适应度模型与玻色–爱因斯坦凝聚

后来者为什么能反超

在 BA 模型中，所有节点的度都按 $t^{1/2}$ 增长，早到的节点永远领先。但现实中常有“后来居上”：一篇晚发表的论文很快成为被引最多的文献，一个后出现的网站超过早期领先者。Bianconi 与 Barabási（2001）给每个节点一个与生俱来的适应度 $\eta_i$（吸引连接的能力），把优先连接改为 $$\Pi_i=\frac{\eta_i k_i}{\sum_j\eta_j k_j}.$$

主要结果

平均场分析（推导见数学推导与算法）给出：

• 每个节点仍按幂律增长，但动态指数依赖于适应度： $$k_i(t)=m\left(\frac{t}{t_i}\right)^{\beta(\eta_i)},\qquad \beta(\eta)=\frac{\eta}{C},$$ 其中常数 $C$ 由自洽方程 $\displaystyle\int\rho(\eta)\frac{\eta}{C-\eta}\,d\eta=1$ 决定。适应度高的节点增长得更快，因此即使晚到，最终也能超过适应度低的早期节点。
• 所有适应度相同时 $\beta=1/2$，回到 BA 模型。$\eta$ 在 $[0,1]$ 上均匀分布时，数值求解得 $C\approx1.255$。
• 度分布是各适应度类幂律的加权叠加，$p_k\approx C\displaystyle\int\rho(\eta)\frac{1}{\eta}\left(\frac{m}{k}\right)^{C/\eta+1}d\eta$。均匀适应度下 $p_k\sim k^{-(1+C)}/\ln k$，即 $\gamma\approx2.255$ 并带对数修正。可见适应度的分布形状会改变度指数。

测量适应度

由 $k_i(t)\propto t^{\beta(\eta_i)}$，在双对数坐标下画单个节点的度随时间的变化，斜率就是 $\beta_i$，与 $\eta_i$ 成正比。Kong 等（2008, PNAS）用万维网的时间序列数据估计网页的适应度分布；Wang、Song 与 Barabási（2013, Science）把适应度、优先连接与“老化”（新颖性随时间衰减）结合起来描述单篇论文的引用历程，用早期引用估计论文的长期影响力。这些研究都需要逐个节点的时间序列，单一快照无法区分“早到”与“适应度高”。

玻色–爱因斯坦凝聚

Bianconi 与 Barabási 还指出了适应度模型与量子统计的一个精确对应：令 $\eta_i=e^{-\beta_T\varepsilon_i}$，把每个节点看作能量为 $\varepsilon_i$ 的能级，节点的每条边端点看作占据该能级的一个粒子，那么网络的演化方程与玻色气体的占据数方程同构，常数 $C$ 对应化学势。

这个对应预言了一个相变：自洽方程要求 $C>\eta_{\max}$（取 $\eta_{\max}=1$）。若适应度分布使得 $$\int\rho(\eta)\frac{\eta}{1-\eta}\,d\eta<1,$$ 方程就无解——此时适应度最高的节点获得全部连接中的一个有限比例，类似玻色–爱因斯坦凝聚中宏观数量的粒子落入基态。网络因此分为两种相：

• 无标度相（“适者富”，fit-get-rich）：有许多大小相近的枢纽，领先者的份额随网络增大而趋于零；
• 凝聚相（“赢家通吃”）：一个节点始终占据有限比例的连接，形成中心–辐条结构。

例如取 $\rho(\eta)=(\lambda+1)(1-\eta)^{\lambda}$（$\lambda$ 越大，高适应度节点越稀少），上面的积分等于 $1/\lambda$，于是 $\lambda>1$ 时发生凝聚。凝聚与否只由适应度分布的形状决定，与微观细节无关。