Dinâmia de Redes Neurais e Formação de
Agregados em Redes Complexas.
Fortaleza CE
Dinâmia de Redes Neurais e Formação de
Agregados em Redes Complexas.
Dissertaçãoapresentada aoCursode
Pós-Graduação emFísiadaUniversidade F
e-deral do Ceará omo parte dos requisitos
para a obtenção do título de Mestre em
Físia.
Orientador:
Prof. Dr. José Soares de Andrade Júnior
Departamento de Físia
Centro de Ciênias
Universidade Federal do Ceará
Fortaleza CE
•
Ao professor e amigo José Soares de Andrade Júnior pela orientação eon-ança;
•
Ao professor AsânioDias Araújo;•
Ao professor eamigo André AutoMoreira, pelos ensinamentose disussões;•
Aos professores Gil de Aquino Farias e Raimundo Nogueira da Costa Filho,pelos onselhos e inentivos;
•
Aosprofessores doDepartamentode Físia,emespeial Murilo,EvangelistaeEloneide;
•
Ao amigoTony eao Ramos, quepossibilitaram o trabalhonos laboratórios;•
Aos funionáriosdoDepartamentode Físia,Ana Cleide,Rejane eElias;•
Aos amigos do departamento Teldo, Daniela, Luís Araripe, José Filho,Mar-elo, Emerson, Talita, Munarim, Marília, Marilza, Fabríio, Danyel, Tayroni,
Geová,Hiroshe, Assis,Jeanlex, King, Franiné, José Alves;
•
Aos amigos pessoais, Adriana Ribeiro,Sérgio Bastos, Ari, Reinalde,Rodrigo,Fátima,Grazi, Eveline, Gledson,Cialdini,Silvana, Flávio,Mithele, Lia,
Nei-ara, Adriana, AnaCláudia,Carolina,Moreira, Cláudio,Luis José, Erasmo;
Na primeira parte deste trabalho, propomos um modelo de resimento
om-petitivo de agregados em redes omplexas para simular a propagação de idéias ou
opiniõesemomunidades. Investigamosomoasdistribuiçõesde tamanhosde
agre-gados variam om a topologia de onstrução da rede e om o número de sementes
aleatoriamentedispersas naestrutura. Para tal,analisamosredesdotipode
Erdös-Rényi, redes de ontato preferenial e a hamada rede Apoloniana. Esta última
apresenta distribuições de tamanho de agregado em forma de uma lei de potênia
P
(n)
∼
n
−
α
omumexpoente
α
≈
1.0
,onden
éotamanhodoagregado. Resultados similares são observados om as distribuições obtidas para as frações de votos porandidato às eleições proporionais para deputados no Brasil. Na segunda parte,
analisamos o omportamento temporal da atividade neural em redes om
arate-rístias de mundo pequeno e em redes onstruídas segundo o modelo do ontato
preferenial. Nesta primeira topologia, estudamos omo a série temporal se
om-portaomavariaçãodoalanedasonexões. Emambas astopologias,observamos
Theproess bywhihnew trendsand ideaspropagateinsoialommunitiesan
have a profound impat in the life of individuals. To understand this proess, we
introdue a ompetitive luster growth model in omplex networks. In our model,
eahlusterrepresentsthesetofindividualswithaertainopinionorpreferene. We
investigatehowthe lustersizedistributiondepends onthe topologyof thenetwork
and howit isaeted by the numberof initialseeds dispersedin the struture. We
study ourmodelusingdierentnetworkmodels,namely,theErdos-Renyigeometry,
the preferential attahment model, and the so-alled Apollonian network. This
last omplex geometry displays a luster size distribution that follows a power-law
P
(n)
∼
n
−
α
with an exponent
α
≈
1.0
, wheren
is the luster size. Similar results have been obtained for the distributions of number of votes per andidate in theproportional eletions for federal representation in Brazil. In the seond part of
this work,weinvestigatethetemporalbehaviorofneuralnetworkswithsmallworld
topology and in networks built aording to the preferentialattahment model. In
the rst ase we study the eet of the range of onnetions onthe behavior of the
time series. Inbothtopologies,wedetettheexisteneofylesandinvestigatehow
Resumo . . . p.i
Abstrat . . . p.ii
Lista de Figuras p.v
Introdução p.2
1 Redes Complexas p.5
1.1 Introdução . . . p.5
1.2 Teoria dos grafose omodelo de Erdös-Rényi . . . p.5
1.2.1 Distribuição de Conetividade . . . p.6
1.2.2 Distânia Média . . . p.7
1.3 Redes de Mundo Pequeno: uma nova topologia. . . p.7
1.4 O Modelo de Watts-Strogatz . . . p.9
1.5 O modelo doontato preferenial . . . p.12
1.5.1 A equação mestra daevoluçãoda rede . . . p.14
1.5.2 O tratamentoontínuo . . . p.15
1.6 O trunamento exponenialda distribuiçãode onetividade . . . p.16
1.7 Rede Apoloniana . . . p.19
1.8 Propriedades observadas em redes reais . . . p.22
1.8.1 Internet . . . p.22
1.8.4 Outros sistemas . . . p.23
1.9 Redes Neurais . . . p.24
2 Cresimento de Agregados em Redes Complexas p.34
2.1 Introdução . . . p.34
2.2 Eleições . . . p.37
2.3 Modelo . . . p.40
2.4 Conlusões. . . p.47
3 Dinâmia de Redes Neurais Complexas p.48
3.1 Introdução . . . p.48
3.2 O érebro humano . . . p.49
3.3 Eletroenefalograma- EEG . . . p.55
3.4 Modelo daatividade neural . . . p.57
3.5 Resultados e Disussões . . . p.60
3.5.1 Topologiade Watts-Strogatz (WS) . . . p.60
3.5.2 Topologiado Contato Preferenial. . . p.68
3.6 Conlusões. . . p.71
4 Conlusões p.72
Referênias p.74
1 Representação de um grafo om o onjunto
V
=
{
1
,
2
,
3
,
4
,
5
,
6
,
7
}
e oonjunto
E
=
{{
1
,
2
}
,
{
1
,
5
}
,
{
2
,
5
}
,
{
3
,
4
}
,
{
5
,
7
}}
. . . p.62 Mapa dos Estados Unidos mostrando (a) origem das artas e (b) loal
onde a pessoa-alvoseenontrava. . . p.8
3 ModeloderedeWatts-Strongatz: a)Iniialmentetemosumarederegular
om 20 nós, sendo ada nó ligado aos seus 4 primeiros vizinhos. b)
Alteramos o valor de
p
,entre 0 e 1,) atéhegarmos emp
= 1
,onde atroa dasligaçõesé feita deforma aleatória. . . p.10
4 TroadeumaligaçãodeumarededotipoWS.Onó
v
estáligadoiniial-mente ao nó
v
′
. Com atroaaleatória daligação
v
é ligadodiretamenteao nó
v
′′
. . . p.10
5 Menoraminho médio e Coeiente de agregação paramodelos de rede
WS om
N
= 10
4
. Os dados são normalizados pelos valores de
L
(0)
eC
(0)
paraumarederegular. Observeaquedaaentuadadomenorami-nho médioparapequenosvaloresde
p
,orrespondendo aumomporta-mento araterístiodalassederedesdemundopequeno. Duranteesta
queda,
C
permanee quase onstante, indiando que a transição paraa rede de mundo pequeno é quase impereptível a nível loal. Figura
retirada de(ALBERT;BARABÁSI,2002) . . . p.11
6 Distribuição de onetividade do modelo WS om
N
= 10
4
e
h
k
i
= 6
para
p
= 0
.
0
(írulo),p
= 0
.
1
(quadrado)ep
= 0
.
3
(triâgulo).. . . p.127 Uma rede gerada pelo modelo do ontato preferenial. Ilustração
de rede. Observamos que as distribuições seguem um
omporta-mento em lei de potênia,
P
∝
k
−
α
, seguido de um trunamento
exponenial. A posição do trunamento depende do tamanho da
rede. . . p.17
9 As mesmas distribuições aumuladas da Fig. 8 reesalonadas
se-gundo
S
1/α
de formaaolapsar aregião de deaimento exponenial. p.18
10 (a) Formato Apoloniano lássio, (b) Rede Apoloniana, primeira,
segundaetereirageraçãorepresentadasrespetivamentepelos
sím-bolos
, e•
(ANDRADEetal., 2004). . . p.2011 Distânia média entre dois nós
L
omo função do numero de nósN
. A linha sólida é um guia para os olhos e tem uma inlinação3/4. Odetalhemostraempapelsemilogo oeientede agregação
C
omo função deN
. A linha traejada mostra ovalorobservadopara grandes redes
C
= 0.828
. . . p.2112 Lei de potênia para guerras(BUCHANAN, 2000). . . p.36
13 Distribuiçõesde números de votos porandidato nas eleições
pro-porionaispara (a) DeputadosEstaduaise(b) DeputadosFederais
ompetitivo de agregados. Nesta gura usamos a tereira geração
daredeApoloniana,Seção1.7doCapítulo1,omosubstratoparao
resimento. Esseesolhasedeveaaraterístiaplanardestarede
que afaz partiularmenteapropriada para uma representação
grá-a. No primeiropasso doproesso de resimento (a), algunsnós
(marados pelo quadrado, triângulo, estrela e pelo irulo maior)
são esolhidos para servirem de sementes para o resimento de
agregados narede. Todos osdemaisnós (marados pelos pequenos
pontos) não são assoiados a nenhum dos agregados neste passo;
esses nósserãoosúniosaessíveisaoresimento. Aslinhas
trae-jadasligam ouum par de nós que já pertenem aalgum agregado,
ou um par de nós aessíveis. Nesse passo, essas onexões não
in-ueniam o resimento. As linhas mais largas ligam um nó que
já foi inorporado a um agregado a algum nó ainda aessível. São
essas linhaquemediamoresimentodosagregados. Aada passo
qualquerumadessaslinhaspode seresolhidaomamesma
proba-bilidade,eonóaessíveléinorporadoaomesmoagregadoqueseu
vizinho. Desta forma, a veloidade om que um agregado rese é
proporionala seu perímetro, istoé, ao número de de onexões de
um nó no agregado para um nó aessível. No segundo passo (b)
um novonóé inorporado aoagregado maradopelos quadrados e
novaslinhaslargassãoadiionadasaoperímetrodesseagregado. O
proesso ontinuaaté quetodos osnóstenhamsido inorporadosa
algum dos agregados (). Nesse pontoo tamanho dos agregados é
omputado. Esse meanismode resimento éuma espéie de
pro-esso gananioso, ouseja, quantomaior o perímetrodo agregado
de resimento ompetitivo aontee sobre uma rede do tipo ER.
Essas distribuiçõesforamobtidasomredesontento
10
5
nós. Para
garantiruma boaamostragemestatístia, foramobtidos
10
5
amos-tras de agregados para ada urva. Isso implia que foram feitas
mais realizações para os asos om menos sementes de forma a
manter o número de amostras de agregados onstante. As
distri-buiçõesobtidas om essa topologiaseguem aproximadamenteuma
formaexponenialomumomprimentoaraterístiodependendo
do número de sementes
n
s
. As linhas traejadas orrespondem as funçõesP
(n) =
n
s
e
−
n
s
n
. As linhas ontínuas são as funções
p(n) =
Cn
1
−
γ
s
n
−
γ
exp(
−
n
s
n)
,om osparâmetrosC
= 0.85
±
0.003
,e
γ
= 0.2
±
0.05
,obtidosapartirde umajustelinearparaosdados olapsadosmostradosnodetalhe. Aguramostraqueparaasredesdo tipo ER a formada distribuição é ompletamentedeterminada
peladensidade de sementes para o proesso de resimento.. . . . p.43
16 Distribuiçõesde tamanhos normalizadosobtidas quando o modelo
é realizado sobre uma rede onstruída om o esquema do ontato
preferenial (BARABÁSI; ALBERT, 1999). Foram usados
10
7
nós e
obtidos
10
5
amostras para ada valor de
n
s
. Diferente do obser-vadoomasredesERnãoépossívelolapsarasdistribuiçõesnesseaso. Noentanto,nota-sequeparaqualquervalorde
n
s
sãoobtidas distribuições altamente dispersas om tamanhos de agregado indode apenas alguns nós até quase toda a rede. A linha ontínua é
um ajuste em lei de potênia,
P
(n)
∼
n
−
α
, om expoente
α
= 1.2
, obtida para a região em esala da distribuição omn
s
= 10
2
. A
inlinação das urvas paree reser a medida que o número de
doresimentosobrearedeApoloniana(ANDRADEetal.,2004). As
distribuiçõesforamobtidasparaa15
a
geraçãodaredeApoloniana,
oqueorrespondea
N
= 7174456
nós. Cadaurvaéobtidadeuma amostra de10
5
agregados. Neste aso as distribuições apresentam
a forma de uma lei de potênia,
P
(n)
∼
n
−
α
om um expoente
α
≈
1.0
, independente do número de sementes. A linha ontinuaéum ajuste linear para a região em esala para os dados om
n
s
=
10
2
sementes. A forma em degraus periódios das distribuições é
remanesente da estrutura auto similar resultante da onstrução
hierárquiada rede Apoloniana. . . p.46
18 Representação emdiagramaem bloos dosistema nervoso. . . p.49
19 Ilustração de uma élula nervosa. Esta élula é formada por: (1)
O orpo de neurnio ou Somma, (2) Dendritos, (3) Axnio e (4)
Terminais Sináptios. . . p.51
20 Organização estrutural dos níveis noérebro . . . p.53
21 Mapa itoarquiteturaldo órtex erebral. As diferentes áreas são
identiadaspelaespessuradesuasamadasetiposdeélulasnelas
ontidas. Algumasdasáreasespeíasmaisimportantessãoomo
segue. Córtex motor: bandamotora, área4; áreapré-motora, área
6;amposoularesfrontais, área8. Córtex somestésio: áreas3,1,
2. Córtex visual: áreas 17, 18, 19. Córtex auditivo: áreas 41 e 42
(BRODAL, 1981). . . p.54
22 Registro eletroenefalográo real típio. . . p.56
23 Parte daevolução temporaldaatividadeneural
A(t)
emuma rede WS ontendo2048nós,omaprobabilidadesderealoação(rewire)igual a zero,
p
= 0
, naurvado topo,e omp
= 1
, naurvaabaixo. p.6124 Visualização da formação de períodos, em que (a), (b) e ()
es-tão em intervalos de tempo distintos e onseutivos exibindo um
peloperíodo, T. . . p.63
26 Fraçãode redes periódias,
φ
, pelonúmerode nós,N,paradiferen-tes valores de probabilidadede realoação
p
ourewire
. . . p.6427 Fraçãode redesperiódias
φ
pelaprobabilidadederealoaçãop
,ourewire, para vários tamanhos de rede. . . p.65
28 Representação gráa dos parâmetros
a
0
,a
1
ea
2
om função deN
. p.6629 Renormalização da fração de redes periódias
φ
′
omo função da
tanh de renormalizaçãoda probabilidadede realoação
p
′
. . . p.67
30 PeriodoMédio para ada tamanhode rede, emesala logarítmia,
1000 diferentes gerações de rede, epara um valorde probabilidade
de realoação igual para todos,
p
= 0.9
. A linha traejada orres-pondeaT
∼
√
N
. . . p.6831 Evoluçãotemporaldaatividadeneuralemredeonstruídasegundo
o modelo doontato preferenial ontendo 2048 nós. . . p.69
32 A urva do topo (a), mostra a fração de redes periódia
φ
pelo tamanho daredeN
, eaurvaabaixo(b) mostraotamanhomédioIntrodução
Sistemas om interações simples entre seus elementos onstituintes, mas om
muitosgrausde liberdade, podemexibirmorfologiasompliadaseapresentar
om-portamentos dinâmios intrinados, tais omo fenomenologias emergentes,
avalan-hes,ritialidadeeleisdeesala(BAK,1996). Quandotratamosomestessistemas,
usualmentedenominadossistemas omplexos,hásempreaexpetativadequeexista
um númeropequeno de leisbásias governando aessênia doomportamento
glo-baldofenmenoem estudo. Énesteontexto quealgunssistemasomplexospodem
ser ompreendidos emtermos de leis de esala (STANLEY, 1999). Neste aso, diz-se
que osistemaéinvariantede esala,ouseja,háadependêniade uma determinada
grandeza om algumparâmetro relevantena formade uma lei de potênia.
Nestas iruntânias, o oneito de universalidade implia que diferentes
fen-menos invariantes de esala oorrendo nanatureza, podem ser lassiados em um
númeroomparativamentepequenodelasses,usualmentedenidaspelosexpoentes
de suas leisde esala. Esse oneito permitequesistemasmais ompliadospossam
ser desritos por modelos simples, desde que os ingredientes mínimos neessários
para denirem a sua lasse de universalidade estejam presentes naformulação.
Umdosdesaosnoestudodesistemasomplexosonsisteemmodelaranatureza
diversa dos seus onstituintes e a intrinada estrutura das suas interações. Entre
as ténias usadas om maior suesso para estudar os sistemas omplexos estão os
modelos disretos baseados em agentes. Nesses modelos, os agentes podem oupar
umnúmeronitodeestadoseosistemaevoluiempassosdisretosdetempo. Aada
passo, todos osagentes usam alguma regrapara deidir queestado irãoassumir no
próximo passo. Cadaagenteestá onetado a um pequeno grupode outros agentes
nosistema,osvizinhos. Aregradeevoluçãodeumdeterminadoagenteédesritapor
uma função, que toma omo parâmetro os estados de seus vizinhos. Tipiamente,
mesmo tempo.
A simpliidade e liberdade na denição das regras de interação zeram desses
modelos disretos uma ferramenta ideal para o estudo de diversos sistemas
om-plexos. Nessa linha de abordagem, um dos modelos mais estudados é o hamado
autmato elular. Tipiamente, nesse tipo de modelo os agentes são dispostos em
uma rede regular e todos usam a mesma regra de evolução. Autmatos elulares
foram empregadosnopassadoomo um modelopara oestudo de sistemasaótios,
auto-organizaçãoeomputaçãoemergente. Apesardosuessodosautmatos
elula-res omo um modelopara sistemasdesentralizados, aestrutura regular,om todos
os agentes exeutando a mesma função e om as interações denidas em uma rede
periódia, é propriedadeque por si sóinduz uma ordemglobal e que não se espera
observar em sistemasreais. No universo dos modelos disretos, oextremo oposto à
estrutura regulardosautmatoselulareséoupadopelohamadomodelodasredes
Booleanas. NasredesBooleanasaestruturadasinteraçõesédenidaaleatoriamente
e ada agente usa uma regrade evoluçãodiferente. Redes Booleanasforam
propos-tas iniialmente omo um modelo para redes de regulação genétia, mas já foram
usadasemsistemastãovariadosomointeraçõesemgrupossoiais,evoluçãoeredes
neurais. Esse modelo exibe várias propriedades observadas em sistemas reais, uma
das mais intrigantes provavelmentesendo uma transição entre uma fase ordenadae
uma aótia. Na fase ordenada, o sistema evolui para atratores que onsistem de
estados xosoupequenos ilos. Nafaseaótia, osatratores onsistem de grandes
ilos, ujo omprimentovariaexponenialmenteom tamanhodo sistema.
Neste trabalho utilizaremos uma lasse de modelos para sistemas omplexos
onde asleis de esala e ooneito de universalidade pratiamenteditam a
sistemá-tia de sua abordagem. Como veremos, as denominadas redes omplexas servem
omo paradigma para os mais diferentes sistemas. Uma vez que essas redes são
modelos plausíveis para araterizar a natureza das interações que regem alguns
sistemas omplexos(STROGATZ,2001),oestudo eaaraterização de suas
proprie-dades éfundamentalpara a desrição de taissistemas. Por exemplo,sabe-se que a
onetividade de vários sistemas omplexos é notadamente anmala,seguindo uma
distribuição deprobabilidadenaformadeuma leide potênia. Esse tipode sistema
pode, então, ser modeladopela regra do ontato preferenial (BARABÁSI; ALBERT,
one-tividade global da estrutura (ALBERT; JEONG;BARABÁSI, 2000) e ontrolam uma
série de proessos dinâmios. Uma outra propriedade observada, é a araterístia
de mundo pequeno. As redes de mundo pequeno têm a propriedade de que a
dis-tânia média entre qualquer par de nós da rede, medida pelo número mínimo de
onexões que separam osnós, é proporionalao logaritmodo número total de nós.
Outrapropriedadedegrandeinteresseemredesomplexaséumvalorrelativamente
alto para ohamadooeiente de agregação.
Esta dissertação está organizada da seguinte forma. No Capítulo 1,
apresen-tamos uma revisão sobre alguns dos prinipais oneitos da estatístia de redes
omplexas. São desritos osmodelosde redede Erdös eRényi, de mundo pequeno,
de ontato preferenial e de Apolnio. Mostramos então algumas das propriedades
observadas empiriamenteem redes reais e um breve histório sobre redes neurais.
No Capítulo 2, introduzimos um modelo de resimento ompetitivo de agregados
em redes omplexas utilizandomodelos de rede de Erdös e Rényi, de ontato
pre-ferenial e de Apolnio. Mostramos omo a topologia om que a rede é onstruída
interfere na formação dos agregados. Constatamos que as distribuições obtidas
se-gundo o modelo de Apolnio são similares às distribuições obtidas para as frações
de votos porandidato observada nas eleiçõesproporionaisnoBrasil(COSTAetal.,
2002). No Capítulo 3, abordamos um problema dinâmio envolvendo a evolução
temporal da atividade neural em redes om estruturas regulares e desordenadas.
Observamos, emalguns asos, aexistênia de formação de períodos nas séries
tem-porais desta atividade,e investigamosomo atransição da estrutura de onstrução
da redeinuenia naformaçãodestes períodos. Para talanálise,porexemplo,
vari-amos a probabilidadede realoaçãono modelo de rede de Watts-Strogatz (WATTS;
STROGATZ, 1998), que também dene a aleatoriedade das onexões entre os seus
nós. Outro aspeto abordado, diz respeito à forma omo o tamanho da rede
in-terfere na formação dos períodos. Adiionalmente, um estudo similar é feito para
redes onstruídas segundo o modelo doontato preferenial. Finalmente, no
Capí-tulo 4,apresentamos nossasonlusõessobre todososresultadosobtidos,bemomo
1 Redes Complexas
1.1 Introdução
A modelagemde redes omplexastem sido o foo de muitos trabalhos reentes
em meânia estatístia para a representação de sistemas físios, químios,
biológi-os eatémesmosoiais. Nesteapítulo,estudaremosaspropriedadesestatístiasde
algumas redesomplexas,introduzindo osoneitos neessáriospara aonstruçãoe
entendimentodestas,omoateoriadosgrafos,adistribuiçãodeonetividade,a
dis-tânia médiaeooeientede agregação. Emseguida,desreveremosa experiênia
de Stanley Milgram, que propõe o famoso seis graus de separação. Disutiremos
também, a topologia de algumas redes reais, omo por exemplo, WWW e redes
metabólias. Porm, faremos um brevehistório sobre redes neurais.
1.2 Teoria dos grafos e o modelo de Erdös-Rényi
Podemos denir um grafo
G
= (V, E)
(DIESTEL, 2000) omo um par de on-juntosV
eE
que satisfazE
⊆
[V
]
2
, onde ada elemento de
E
é formado por dois elementos deV
. Graamente, os elementos do onjuntoV
representam os sítios, e os elementos do onjuntoE
representam as ligações entre os sítios. Podemos visualizar um exemplo de um grafo naFig. 1.Com o onheimento da teoria dos grafos e om o surgimento do interesse no
estudoderedesomtopologiaomplexas,PaulErdöseAlfrédRényi(ERDÖS;RÉNYI,
1959) propõemum modelo, noqual,um sistemaom
N
nós, onde ada nó pode se onetar aoutro randomiamenteom uma probabilidadeξ
, riandoum grafoomFigura 1: Representação de umgrafoom oonjunto
V
=
{
1
,
2
,
3
,
4
,
5
,
6
,
7
}
e o onjuntoE
=
{{
1
,
2
}
,
{
1
,
5
}
,
{
2
,
5
}
,
{
3
,
4
}
,
{
5
,
7
}}
.Para o melhor entendimento de problemas que envolvem sistemas om um
nú-mero elevado de elementos, é neessário a introduçãode algumasdenições:
1.2.1 Distribuição de Conetividade
A distribuição de onetividade,
p(k)
, representa a probabilidade de um nó ter uma onetividadek
. Aprobabilidadedep
i
(k
i
)
,de queum determinadonói
tenha um númerok
i
de onexõesé dada pelobinomial,p
i
(k
i
) =
C
N
k
i
−
1
ξ
k
i
(1
−
ξ)
N
−
1
−
k
i
(1.1)
poisonó
i
podeestabeleeratéN
−
1
onexões,sendoqueaprobabilidadedequek
i
dessas onexõesexistaméξ
k
i
,aprobabilidadede queasdemais
N
−
1
−
k
i
onexões estejam ausentes é(1
−
ξ)
N
−
1
−
k
i
, e
C
k
i
N
−
1
é onúmero de diferentes ombinaçõesemque asonexõespodemser distribuídas. Nolimite emque
N
vaia innito,aforma binomial seaproximada distribuiçãode Poisson,p(k)
≈
e
−h
k
i
h
k
i
k
k!
,
(1.2)onde
h
k
i
=
ξN
é a onetividade média. Isso mostra que, apesar da distribuição aleatóriadeonexões, aredeéhomogênea,ouseja,osnóstêm,aproximadamente, oa onetividade dos nós não são variáveisindependentes.
1.2.2 Distânia Média
A distâniaentre dois nósédenida omoonúmeromínimode onexõesqueos
separam. A distâniamédia
l
é amédia das distânias entre todos os pares de nós. Eventualmente, sea probabilidadeξ
de onexão for suientemente pequeno, pode aonteer de não existir um aminho onetando dois nós; neste aso, a distâniaentre eles éinnita. Quando istooorre,a distâniamédiatoma apenasospares de
nós emummesmoagregado ompletamenteonetado. Emmédia,adanótem
h
k
i
primeiros vizinhos. Cada um desses temh
k
i
vizinhos, resultando emh
k
i
2
segundos
vizinhos,
h
k
i
3
tereiros vizinhos,e assim pordiante. Se onúmero
N
de nós de uma rede for suientemente grande,ln(N
)
≫ h
k
i
, o número de nós a uma distânial
ontinuaresendo exponenialmenteaté que,eventualmente, onúmerode vizinhosaumadistânia
l
adaordemdotamanhodarede,N
. Nestaondição,adistânia média deve reser logaritmiamenteom o tamanhodarede,l
∼
lnN
ln
h
k
i
.
(1.3)1.3 Redes de Mundo Pequeno: uma nova topologia
Em1967,osoiólogoepsiólogoameriano,StanleyMilgram (MILGRAM,1967)
realizou uma experiênia om o intuito de veriar o grau de ligação entre as
pes-soas. A experiênia onsistiaem esolher 150 pessoas em Wihita, Kansas, Omaha
e Nebraska, eada uma delas reebiauma artaontendo instruçõesespeías
ex-pliando o experimento. Basiamente teriam que fazer hegar um envelope a uma
pessoa, que deveria ser desonheida, hamada de pessoa-alvo, loalizada em
Bos-ton. Na Fig. 2 mostramos o mapa norte ameriano para ilustrar a distânia entre
Figura 2: Mapa dosEstados Unidos mostrando (a) origemdas artas e (b) loal onde a
pessoa-alvo seenontrava.
O onteúdo de ada envelope era:
1. O nome, ea informaçãoque apessoa-alvo era orretor em Boston.
2. Algumasregras,omoporexemplo: sevoênãoonheediretamentea
pessoa-alvo,repasseodoumentoparaumamigoquetenhaumapossívelrelaçãoom
o alvo.
3. Para registrar o perurso, ada intermediário deve assinar seu nome. Isto é
importante, pois evita que oenvelope volte para a mesma pessoa, e podemos
rastrear de quem partiu o envelope.
Várias artas foram perdidas, e nuna hegaram, mas as que hegaram não
tiveram mais que 6 amigos intermediários. Tal resultado, onheido omo seis
graus de separação, nos revelaque pessoas aparentementedesonheidas têm uma
grande probabilidade de possuírem, em um erto grau, amigos em omum que as
1.4 O Modelo de Watts-Strogatz
As primeirastentativasde expliaros seis graus de separação onsistiam
exa-tamenteem suporum aráteraleatóriopara osgrafos de olaboração(RAPOPORT,
1957), não levando em onta o fato das pessoas possuírem um núleo de amizades
loais, onde vários amigos são amigos emomum, aresidos de alguns amigos
dis-tantes, queneste aso, seomportamomo onexõesaleatórias. Assim, deveríamos
esperar que os grafos possuíssem um erto grau de regularidade loal, isto é, uma
região onde o grafo se assemelha a uma rede regular. Para tal situação,
reente-menteDunan Watts eSteven Strogatz (WATTS;STROGATZ,1998) propuseramum
modelode rede que nada mais é doque uma interpolaçãoentre uma rede regulare
um grafoaleatório.
A onstruçãodaredeWatts-Strongatz (WS)érealizadademaneirasimplesatravés
do seguinte algoritmo:
1. Construirumgraforegular,porexemplo,umanelunidimensionalomligações
entre primeiros e segundos vizinhos, de modo que o número de onexões seja
igual a
k
= 4
.2. Com probabilidade
p
, probabilidade de realoação, troar a ligação,L
vv
′
por uma ligaçãoaleatóriaL
vv
′′
,ondev
′′
éumsítiosorteado aleatoriamente, Fig.4.
Assim, a probabilidade de realoação nos diz qual é a probabilidade de fazer
umatroade ligação. Para
p
= 0
,nenhumatroaéfeita,jáparap
= 1
,haverá troa.3. Repetir oitem anterior (passo 2)para todas asligaçõesda rede.
Atavésdestealgoritmo,alaraapossibilidadedeinterpolaçãoentreumaestrutura
regular, ou seja, om valorda probabilidade
p
= 0
, e uma estrutura aleatória,omp
= 1
. Para pequenos valores dep
temos uma estrutura om vizinhança bemdenida, om exeção de alguns defeitos, que são regiõesonde existem sítios om
ligações de longo alane. Para quantiar esses defeitos, torna-se neessária a
Figura 3: Modelo de rede Watts-Strongatz: a)Iniialmentetemos uma rede regular om
20 nós, sendo ada nó ligado aos seus 4 primeiros vizinhos. b) Alteramos o valor de
p
, entre0e1,)atéhegarmosemp
= 1
,ondeatroadasligaçõeséfeitadeformaaleatória.menos um vizinho emomum,
C
a
é a probabilidadede quei
ej
sejamonetados. Em redes de relações soiais, por exemplo, as onexões entre pessoas se iniiam,normalmente, através de onheidos em omum. Se tomarmos omo parâmetro a
onetividade média, temos que o oeiente de agregação vai a zero para grandes
redes,
C
a
=
ξ
=
h
k
i
/N
.Figura4: Troa deumaligaçãodeumarededotipoWS.Onó
v
estáligado iniialmente ao nóv
′
. Com a troa aleatória daligação
v
é ligado diretamenteao nóv
′′
Mostramos na Fig. 5 que a distânia média
l
deai rapidamente om a adição de pouas ligaçõesde longo alane, enquantoC
permanee om valoraltopor um amplo intervalodep
.Figura 5: Menor aminho médio e Coeiente de agregação para modelos de rede WS
om
N
= 10
4
. Os dados são normalizados pelos valores de
L
(0)
eC
(0)
para uma rede regular. Observeaquedaaentuadadomenoraminho médioparapequenosvaloresdep
, orrespondendoaumomportamento araterístiodalassede redesdemundopequeno.Durante estaqueda,
C
permanee quaseonstante, indiando queatransição para a rede de mundo pequeno é quase impereptível a nível loal. Figura retirada de (ALBERT;BARABÁSI, 2002)
em torno da onetividade média,
h
k
i
, mas que deai rapidamentepara valores de k afastadosdeh
k
i
.AFig.6mostraadistribuiçãodeonetividadeparaumarede
W S
omN
= 10
4
e
< k >= 6
. Como resimento daprobabilidadede realoação,a larguradaurva aumenta, onvergindo para uma distribuição de onetividade obtida pelo modelo3
5
7
9
k
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
P(k)
Figura 6: Distribuição de onetividade do modelo WS om
N
= 10
4
e
h
k
i
= 6
parap
= 0
.
0
(írulo),p
= 0
.
1
(quadrado)ep
= 0
.
3
(triâgulo).1.5 O modelo do ontato preferenial
Asredesaleatóriastêmdistribuiçãode onetividadePoissoniana,omumvalor
araterístioparaaonetividade. Noasode umadistribuiçãoemleide potênia,
não há valor araterístio. Na prátia, a onetividade dos nós só é limitada pelo
númeronitodeonexões. Poressarazão,asredesquetêmessetipode distribuição
são hamadas redes sem esala(sale-free networks).
Como diferentes redes reais apresentam distribuições em lei de potênia, pode
existir um meanismo universal queleva asredes a tomaremesta forma. Omodelo
doontato preferenial(BARABÁSI;ALBERT,1999)propõequeesseomportamento
emerge da dinâmiade evolução da rede. As seguintes regras onstituem este
mo-delo:
(i) A rede deve ser onstruída em um proesso de resimento. Neste aso, a rede
Figura7: Umarede geradapelomodelodoontatopreferenial. Ilustraçãoretirada
de Strogatz (STROGATZ, 2001)
nós já presentes narede.
(ii)Aoestabeleeremnovasonexões,osnósbusam,preferenialmente,osnósmais
onetados. Mais preisamente, a probabilidade
Π
i
de uma onexão ser dirigida aum nó
i
é proporionalà sua onetividadek
i
,Π(k
i
) =
k
i
P
j
k
j
,
(1.4)introduzido para normalizar a probabilidade. Como ada onexão liga dois nós, o
termo de normalizaçãoé identio ao dobro donúmero de onexões.
1.5.1 A equação mestra da evolução da rede
Parademonstrarqueessemodelosimplesleva,naturalmente,aumadistribuição
de onetividadeemleide potênia,vamos estudaraevoluçãodapopulação
S
k
(N)
de nós omonetividadek
,numaredeomum númeroS
de nós. Quandoum novo nó entra na rede, o valor deS
k
deve mudar segundo (DOROGOVTSEV; MENDES; SAMUKHIN, 2000; KRAPIVSKY;REDNER;LEYVRAZ, 2000)S
k
(N
+ 1) =
S
k
(N
) +
m
k
−
1
P
k
′
k
′
S
k
′
(N
)
S
k
−
1
(N
)
−
m
k
P
k
′
k
′
S
k
′
(N
)
S
k
(N
) +
δ
k,m
.
(1.5)A primeira pareladaEq. (1.5) dáontados nós quejá tinham onetividade
k
na rede de tamanhoN
−
1
. A segunda parela é referente à probabilidadede que um nóom onetividadek
−
1
reebauma onexãoeseja promovidopara apopulaçãoS
k
. O tereiro termo subtrai os nós om onetividadek
que reebem mais umaonexão. O últimotermo aresentao novonó que entra narede om
m
onexões.A probabilidade de um nó ter onetividade
k
é, simplesmente,p(k, N
) =
S
k
(N
)/N
. Vamos, agora, determinar a forma dep(k)
no limite em queN
vai ainnito. Neste limite, o número total de onexões no sistema pode ser aproximado
por
mN
, e o termode normalização,portanto,a2mN
.Temos, então,
p(k) =
k
−
1
2
p(k
−
1)
−
k
2
p(k) +
δ
k,m
,
(1.6)que leva a
p(k) =
k
−
1
k
+ 2
p(k
−
1)
(1.7)e
p(m) =
2
resultando, nalmente, em
p(k) =
2m(m
+ 1)
k(k
+ 1)(k
+ 2)
.
(1.9)No limite em que
k
vai ao innito, essa solução é levada a uma lei de potêniap(k)
∼
k
−
γ
om o expoente
γ
= 3
.1.5.2 O tratamento ontínuo
Um outro meio de determinar a formada distribuiçãode onetividade no
mo-delo doontato preferenial éatravés dotratamentoontínuo(BARABÁSI; ALBERT,
1999). Neste tratamento, relaiona-se a onetividade média dos nós,
h
k
i
i
, om o instantei
emque o nó é introduzidona rede. Para isso, podemos expressar a taxa om quea onetividade médiado nórese om o tamanhodarede na forma∂
h
k
i
i
∂S
=
mΠ(
h
k
i
i
).
(1.10)Usando a formado ontato preferenial (1.4), obtemos
∂
h
k
i
i
∂S
=
h
k
i
i
P
j
k
j
.
(1.11)A solução de (1.11) deve satisfazer à ondição iniial de que o nó entrou na rede
no instante
i
om onetividadem
. Como ada nó introduzm
onexões à rede, no limite assintótio aonstante de normalização pode ser tomadaomoX
j
k
j
∼
2mN.
(1.12)Dessa forma,a solução de (1.11) deveser
h
k
i
i
=
m
N
i
β
,
(1.13)Neste ponto, vamos determinar a probabilidade
P
(k)
para que um nó tenha onetividade maior quek
. Podemos esperar que os nós que atingirama onetivi-dadek
sejam aqueles que entraram primeirona rede. Usando a Eq. 1.13, podemos determinar que, numa rede de tamanhoN
, os nós ujas onetividades superemk
devem ser aqueles introduzidos antes do instantei
=
m
1/β
N/k
1/β
. Fazemos, então,
a assoiaçãode
P
(k)
om afração da redeformada pelos nós introduzidosantes do instantei
,P
(k)
∝
m
k
1/β
.
(1.14)A função
P
(k)
é uma distribuição aumulada e pode ser relaionada om a distri-buição de onetividade,ρ(k) =
−
∂P
(k)
∂k
∝
m
1/β
β
k
−
1
−
1/β
.
(1.15)
Chegamos, assim, a uma distribuição em lei de potênia om expoente
γ
=
1 + 1/β
= 3
, em onordânia om o resultado enontrado através da equaçãomestra na Seção1.5.1.
1.6 O trunamento exponenial da distribuição de
onetividade
AsoluçãodaEq.1.9éexatanolimiteemqueotamanhodarede
S
vaiainnito. Soluçõespara tamanhos de rede nitospodem ser obtidas iterandoaequação (1.5)numeriamente. A Fig. 8 mostra a distribuição de probabilidade aumulada para
diferentes tamanhos de rede. A distribuição aumulada é denida omo
P
(k) =
∞
X
k
′
=k
p(k
′
)
(1.16)e devederesersegundo umaleide potêniaom expoente
α
=
γ
−
1 = 2
. AFig. 8 mostra que,mesmo emtamanhos nitos, adistribuiçãosegue oomportamentoem1
10
100
1000
10000
k
10
−8
10
−6
10
−4
10
−2
10
0
P
(
k
)
S=2
12
S=2
14
S=2
16
S=2
18
Figura 8: Distribuição aumulada de onetividade para diferentes tamanhos de
rede. Observamos queas distribuiçõesseguem umomportamentoemleide
potên-ia,
P
∝
k
−
α
,seguido de um trunamento exponenial. A posição dotrunamento
depende do tamanho darede.
de onexões. Aima deum erto valor, adistribuiçãomuda paraum deaimentodo
tipo exponenial 1
. Nota-se, na Fig. 8, que a posição do trunamento exponenial
move-se para maiores valores de
k
quando a rede rese.A partir do resultado do tratamento ontínuo, pode-se ompreender omo o
trunamento depende do tamanho da rede. Vimos que a onetividade de um nó
resesegundo
(i/S)
β
. Osnósmaisonetados,portanto,estãoprovavelmenteentre
aqueles presentes nosprimeirosmomentosdarede,
i
≈
1
. Portanto,aprobabilidade deenontrarumnóommaisqueS
β
onexões, deveirrapidamenteazero,ouseja,o
expoente
β
= 1/α
ontrola aposiçãodo trunamentoexponenial. AFig. 9mostra que, de fato, aposiçãodo trunamentoolapsa quando asurvassão reesalonadas1
De fato,pode-semostrarqueadistribuiçãoapresenta umtrunamento dotipo
e
−
k
2
(DORO-10
−2
10
−1
10
0
10
1
S
−1/
α
k
10
−6
10
−4
10
−2
10
0
10
2
10
4
SP
(
k
)
Figura9: AsmesmasdistribuiçõesaumuladasdaFig.8reesalonadassegundo
S
1/α
de formaa olapsara regiãode deaimentoexponenial.
segundo (DOROGOVTSEV; MENDES; SAMUKHIN, 2001; KRAPIVSKY; REDNER;
LEY-VRAZ, 2000)
P
(k)
≡
SP
k
S
1/α
(1.17)
Aposiçãodotrunamentoexponenialdeterminaonúmeromáximodeonexões
que um nó pode atingir em uma rede gerada pelo modelo do ontato preferenial.
Essa informação é relevante porque esses nós mais fortemente ligados formam um
esqueleto que aessa toda arede. Foi mostrado que a onetividade global darede
é fortemente sensível à eliminação dos maiores nós (ALBERT; JEONG; BARABÁSI,
2000).
Diferentes efeitos observados em redes reais podem afetar a posição do
as onexões são estabeleidas pelos vos, apresenta um trunamento relativamente
pequeno. É evidenteque um aeroporto tem um limite nonúmero de vosque
on-segue reeber por dia e esse limite estabelee o valor máximo para a onetividade
independente do tamanho da rede. O trunamento é afetado, também, se os nós
que entram narede, aoestabeleerem suas onexões, aessamapenasuma parte da
rede. Roteadores, por exemplo, devem, mais provavelmente, estabeleer onexões
om os outros roteadores siamente mais próximos; uma página da internet deve
ter linkspara páginas om assuntos emomum. Pode-se mostrarque, neste aso, a
onetividade emqueaontee otrunamentodeve reser logaritmiamenteom o
tamanho darede (MOSSA;AMARAL, 2002).
1.7 Rede Apoloniana
Modelosdeterminístiosderedesomplexaspodemser partiularmente
adequa-dosparaonstruirredesompropriedadestopológiaspredeterminadas,porexemplo
altograu de agregação, ompatação,et. Algunsexemplos de modelos
determinís-tios de redes sem esala foram propostos e usados om suesso para desrever o
resimento de redes aleatórias (JUNG; KAHNG, 2001; DOROGOVTSEV; GOLTSEV;
MENDES, 2002),mas estes modelosnão apresentam apropriedade de serem
aomo-dados emespaços Eulidianos. Reentemente (ANDRADEet al., 2004) introduziram
uma nova lasse de redes, hamadas redes Apolonianas,ujaspropriedades são:
•
podem ser tanto determinístiasomo aleatórias;•
são sem esala;•
possuemaraterístia de pequeno mundo;•
podem ser aomodadas emespaçoseulidianos.Nasuaversãodeterminístia,aredeApolonianapodeserrelaionadaomo
pro-blemadoempaotamentode esferasde aordoomomatemátiogregoApolniode
Perga(BOYD;MATH,1973). Nasuasoluçãolássia,iniialmentetemostrêsírulos
então preenhidosda mesmaforma,omomostrado na Fig.10a . Adistribuição de
tamanhos deírulossegueumaleide potêniaomexpoentepróximoa1.3(BOYD;
MATH, 1973). De fato, existem muitas outras topologias om diferentes dimensões
fratais (HERRMANN; MANTICA; BESSIS, 1990). Esse proedimento pode também
ser generalizadopara dimensõesmais altas (BARAM;HERRMANN;RIVIER, 2004).
(b)
2
P
3
P
1
P
Figura10: (a)FormatoApolonianolássio,(b)RedeApoloniana,primeira,segunda
etereirageraçãorepresentadasrespetivamentepelossímbolos
,e•
(ANDRADE et al.,2004).O empaotamentoApolonianopode ser utilizadopara desrever
empaotamen-tos densosde grão efoi tambémusadoomo ummodelosimples paraturbulêniae
fragmentação. Conetandoosentros das esferas quesetoamporlinhas,obtém-se
a rede que no aso lássio da Fig. 10.a, resulta na triangulação orrespondente à
rede de forças no empaotamentode Apolnio. A rede resultanteé o quese hama
uma rede Apoloniana(ANDRADE etal.,2004).
E possívelnotar quearedeApolonianaé de fatosemesala. AFig. 10bmostra
queaadageração
n
onúmerodesítiosN
resedeumfatordetrêseaoordenação de ada sítio por um fator de dois. Mais preisamente, a ada geraçãon(n
=
0,
1,
2, ...)
existemm(k, n) = 3
n
,
3
n
−
1
,
3
n
−
2
, ...,
3
2
,
3,
1,
e3vértiesomonetividade
k
= 3,
3
×
2,
3
×
2
2
, ...,
3
×
2
n
−
1
,
3
×
2
n
,
e
2
n+1
, respetivamente, onde o último
númerode vérties eonetividadeorrespondeaos três antos, P1,P2,P3. Devido
à araterístiadisreta desse espetro, é onveniente trabalhar om a distribuição
umulativa
P
(k) =
P
k
′≥
k
m(k
′
, n)/N
n
, ondeN
n
= 3 + (3
n+1
−
1)/2
sitions na geração
n
. Ésimples mostrar que:P
(k)
∝
k
1
−
γ
om
γ
= 1 + ln 3/
ln 2
≈
2.585
. AaraterístiadepequenomundodaredeApolonianaémostradanaFig.11.0.5
1.0
1.5
2.0
ln(lnN)
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
ln
(l
)
10
0
10
1
10
2
10
3
10
4
10
5
10
6
N
0.76
0.80
0.84
C
0.75
Figura 11: Distânia média entre dois nós
L
omo função do numero de nósN
. A linha sólida é um guia para os olhos e tem uma inlinação 3/4. O detalhe mostraem papelsemilogooeientedeagregação
C
omofunção deN
. A linhatraejada mostra o valorobservado para grandesredesC
= 0.828
.É observado que
l
∝
(ln
N)
β
,om
β
≈
3/4
. Este éum novoomportamenteentre o mundo pequeno,l
∼
ln
N
, e ultra pequeno,l
∼
ln(ln
N
)
(ADLER, 1985; AMARAL, 2000a). Uma segunda propriedade araterizando uma rede de mundopequeno é ooeiente de agregação. Foi mostrado por Andrade et. al.(ANDRADE etal., 2004)
que no limite de grandes redes o oeiente onverge para 0.828 (ver detalhe na
Fig. 11). Esse é um valorrelativamente alto, quando omparado por exemplo om
o observado para as redes de olaboração de atores
C
= 0.79
(WATTS; STROGATZ, 1998). Oomportamentodestasduaspropriedadesaraterizaoenáriodepequeno1.8 Propriedades observadas em redes reais
Várias redes omplexas podem ser onstruídas a partir de dados obtidos de
sistemas reais. Umarevisão sobre as propriedades das redes de diferentes sistemas
pode serenontradaem(ALBERT;BARABÁSI,2002). Nesta seção,vamosapresentar
algumas propriedadesobservadas emredes de sistemas naturaise artiiais.
1.8.1 Internet
As informaçõesquetrafegam narede mundialde omputadores, ainternet, são
distribuídas por roteadores que determinam para onde ada paote de informação
deveir. Umestudodaredede roteadores(PASTOR-SATORRAS;VESPIGNANI, 2001a)
mostrouque ainternetnão obedeeuma distribuiçãode onetividadePoissoniana.
De fato,a distribuiçãode onetividade tema formade uma leide potênia
p(k)
∼
k
−
γ
, om
γ
= 2.23
(PASTOR-SATORRAS; VESPIGNANI, 2001a). O oeiente de agregação,C
a
, medido em diferentes momentos entre 1997 e 1999, por exemplo, variouentre 0.18 a0.3(PASTOR-SATORRAS;VESPIGNANI, 2001a),sendobemmaiorque o esperado em uma rede aleatória om os mesmos parâmetros,
C
a
= 0.0001
. Mostrou-se, também, que adistâniamédia é daordem del
∼
9
.1.8.2 WWW
Umaoutravisãopossíveldainternetonsisteemdeterminaraspropriedadesda
redeformadapelaspáginasdehipertexto(ALBERT;JEONG;BARABÁSI,1999). Neste
tipo de rede, as onexões têm direção, ou seja, é possível determinar o número de
itaçõesemumapágina eonúmerodeitaçõespara umapágina. Analisandoarede
formadapormaisde300.000páginas,veriou-seque,nesteaso,tambémseobtém
uma distribuição de onetividade em leide potênia, om expoente
γ
= 2.45
para o númerode itaçõesporpágina,eγ
= 2.1
paraonúmerode vezes queada página é itada. A distânia média observada na rede de páginas da internet é de erade 16 onexões (ALBERT;JEONG;BARABÁSI, 1999). O oeiente de agregação foi
1.8.3 Redes metabólias
Em um trabalho reente (JEONG et al., 2000) estudou-se a rede orrespondente
ao metabolismo de 43 diferentes organismos. Os nós da rede são os substratos e
as onexões são estabeleidas quando esses substratos partiipam em uma mesma
reação químia noorganismo. Essa rede tem umadistribuição de onetividade em
leidepotêniaomexpoente
γ
entre2.0e2.4,dependendodoorganismo,edistânia médial
daordem de 3.3.1.8.4 Outros sistemas
Muitos outros sistemas estudados apresentam propriedades semelhantes. O
pe-queno valorobservadoparaadistâniamédiaemrelaçãoaotamanhodos sistemasé
onsistenteom oprevistopelomodeloER.Noentanto,asredesreaisnormalmente
apresentam oeientes de agregação bem mais altos que os previstos por esse
mo-delo. Outro ponto em que o modelo ER falha é na distribuição de onetividade.
Osexemplosmostrados aimatêm distribuiçãode onetividadeemleide potênia.
Esse tipo de distribuição não aontee em todos os sistemas. As redes eológias
formadas pelas onexões predador-presa, por exemplo, obedeem uma distribuição
exponenial (CAMACHO; GUIMERA; AMARAL, 2002). Entretanto, distribuições em
lei de potênia são observadas em vários sistemas distintos, indiando um proesso
universal de formaçãopara esse tipo de rede. Também foramobservadas
distribui-ções em lei de potênia nas redes formadas pelas olaborações de atores em lmes
de inema (BARABÁSI; ALBERT,1999), na rede de olaborações emartigos
ientí-os (NEWMAN, 2001), enarede de relaçõessexuais naSuéia (LIJEROSetal.,2001),
dentre outras.
Um exemplo dentro do ampo da Físia foi observado no mapa de
onforma-çõesemagregados de partíulasqueinteragemvia potenialLennard-Jones(DOYE,
2002). Esse resultado foiobtido onstruindo-se o mapa de onformaçõesde um
sis-tema de 14 átomos. Omapa apresentamilharesde estadosque são mínimosloais.
Cada umdesses estadosétratadoomoumnónaredeeasonexõessão
estabelei-das seexiste apossibilidadedosistema seguirdiretamentede um mínimoaooutro.
de potênia om expoente
γ
= 2.78
.1.9 Redes Neurais
Conluímos este apítulo introdutório om algumas notas histórias sobre
re-des neurais. A era moderna das redes neurais omeçou om o trabalho pioneiro
de MCulloh e Pitts (MCCULLOCH; PITTS, 1943). MCulloh foi um psiquiatra e
neuroanatomista por treinamento; passou era de 20 anos reetindo sobre a
re-presentação de um evento no sistema nervoso. Pitts foi um prodígio matemátio
que se assoiou a MCulloh em 1942. De aordo om Rall (1990), o artigo de
1943 de MCulloh e Pitts surgiu dentro de uma omunidade de modelagem
neu-ral em atividade na Universidade de Chiago por pelo menos ino anos antes de
1943, sob a liderança de Rashevsky. No seu artigo, MCulloh e Pitts desrevem
um álulo lógiodas redes neurais queuniava osestudos de neurosiologiae da
lógia matemátia. Eles supuseram que o modelo formal de um neurnio deveria
seguir umaleitudoounada. Comum númerosuientedessasunidades simplese
om onexões sináptias ajustadas apropriadamentee operandode formasínrona,
MCulloh e Pitts mostraram que uma rede assim onstituída realizaria, a
priní-pio, a omputação de qualquer função omputável. Este foi um resultado muito
signiativo, sendo reonheido omo o nasimento das disiplinas de redes
neu-rais e inteligênia artiial. Este trabalho inueniou von Neumann a usar haves
de atraso idealizadas, derivadas do neurnio de MCulloh-Pitts na onstrução do
EDVAC(Eletroni Disrete VariableAutomatiComputer)que foidesenvolvido a
partirdoENIAC(EletroniNumerialIntegratorandComputer)(AsprayeBurks,
1986). O ENIAC foi o primeiro omputador eletrnio de propósito geral, que foi
onstruído na Esola de Engenharia Elétria Moore da University of Pennsylvania
de 1943a1946. Ateoriade MCulloh-Pittssobreredesneuraisformaissedestaou
de formaproeminentenasegundadas quatropalestrasproferidasporvonNeumann
na University of Illinois em 1949. Em 1948, foi publiado o livro Cybernetis
de Wiener, desrevendo alguns oneitos importantes sobre ontrole, omuniação
e proessamento estatístio de sinais. A segunda edição do livro foi publiada em
1961, adiionando material novo sobre aprendizagem e auto-organização. Neste
desse assunto, mas foi om Hopeld (mais de 30 anos depois) que se onseguiu
onsumar aligação entre a meânia estatístia e ossistemas de aprendizagem.
O próximodesenvolvimentosigniativo das redes neurais veio em1949,om a
publiaçãodolivrode HebbTheOrganizationofBehavior,noqualfoiapresentada
pelaprimeiravezumaformulaçãoexplíitadeumaregradeaprendizagemsiológia
para amodiaçãosináptia. Espeiamente,Hebb propsqueaonetividadedo
érebro éontinuamentemodiadaonformeumorganismovaiaprendendotarefas
funionais diferentes e que agrupamentosneurais são riados por taismodiações.
Hebb deu seguimento a uma sugestão anterior de Ramón y Cajál e apresentou o
seu agora famoso postulado de aprendizagem, que arma que a eiênia de uma
sinapse variável entre dois neurnios é aumentada pela ativação repetida de um
neurnio ausadapelooutroneurnio, atravésdaquelasinapse. Oartigode
Rohes-ter, Holland,HaibteDuda(1956)talvez sejaaprimeiratentativadeusar simulação
omputaionalpara testar uma teoria sobre redesneurais bemformuladaom base
no postulado de aprendizagem de Hebb; os resultados de simulação relatados
na-quele artigo mostram laramente que se deve adiionar inibição para que a teoria
realmente funione. Naquele mesmo ano, Uttley (1956) demonstrou que uma rede
neural om sinapses modiáveis pode aprender a lassiar onjuntos simples de
padrões binários em lasses orrespondentes. Uttley introduziu o assim hamado
neurnio integra e disparaom fuga,o qualfoi mais tardeanalisado formalmente
porCaianiello(1961). Emumtrabalhoposterior,Uttley(1979)formulouahipótese
de que a eiênia de uma sinapse variável do sistema nervoso depende da relação
estatístia entre os estados utuantes em ambos os lados daquela sinapse, fazendo
assim umaassoiação om a teoriada informaçãode Shannon. Em 1952, foi
publi-ado o livro de Ashby, DesignforaBrain: The Origin of Adaptive Behavior. Este
livro trata da noção básia de que o omportamento adaptativo não é inato mas
sim é aprendido, e que através da aprendizagem o omportamento de um sistema
normalmenteevolui. Olivroenfatizaosaspetosdinâmiosdoorganismovivoomo
uma máquinae ooneito orrelaionadode estabilidade.
Em1954,Minskyesreveuumatesededoutoramentoemredesneurais na
Uni-versidade dePrineton,intituladaTheoryof Neural-Analog ReinforementSystems
and ItsAppliation to theBrain-ModelProblem. Em1961,foi publiadoumartigo
Intelli-gene, este artigo ontém uma grande seção sobre otema queagora é denominado
redes neurais. Em 1967, foi publiado o livro de Minsky, Computation: Finite and
InniteMahines. Estelivro,estendeu osresultadosde 1943deMCullohePittse
osoloounoontextodateoriadosautmatosedateoriadaomputação. Também
em 1954,a idéiade um ltroadaptativo não-linearfoi propostaporGabor,um dos
pioneiros da teoria da omuniação e o inventor da holograa. Ele onstruiu essa
máquina om a ajuda de olaboradores, e os detalhes estão desritos em Gabor et
al. (1960). A aprendizagem era realizada alimentando-se a máquina om amostras
de um proesso estoástio, juntamente om a função-alvo que a máquina deveria
produzir.
Nosanos50,iniiou-seotrabalhosobreamemóriaassoiativaporTaylor(1956).
ElefoiseguidoporSteinbruh(1961)queintroduziuamatriz de aprendizagem,esta
matrizonsistedeumaredeplanardehavesinterpostasentrearranjosdereeptores
sensoriais eatuadores motores. Em 1969,foi publiado porWillshaw, Buneman
e Longuet-Higgins um elegante artigo sobre a memóriaassoiativanão-holográa.
Este artigo apresenta dois modelos engenhosos de rede: um sistema ótio simples
realizando uma memória de orrelação e uma rede neural intimamenterelaionada
om ele, inspiradanamemóriaóptia. Outrasontribuiçõessigniativasao
desen-volvimento iniial da memória assoiativa inluem os artigos de Anderson (1972),
Kohonen (1972) e Nakano (1972), que de maneira independente e no mesmo ano
introduziram a idéia de uma memória por matriz de orrelação, baseada na regra
de aprendizagem ao produto externo.
Von Neumann foi uma das grandes guras da iênia na primeira metade do
séulo vinte. A arquitetura de vonNeumann, básiapara oprojetode um
omputa-dor digital, é assim denominada emsua homenagem. Em 1955, foi onvidado pela
Universidade de Yale para proferir as Palestras Silliman durante 1956. Ele morreu
em 1957, e omanusrito inaabado das Palestras Sillimanfoi publiado mais tarde
omo um livro,The Computer and the Brain (1958).
Umaquestãopartiularmenteinteressantenoontextodasredesneuraiséaquela
do projeto de uma rede onável om neurnios que podem ser vistos omo
om-ponentes não-onáveis. Este problema importante foi resolvidoporvon Neumann
a sugerir a utilização de uma representação redundante distribuída para as redes
neurais. WinogradeCowanmostraramomoumnúmerograndede elementospode
oletivamente representar um oneito individual, om o aumento orrespondente
em robustez e paralelismo.
Cera de 15 anos após a publiação do lássio artigo de MCulloh e Pitts,
uma nova abordagem para o problema de reonheimento de padrões foi
introdu-zida porRosenblatt(1958)emseu trabalhosobreopereptron,ummétodoinovador
de aprendizagem supervisionada. O oroamento do trabalho de Rosenblatt foi o
hamado teorema da onvergênia do pereptron, uja primeira demonstração foi
delineada por Rosenblatt (l960b); outras provas do teorema também apareeram
em Noviko (1963) e outros. Em 1960, Widrow e Hof introduziram o algoritmo
do mínimoquadradomédio(LMS, Least Mean-Square) eo usarampara formular o
Adaline (adaptive linear element, elemento linear adaptativo). A diferença entre o
pereptron e oAdaline está noproedimento de aprendizagem. Uma das primeiras
redesneuraisemamadastreináveisommúltiploselementosadaptativosfoia
estru-tura Madaline (multiple-adaline)proposta porWidrowe seus estudantes (Widrow,
1962). Em1967,Amariutilizouométododogradienteestoástioparalassiação
adaptativa de padrões. Em 1965, foi publiado o livrode Nilsson, Learning
Mahi-nes queainda é aexposição mais bemesrita sobre padrõeslinearmente separáveis
por hipersuperfíies. Durante o período lássio do pereptron nos anos 1960,
pa-reia que asredes neuraispoderiam realizarqualquer oisa. Mas então veio o livro
de Minsky e Papert (1969), que utilizarammétodos matemátios para demonstrar
que existem limites fundamentaispara aquilo que os pereptrons de amada únia
podem alular. Eles armavamque não havia razãopara supor quequalquer uma
das limitações do pereptron de amada únia poderia ser superada na versão de
múltiplasamadas.
Umproblema importanteenontrado noprojetode um pereptron demúltiplas
amadas é o problema de atribuição de rédito (i.e., o problema de atribuir
ré-dito a neurnios oultos da rede). A terminologia atribuição de rédito utilizada
primeiro por Minsky (1961), sob o título de O problema de Atribuiçãode Crédito
para Sistemas de Aprendizagem por Reforço. No nal dos anos 60, já havia sido
formulada a maioria das idéias e oneitos neessários para resolver o problema de
fundamen-tam as redes (neurais de atratores) reorrentes que são agora denominadas redes
de Hopeld. Entretanto, tivemos que esperar até os anos 80 para que emergissem
as soluçõespara esses problemas básios. De aordo om Cowan (1990) houve três
razões para este atraso de mais de 10anos:
•
Uma razão foi tenológia - não havia omputadores pessoais ou estações detrabalho para aexperimentação. Quando Gabor, porexemplo, desenvolveu o
seu ltro não-linear de aprendizagem, seu grupo de pesquisadores levou mais
seis anos para onstruir o ltro om dispositivos analógios (Gabor, 1954;
Gabor et. al.,1960).
•
A outrarazãofoi empartepsiológia eemparte naneira. A monograade1969 de Minsky e Papert ertamentenão enorajou ninguématrabalhar om
pereptrons,tampouo asagênias aapoiartrabalhos sobre eles.
•
A analogia entre redes neurais e spins de grade foi prematura. O modelo dovidro de spins de Sherringtone Kirkpatrik foi inventado somente em1975.
Estes fatores ontribuíram de um modo ou de outro para o esmoreimento do
interesse ontinuado em redes neurais nos anos 70. Muitos pesquisadores, om
ex-eção daqueles que trabalhavam em psiologiae em neuroiênias, abandonaram a
área durante aquela déada. De fato, somente um punhado dos pioneiros originais
mantiveram seu omprometimento om as redes neurais. De uma perspetiva de
engenharia, podemos onsiderar os anos 70 omo uma déada de adormeimento
para asredes neurais. Umaatividadeimportanteque emergiunos anos 70foramos
mapasauto-organizáveisutilizandoaprendizagemompetitiva. Otrabalhoem
simu-lação omputaionalfeitoporvonder Malsburg(1973)talvez tenhasido oprimeiro
a demonstrar a auto-organização. Em 1976, Willshaw e von der Malsburg
publi-aram o primeiro artigo sobre a formação de mapas auto-organizáveis, motivados
pelos mapas ordenados de forma topológia do érebro. Nos anos 80, foram feitas
importantes ontribuiçõesemváriasfrentes àteoriaeaoprojetode redesneurais,e
omissohouveumressurgimentodointeressepelasredesneurais. Grossberg(1980),
baseando-se no seu trabalho anterior sobre aprendizagem ompetitiva (Grossberg,
1972, 1976a,b),estabeleeuumnovoprinípiodeauto-organizaçãoonheidoomo
a teoria envolve uma amada de reonheimento de baixo para ima (bottom-up)
e uma amada generativa de ima para baixo (top-down). Se o padrão de entrada
e o padrão realimentado aprendido oinidirem, então oorre um estado dinâmio
hamado de ressonânia adaptativa (i.e., ampliação e prolongamento da
ativi-dade neural). Este prinípiodeprojeçõespara frente/paratrásfoi redesobertopor
outros pesquisadores sob diferentes aspetos. Em 1982, Hopeld utilizoua idéia de
uma função de energia para formular um novo modo de se entender a omputação
exeutada porredes reorrentes om onexõessináptias simétrias. Alémdisso, ele
estabeleeu o isomorsmo entre uma rede reorrente assim denida e o modelo de
IsingutilizadonaFísiaEstatístia. Estaanalogiadesenadeouum grandeinteresse
da físia teória (e dos físios) pela modelagem neural, transformando om isso a
área de redes neurais. Esta lasse partiular de redes neurais om realimentação
atraiu muita atenção nos anos 1980, e no deorrer do tempo tornou-se onheida
omoredesdeHopeld. ApesardeasrededeHopeldnãoseremmodelosrealístios
dos sistemas neurobiológios, o prinípio que elas inorporam, isto é, o
armazena-mentode informaçãoemredes dinamiamenteestáveis, éprofundo. A origemdeste
prinípio remonta aotrabalhopioneirode muitos outros investigadores:
•
Cragg e Tamperley (1954, 1955) observaram que assim omo os neurniospodem serdisparados (ativados) ou não disparados (quiesentes), também
osátomosemumaredetêmseus spinsapontandoparaima ouparabaixo;
•
Cowan (1967) introduziu a araterístia de disparo sigmóide e a ondiçãode disparosuave para um neurnio que era baseada na função logístia;
•
Grossberg (1967, 1968) introduziu o modelo aditivo de um neurnio,envol-vendo equações não-lineares de diferenças/difereniais e explorou o uso do
modeloomo uma base para a memóriade urtoprazo;
•
Amari (1972) introduziu, de forma independente, o modelo aditivo de umneurnio e o utilizou para estudar o omportamento dinâmio de elementos
semelhantes aneurnios onetados aleatoriamente;