Impact of graph energy on a measurement of resilience for tipping points in complex systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Societies depend on various complex and highly interconnected systems, leading to increasing interest in methods for managing the resilience of these complex systems and the risks associated with their disruption or failure. Identifying and localizing tipping points, or phase transitions, in complex systems is essential for predicting system behavior but a difficult challenge when there are many interacting elements. Systems may transition from stable to unstable at critical tipping‐point thresholds and potentially collapse. One of the suggested approaches in literature is to measure a complex system's resilience to collapse by modeling the system as a network, reducing the network behavior to a simpler model, and then measuring the resulting model's stability. In particular, Gao and colleagues introduced a methodology in 2016 that introduces a resilience index to measure precariousness (the distance to tipping points). However, those mathematical reductions can cause information loss from reducing the topological complexity of the system. Herein, the authors introduce a new methodology that more‐accurately predicts the location of tipping points in networked systems and their precariousness with respect to those tipping points by integrating two approaches: (1) a new measurement of a system's topological complexity using graph energy (created based on molecular orbital theory) and; (2) the resilience index method from Gao et al. This new approach is tested in three separate case studies involving ecosystem collapse, supply chain sustainability, and disruptive technology. Results show a shift in tipping‐point locations correlated with graph energy. The authors present an equation that corrects errors introduced as a result of the model reduction, providing a measurement of precariousness that gives insight into how a complex system's topology affects the location of its tipping points.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle