Entropie Methoden für interagierende Teilchen auf Netzwerken

Viele Phänomene unserer Welt breiten sich über Netzwerke aus. Ein anschauliches Beispiel sind soziale Netzwerke. Dabei beschreibt jede Person einen Knoten des Netzwerks und die Verbindungen zwischen den Personen entsprechen den Kanten. Soziale Medien verändern die Struktur unserer Gesellschaft, mit tiefen Auswirkungen, die wir erst beginnen zu verstehen. Eine grundlegende und weitgehend ungeklärte Frage dabei ist Wie bildet sich aus unterschiedlichen Einzelstimmen eine kollektive Meinung?. Allgemeiner formuliert wollen wir auf Basis simpler Kanten-Interaktionen komplexe dynamische Effekte auf Netzwerken untersuchen. Die untersuchten Netzwerkdynamiken sind relevant in vielen Bereichen, wie in der statistischen Physik, wenn geladene oder schwingende Atome in Rastern oder Kristallen angeordnet sind, in der Biologie oder in der Energieversorgung. Auch das Maschinelle Lernen mit Hilfe neuronaler Netze sind zentrale Anwendungen unserer Zeit. Wir sind daran interessiert, das qualitative Langzeitverhalten der Dynamiken zu untersuchen. Dies ist maßgeblich von der Struktur des Netzwerks abhängig: Wie viele Freunde (Kanten) hat ein typischer Nutzer (Knoten)? Über wie viele Kanten sind zwei zufällig gewählte Knoten im Durchschnitt verbunden? etc. Um den Einfluss der Struktur auf die Interaktionsdynamik besser zu verstehen, ist es notwendig, die Sprache der Graphentheorie weiterzuentwickeln. Ein erfolgreicher Ansatz dabei ist, ein Netzwerk als quadratisches Grautonbild zu idealisieren. Mathematisch können wir diese Bilder als Dichtefunktionen sogenannte Graphons beschreiben. Um ein breiteres Spektrum an Netzwerkstrukturen abzudecken, stellen wir in diesem Projekt Graphen auch als Operatoren dar. Das sind mathematische, abstrakte Objekte die Modifikationen von Funktionen beschreiben. Operatoren sind wohlbekannt in der mathematischen Physik und fügen sich gut in die Konstruktion neuer mathematischer Modelle von Netzwerkdynamiken ein. Verhaltensmuster wie die oben erwähnte Meinungsbildung werden von uns mathematisch beschrieben durch Differentialgleichungen, die von Konzepten der Thermodynamik inspiriert sind. Dort wird die zeitliche Veränderung einer großen Anzahl von interagierenden Teilchen im statistischen Mittel als Evolutionsgleichung angesehen. Um das Langzeitverhalten zu untersuchen, sind Entropie Funktionen ein zentrales Werkzeug. Diese sind ein für das Teilchensystem charakteristisches Maß der Unordnung, das den Effekt der Interaktionen makroskopisch widerspiegelt. Da die Interaktionen in unserem Projekt über Netzwerk-Kanten stattfinden, gilt es nun Entropie Methoden zu entwickeln, die die erwähnten Netzwerk Operatoren einbinden. Zusammengefasst ist das Ziel des Projekts, mathematische Modelle zu entwickeln, um das Langzeitverhalten von Interaktionen auf großen und sehr unterschiedlichen Netzwerken zu beschreiben. Dabei werden neue Entropie Methoden konzipiert, um die entstehenden Dynamiken besser zu verstehen.

Der verborgene Einfluss von Netzwerkstrukturen Viele Phänomene unserer Welt breiten sich über komplexe Netzwerke aus. Ein besonders anschauliches Beispiel dafür sind soziale Netzwerke. Jeder Mensch kann dabei als ein Knotenpunkt beschrieben werden, und unsere Freundschaften entsprechen den Verbindungen dieser Knoten, genannt Netzwerkkanten. Eine beispielhafte und weitgehend ungeklärte Frage dabei ist: "Wie bildet sich aus unterschiedlichen Einzelstimmen eine kollektive Meinung?" Abstrakter formuliert haben wir auf Basis simpler Kanten-Interaktionen komplexe dynamische Effekte auf Netzwerken untersucht. Wir haben dafür mathematische Modelle entwickelt, die fundamentale Mechanismen einfangen, die sich in vielen Systemen mit Netzwerkstrukturen wiederfinden. Wie schnell entsteht Ordnung? Egal, ob es sich um Meinungsbildung, Energieverteilung oder maschinelles Lernen handelt, uns interessiert das Langzeitverhalten dieser Systeme. Inspiriert von der Thermodynamik, wo unzählige interagierende Teilchen irgendwann in einen Ruhezustand übergehen, haben wir untersucht, wie schnell Netzwerke ihr Gleichgewicht finden. Mithilfe neu entwickelter mathematischer Werkzeuge, basierend auf dem Konzept der Entropie als Maß für die Unordnung, konnten wir universelle Gesetzmäßigkeiten beweisen. Unser Resultat hierbei ist die Abschätzung der Geschwindigkeit, mit der dieses Gleichgewicht eintritt. Unsere Formeln liefern Vorhersagen darüber, wie schnell sich ein stabiler Zustand entwickelt, in Abhängigkeit von konkreten Netzwerkstrukturen. Warum Künstliche Intelligenz manchmal scheitert: Ein weiterer Erfolg unseres Projekts ist ein mathematischer Einblick in die "Blackbox" des maschinellen Lernens. Auch dabei ist das Verstehen der komplexen Netzwerkstrukturen von neuronalen Netzen essenziell. Diese sind extrem leistungsfähig, aber sie sind nicht unfehlbar. Uns ist es gelungen, unter bestimmten Rahmenbedingungen mathematisch exakt nachzuweisen, an welche fundamentalen Grenzen diese Systeme stoßen. Das trägt dazu bei, besser zu verstehen, warum KIs in bestimmten Situationen scheitern oder Fehlentscheidungen treffen. Gleichzeitig haben wir neue Ansätze entwickelt, die bestimmte neuronale Netze robuster gegen Störungen und Manipulationen machen. Die wichtigste Erkenntnis unserer Arbeit lässt sich daher so zusammenfassen: Die Mathematik hilft uns, die verborgenen Strukturen komplexer Netzwerke zu entschlüsseln und ihre Einflüsse besser zu verstehen.