自然·通讯：从测地线到随机游走——网络连通性的随机簇统一框架

导语

最短路径、有效电阻与最小割，看似分属不同学科，却可能共享同一种物理本质。这篇于2026年6月27日发表在Nature Communications上的研究工作借助随机簇模型，将三类经典连通性度量统一为串联与并联传输在不同参数极限下的表现，并拓展出可连续调节的新型连通性指标。该框架不仅揭示网络结构背后的共同规律，还能刻画疾病传播、神经信号扩散等动态过程，为复杂网络分析与机器学习提供兼具解释力和实用性的工具。

关键词：随机簇模型，网络连通性，渗流理论，统计物理

董高高丨作者

赵思怡丨审校

论文题目： Unifying network connectivity from geodesics to random walks via the random cluster model 发表时间： 2026年6月27日 论文地址： https://www.nature.com/articles/s41467-026-72587-2 期刊名称： Nature Communications

连通性是网络科学的基础概念，决定了疾病传播、信息扩散、神经同步等复杂动态过程的演化路径。然而，长期以来对连通性的衡量存在多种各成一体的经典范式：最短路径聚焦于最优传输路线，有效电阻从随机游走与电路理论视角刻画并行流量，最小割则强调网络的瓶颈结构。这些度量分别发源自图论、电路理论与运筹学等不同学科，彼此之间缺乏统一的底层逻辑框架。美国伦斯勒理工学院Xiangyi Meng教授联合江苏大学、东南大学、联合牛津大学等学者，从统计物理视角出发，基于随机簇（Random Cluster, RC）模型，建立了统一的连通性理论框架，证明了最短路径、有效电阻与最小割三大经典度量均为同一模型在不同参数极限下的自然体现。该研究成果于2026年6月27日发表在Nature Communications上，并入选应用物理与数学专题Featured Article。

随机簇模型统一经典连通性度量

研究团队通过严格的数学推导证明，最短路径、有效电阻与最小割三大经典度量均可作为RC模型在q→0参数极限下的特例而统一纳入同一框架。具体而言：

• 有效电阻：当每条边e的概率设为时（re为边e的电阻），RC连通性在q→0极限下精确给出有效电阻的倒数；

• 最短路径：当时（le为边e的长度），RC连通性在q→0极限下给出最短路径距离的倒数；

• 最小割：当时（ce为边e的流容量），RC连通性在q→0极限下给出最大流。

图1：统一经典连通性度量。此图展示了随机簇（RC）模型如何将各学科特有的连通性度量统一到一个连续的框架中，该框架根植于连通分量这一基本概念。该模型的参数空间由两个参数控制：第一个参数p∈[0,1]（横轴）设定了链路存在的基础概率；第二个参数q∈(0,∞）（纵轴）是一个统计权重，与基线情况（q=1）相比，它倾向于采样更多（1"},"displayMode":"inline","viewType":"inline"}}">q>1）或更少（q<1）连通簇数量的构型。注意，坐标轴未按定量比例绘制。经典网络连通性度量在q→0极限下重现，包括三个关键区域：（1）有效电阻（）通过电流和随机游走定义连通性。（2）最短路径（p～q1/2）仅关注最优路径。（3）最小割（p～1-q2）通过识别网络的主要瓶颈来衡量鲁棒性。其中ϵ是与典型链路权重相关的任意小正数。对于更大的q，RC模型等价于其他基础模型，如键渗流（q=1）和伊辛模型（q=2）。RC模型还表现出一个类临界区域（），该区域延伸至阈值qc≥2（虚线定性标示），为探索复杂网络现象提供了有力工具。

这一发现揭示了经典度量之间深层的物理关联，它们本质上均源于一个更为基本的概念：渗流过程中两个节点是否属于同一连通分支。RC框架不仅能够统一经典指标，更可拓展至尚未被探索的参数区间（q>0），进而定义出一类全新的、连续的连通性度量族。研究还给出了RC连通性的串并联约化规则（表1），将路径效率、路径多样性与路径冗余三大连通性特征纳入统一的数学框架。

表1 随机簇模型的串并联规则

RC连通性刻画路径生长动力学

研究进一步揭示了RC连通性的路径生长动力学本质。在极限下，系统由全局连通的均匀生成树构型主导，任意两节点之间恰有唯一路径；随着参数q增大，路径可自发终止或相互干涉，形成多重路径的复杂交互。当q=1时，RC模型退化为标准渗流问题。

图4：RC连通性刻画路径生长。a-f： RC构型可被解释为路径生长的结果，具体取决于参数q。a-c：在极限下，主导构型为均匀生成树，网络中任意两个节点之间存在唯一路径。这些构型可由Aldous-Broder算法生成。d-f：相反，对于一般的q，两个节点之间不保证存在唯一路径。相反，路径可以倍增并相互作用--产生冗余--或者在其生长过程中提前终止。具体而言，对q=1，这些路径可由Leath-Alexandrowicz算法生成。路径干涉和终止的相关性在动力学模型模拟中得到了进一步探索，并使用RC连通性预测相关性。g：Zachary空手道俱乐部网络，一个常用的网络结构，及其（h）图拉普拉斯矩阵，Lij。i-l：不同连通性度量对SIR流行病模型中节点间相关性捕捉能力的评估。更高的精度表示对相关性更好的预测，图中显示了不同的疾病传播概率：（i）pc=0.05，（j）pc=0.2，（k）pc=0.5，和（l）pc=0.9。m-p：对FitzHugh-Nagumo神经元动力学模型的相同评估，信号扩散速率不同：（m）βc=0.01，（n）βc=0.02，（o）βc=0.04，和（p）βc=0.06。绿色圆点表示q=1的RC连通性，黄色圆点表示有效电阻。每个物理值pc（或βc）直接映射到我们用于计算的参数p。

为验证RC连通性对实际动态过程的预测能力，研究团队以Zachary空手道俱乐部网络为测试平台，采用SIR流行病传播模型和FitzHugh-Nagumo神经元动力学模型，系统比较了RC连通性与传统有效电阻度量对节点间动态相关性的预测精度。结果表明，RC连通性（q=1）在长时间尺度上对两类模型动态相关性的预测精度均显著优于有效电阻度量，证实其能够有效编码路径生长中的干涉与冗余效应。

RC连通性的主导因素

研究进一步揭示了RC连通性的结构驱动机制。通过对度修正随机块模型生成的双社区无标度网络进行系统分析，发现RC连通性主要由网络社区结构与节点度分布两大因素共同驱动。

图5 RC连通性的主导因素。a：网络的幂律度分布。b：1000个节点分为两个社区的邻接矩阵。c：每个社区由少数枢纽节点和大量低度节点组成。将T定义为按μij排名前1%的节点对集合。在T中识别出两个子集：T1（高节点度但跨社区的节点对）和T2（同社区但低节点度的节点对）。图中显示了(d) |T1|/|T2|、 (e) |T2|/|T|以及(f) 二者的相对主导性|T2|/(|T1|+|T2|。

在较小pe区域，同一社区内的节点对占据高连通性节点对的绝大多数，连通性几乎完全由社区边界限定；在较大pe区域，全局连通性普遍较高，节点度（尤其是全局枢纽节点）的影响力逐渐上升，与社区结构形成竞争平衡。

跨领域应用潜力

RC连通性不仅在理论上统一了三大经典度量，更定义了一类全新的可调参数化连通性度量族。论文指出，RC导出的统计量，如成对连通概率、期望簇大小及多尺度连通性剖面，可用于指导图神经网络中的消息传递，并构建超越拉普拉斯谱的全局结构位置编码。将上述物理启发的描述符嵌入学习架构，有望获得更具表达力与可解释性的节点与链路表示，从而有效捕捉复杂系统中的潜在路径、结构鲁棒性与动态交互模式。该研究范式可拓展至集群行为分析、脑网络推演与物理信息机器学习等前沿领域。

高阶网络社区

随着对现实世界探索的不断深入，人们发现在许多真实的复杂系统中，组成系统的个体之间不仅存在二元交互关系，也广泛存在多个体同时（或以特定顺序）进行交互，即高阶交互现象。为此，研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型，为复杂网络分析和研究提供了新的思路。

由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师在集智俱乐部联合发起了【 】。读书会围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，按照「基础理论」+「深入理论」+「案例研讨」的模式展开。读书会第一季已经圆满结束，第二季正在筹备中。现在报名加入可以解锁第一季全部录播视频并加入社群交流。

详情请见：

1.

2.

3.

4.

5.

6.

7.