.png){kind=icon}
返回
Network renormalization
.png){kind=icon}
PRE
AI
DOI：10.1038/s42254-025-00817-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
重整化群（RG）是一个强大的理论框架。它被应用于具有许多自由度的系统中，以在不同分辨率水平上转换其构型的描述，以及相关的模型参数和耦合常数。RG还提供了一种识别相变临界点并研究系统在其周围行为的方法。在传统的物理应用中，RG在很大程度上基于均匀性、对称性、几何学和局部性的概念来定义度量距离、标度变换和自相似粗化方案。近年来，已经做出了努力将RG概念扩展到复杂网络。然而，在这样的系统中，显式的几何坐标不一定存在，不同的节点和子图可以具有不同的统计特性，且均匀的晶格状对称性不存在——所有这些特征都使得定义一致的重整化程序变得复杂。在本篇技术综述中，我们讨论了网络重整化的主要方法、重要进展以及剩余的开放性挑战。
Keyword:
REAL-SPACE RENORMALIZATION
PHASE-TRANSITIONS
GROUP TRANSFORMATION
STATISTICAL PHYSICS
SELF-SIMILARITY
RANDOM-WALKS
FRACTALS
GRAPHS
INFORMATION
DIAMETER