當網絡稀疏化製造出 Turing 不穩定：一次譜證書的實用性審核

當一項計算需要重複很多次，較小的網絡很有吸引力。然而，刪除連接可能連科學問題的答案也一起改變。在這項合成實驗中，有效電阻抽樣以 110 次邊抽樣保留約 68.0% 的原有相異邊，但縮減後網絡的線性失穩判斷，在 180 次評估中有 63 次與原網絡不一致。事後計算的譜證書，在這 180 次評估中全部未能下結論。

標題的「製造出」是指抽樣網絡的線性化模型產生錯誤警報，並非數值抽樣創造了生物圖樣。這是一項針對無向、正權重網絡的探索性審核，研究快照日期為 2026 年 11 月 7 日。實驗沒有生物量測，也沒有模擬非線性圖樣。

問題可以說得很精確：抽樣刪邊之後，能否保留原網絡關於 Turing 失穩起始的答案？在有實用壓縮效果的預算下，證書又能否核實這個答案？ 網絡稀疏、判斷一致、證書有明確結論，是三個不同目標。

反應模型如何把特徵值變成判斷

在每個頂點放置兩種會反應的物種。無因次 Schnakenberg 反應動力學為

取 $a=0.1$、$b=0.9$，空間均勻平衡點為 $(u_*,v_*)=(1,0.9)$。該點的反應雅可比矩陣及擴散矩陣分別是

設 $L$ 為對稱的組合圖拉普拉斯矩陣。網絡的線性化動力學為 $z'=(I\otimes J-L\otimes D)z$。每個拉普拉斯特徵值 $q\geq0$ 都對應一個二維模態矩陣 $J-qD$，其跡與行列式為

行列式為負時，兩個增長特徵值中有一個為正。因此，精確的開失穩帶為 $2<q<5$。均勻模態 $q=0$ 穩定；只有圖的特徵值進入這個區間，擴散才會令某個非恆定模態失穩。

當 $q=2$ 或 $q=5$，其中一個增長特徵值為零。這些端點屬於中性情況，不能把「沒有嚴格失穩模態」直接寫成「嚴格漸近穩定」。程式判斷使用小量容差；本文不聲稱能夠辨別極接近端點的等號情況。

邊抽樣不會保證每一次實現都保真

有效電阻抽樣是經典方法。對權重為 $w_e$ 的邊 $e=(i,j)$，定義

其中 $L^+$ 為偽逆。對連通圖，各邊的槓桿分數 $w_eR_e$ 總和為 $n-1$；分數較高的邊有較大抽樣機率。

獨立進行 $k$ 次有放回抽樣。每次抽中邊 $e$，便加入 $w_e/(kp_e)$ 的權重；同一條邊重複出現時，把權重合併。均勻抽樣則對原圖的 $m$ 條邊取 $p_e=1/m$，使用相同的逆機率加權。兩者都有 $\mathbb{E}[L_s]=L$。

這個期望等式不代表某一次抽得的 $L_s$ 必然保留譜或失穩判斷。重新加權可能把特徵值移入或移出失穩帶。此外，110 次抽樣不等於保留 110 條相異邊：重複抽中仍會消耗預算。構造沿用 Spielman 與 Srivastava（2011） 的既有框架；本次使用小型圖的稠密參考計算，並非實作該論文的快速演算法。

證書實際證明甚麼

假設事後計算建立以下 Loewner 半正定序夾逼：

對 $L$ 與 $L_s$ 按次序排列的非恆定模態特徵值 $q_i$、$s_i$，標準 min–max 原理給出

因此，關於原圖可以有三種答案：

• **證明失穩：**至少一個完整的 $I_i$ 嚴格包含於 $(2,5)$。
• **證明沒有嚴格失穩模態：**每個 $I_i$ 均與 $(2,5)$ 不相交；可能的中性端點情況仍須與嚴格穩定區分。
• **未能下結論：**兩個充分條件均不成立，或所需的 $\varepsilon<1$ 條件不成立。

證書未能下結論，是保留判斷，不是判定穩定。即使 $\varepsilon<1$，區間仍可能太寬，或跨越失穩帶端點，令證書沒有答案。這是譜近似的標準推論，本文沒有提出新定理。

計算成本也有明確界線。參考實作在與常數向量正交的子空間上，利用 $L^{-1/2}L_sL^{-1/2}$ 的極端特徵值求失真。這一步需要原圖的完整特徵分解。因此，這項計算是在審核保證，並未示範一種能更快避開原圖分析的方法。數學推論以夾逼不等式確實成立為前提；浮點特徵值計算本身，不是以區間算術嚴格證明該不等式。

凍結實驗與每個分母

三組 24 頂點的圖種子，都有連通的環狀骨架，再加入隨機長距離連接。十個正權重尺度形成 30 個原圖／尺度個案，其中 16 個沒有嚴格失穩模態，14 個失穩。完整的 $48\times48$ 線性化矩陣，另用來數值交叉核對模態計算。

抽樣預算為 20、40、70、110、170、350、700 次，每種方法有六個重複種子。合共 252 組基礎抽樣實例，各重用於十個尺度，形成 2,520 行評估紀錄。固定一種方法及預算時，分母 180 是 18 組基礎樣本 × 十個尺度，並非 180 個獨立樣本。圖中的百分比只描述這個固定設計，沒有信賴區間，也不代表整體網絡族群的錯誤機率。

在本組網絡中，110 次抽樣時均勻方法的判斷不一致較少，同時保留的邊比例較高；350 次抽樣時，兩方法的不一致率次序卻相反。這些觀察不能證明任何一種方法普遍較佳。以相同相異邊數比較、測試留出的圖族，以及量度整體運算時間，會回答其他不同問題。

探索器讀取凍結結果。切換選項只會顯示已記錄的計數，不會生成新隨機網絡，也不會重新求解特徵值。

錯誤警報與漏報失穩並不相同

**假失穩（false unstable）**是原圖沒有嚴格失穩模態，抽樣圖卻被判為失穩；**假穩定（false stable）**則漏掉原圖存在的失穩。兩者的條件分母不同。

110 次抽樣時，ER 在原圖沒有嚴格失穩模態的 96 次評估中，產生 63 次錯誤警報，即 63/96 = 65.625%；在原圖失穩的 84 次評估中，則沒有漏報，即 0/84。同樣的 63 次錯誤，放在全體評估中便是 63/180 = 35% 不一致。均勻方法對應的錯誤警報為 57/96，漏報為 0/84。

這種不對稱屬於本組網絡。原本小於 2 的特徵值被推高，可能進入失穩帶；但原本已在失穩帶內的特徵值繼續增大，也可能越過 5 而離開失穩帶。其他譜配置，可能改變哪一類錯誤較常見。

為何失真減少，仍然沒有答案

110 次抽樣時，ER 的失真中位數約為 0.927，但沒有證書下到結論。700 次抽樣時，中位數約為 0.359，仍有 94/180 次評估未能下結論；均勻方法的中位數約為 0.356，有 99/180 次未能下結論。全局乘法譜界，可能要求遠高於單一失穩帶判斷所需的精度。

紀錄合共有 193 個明確證書，全部與參考標籤一致。這個有限的吻合結果支持實作審核，但不等於建立可擴展證書、一般錯誤機率，或有實用價值的壓縮優勢。

既有研究與下一條誠實問題

圖反應—擴散系統的縮減已有研究基礎。Ajayakumar 與 Raha 的 SGRDN-Data learned sparsification of graph reaction-diffusion networks，最初於 2023 年發布、2025 年修訂，直接研究這類系統的稀疏化。有效電阻抽樣與譜夾逼亦早於本次審核。因此，本文不把兩者的結合包裝成新方法。

Zhu、Zhang 與 Shen（2026） 研究高階網絡反應—擴散系統的譜粗粒化；其摘要報告能維持 Turing 不穩定的必要條件。這是相關的保真目標，但縮減操作與系統類別，都不同於本篇的邊抽樣。

本篇的貢獻是一個範圍清楚的負面結果紀錄：在測試預算下，判斷錯誤與證書保留判斷持續存在；大幅減邊與高證書覆蓋率未能同時達成。由於沒有模擬非線性圖樣，線性失穩起始的判斷一致，本身不保證最後的斑點、條紋、局部化或圖樣拓撲一致。

下一條有用的問題是：能否以針對任務的方法，保護真正相關的譜帶，在可核實的判斷裕量下減少總成本？回答之前，需要更強的比較與獨立新穎性評估。本次結果提出了動機，尚未提供答案。

公開紀錄與延伸閱讀

2026 年 11 月 11 日的獨立本機重跑，在 Windows 11 使用 Python 3.12.13、NumPy 2.4.6、SciPy 1.18.0、Matplotlib 3.11.0 及 pytest 9.1.1。原有測試 16/16 全部通過。完整 2,520 次評估重跑後，每個 CSV 離散欄位都與凍結壓縮包一致；觀察到的最大浮點絕對差約為 1.42 × 10⁻¹⁴。核查紀錄保存環境及比較結果。這項檢查建立的是所提供實驗的本機數值重現，並非以區間算術證明譜不等式，也不能由觀察到的 193 個明確個案推成一般保證。

逐次評估紀錄（CSV）、彙總結果（JSON）、整理後的原始碼包及紀錄說明，一併保存結果、設定與重現界線。這些下載資料描述合成線性審核，並非生物數據或非線性驗證。

要進一步區分線性失穩起始與演化中的圖樣，可讀當 Turing 圖樣必須隨區域一起生長；要區分觀察到的答案與有保證的界，可讀隨機壓力測試不是證書。