابستگی اتصال جدید به ساختار فعلی
  + مزیت انباشتی
  → تعداد زیادی گره کوچک و چند هاب بزرگ
  → توزیع درجهٔ قانون توانی

پاسخ کوتاه به پرسش «چرا شبکه‌ها قانون توانی می‌سازند؟» این است: چون در بسیاری از شبکه‌ها، اندازهٔ فعلی یک گره یا کل سیستم روی سرعت رشد بعدی آن اثر می‌گذارد. پاسخ دقیق‌تر این است که باید نوع شبکه، قاعدهٔ رشد، محدودیت‌های انتقال و شواهد آماری را جداگانه بررسی کنیم.

قدرت قانون توانی در این نیست که همهٔ تفاوت‌ها را پاک می‌کند. قدرتش در این است که زیر تفاوت‌های ظاهری، نوعی سازمان مشترک را نشان می‌دهد: گذشته روی آینده اثر می‌گذارد، ساختار امکان‌ها را محدود می‌کند و قواعد محلی ساده می‌توانند الگوهایی در مقیاس کل سیستم بسازند.

منابع

  1. مجموعهٔ Closer To Truth، ویدیوی Why do Power Laws Work so Widely? با حضور Geoffrey West، Stuart Kauffman و Aaron Clauset. تماشای ویدیو
  2. Albert-László Barabási و Réka Albert، مقالهٔ معرفی مدل رشد و اتصال ترجیحی، Science، سال ۱۹۹۹. Emergence of Scaling in Random Networks
  3. Geoffrey B. West، James H. Brown و Brian J. Enquist، مدل شبکه‌ای قانون‌های مقیاس‌پذیری زیستی، Science، سال ۱۹۹۷. A General Model for the Origin of Allometric Scaling Laws in Biology
  4. Herbert A. Simon، مدل مزیت انباشتی برای توزیع‌های کج، Biometrika، سال ۱۹۵۵. On a Class of Skew Distribution Functions
  5. P. L. Krapivsky، Sidney Redner و Francois Leyvraz، تحلیل اتصال ترجیحی خطی و غیرخطی، Physical Review Letters، سال ۲۰۰۰. Connectivity of Growing Random Networks
  6. Aaron Clauset، Cosma Rohilla Shalizi و M. E. J. Newman، روش آماری تشخیص و مقایسهٔ توزیع‌های توانی، SIAM Review، سال ۲۰۰۹. Power-Law Distributions in Empirical Data