چگونه یک سیستم پویا می‌تواند بدون از دست دادن یکپارچگی ساختاری خود، رفتاری کاملاً متفاوت نشان دهد؟ در فیزیک آماری و نظریه سیستم‌های پویا، «بحرانی بودن» (criticality) یک حالت مرزی است. این حالت، مرز باریک بین نظم مطلق (رفتار سخت و همبسته) و بی‌نظمی مطلق (انتروپی بالا و نویز تصادفی) را تعریف می‌کند. وقتی یک سیستم در لبه بحرانی قرار دارد، ویژگی «مقیاس‌ناپذیری» (scale invariance) از خود نشان می‌دهد؛ به این معنی که رفتار جمعی آن، چه در سطح محلی و چه در کل شبکه، به یک شکل ریاضی واحد میل می‌کند. این رژیم بحرانی ظرفیت انتقال اطلاعات، حساسیت به ورودی‌های محیطی و دامنه پویای سیستم را به حداکثر می‌رساند.
در علوم اعصاب، مدت‌هاست که فرض می‌شود مغز انسان برای پردازش ورودی‌های حسی و حفظ انعطاف‌پذیری شناختی، در نزدیکی یک رژیم بحرانی کار می‌کند. با این حال، در مواجهه با بیماری‌های روانی مانند روان‌پریشی اولیه (early psychosis)، پیش‌فرض سنتی این بود که این اختلالات ناشی از فروپاشی کامل پویایی‌های بحرانی و سقوط سیستم به سمت نویز بی‌معنی یا صلبیت عملکردی هستند.
پژوهش جدیدی با عنوان Early psychosis shows deviations in scaling behaviour within a critical regime (Topal et al., 2026) این دیدگاه دوقطبی را به چالش می‌کشد. نویسندگان با تحلیل داده‌های تصویربرداری تشدید مغناطیسی کارکردی در حالت استراحت (rs-fMRI) بیماران مبتلا به روان‌پریشی اولیه و گروه کنترل، نشان دادند که روان‌پریشی با از دست رفتن ساده‌ی پویایی‌های بحرانی مشخص نمی‌شود؛ بلکه نشان‌دهنده یک «بازآرایی نظام‌مند» (systematic reorganization) در پویایی‌های جمعی، درون یک رژیم مقیاس‌بندی حفظ‌شده است.
مکانیزم مقیاس‌ناپذیری در شبکه‌های مغزی
برای درک یافته‌های پژوهش توبال و همکاران (2026)، باید به ابزارهای ریاضی به‌کاررفته در آن نگاه کنیم. اگر فقط به یک نقطه از شبکه نگاه کنید، پویایی جمعی را از دست می‌دهید و اگر همه چیز را با هم میانگین بگیرید، جزئیات سیگنال از بین می‌روند. نویسندگان برای حل این مشکل سه چارچوب را با هم ترکیب کردند:
۱. گروه بازبهنجارش پدیدارشناختی (PRG): روشی برای درشت‌دانه‌سازی (coarse-graining) متغیرهای عصبی مجاور و مقیاس‌بندی آن‌ها برای مشاهده رفتار جمعی سیستم در مقیاس‌های بزرگ‌تر. ۲. چگالی طیفی توان (PSD): برای سنجش نحوه توزیع توان در فرکانس‌های مختلف سیگنال زمانی. ۳. تحلیل نوسان بدون روند (DFA): برای کمی‌سازی همبستگی‌های زمانی بلندمدت در سری‌های زمانی غیرایستا.
در گروه کنترل، این معیارها تایید کردند که فعالیت مغز در حالت استراحت، پویایی مقیاس‌ناپذیر و بحرانی دارد. در بیماران مبتلا به روان‌پریشی اولیه نیز شالوده اصلی مقیاس‌ناپذیری حفظ شده بود؛ سیستم به نویز سفید و کاملاً تصادفی تبدیل نشده بود. اما، نماهای مقیاس‌بندی (scaling exponents) در چندین متغیر کلیدی، دچار انحراف و تغییرات نظام‌مند شده بودند. این یعنی مغز هنوز بحرانی است، اما با پارامترهای متفاوتی تنظیم شده است.
چالش مهندسی و پیاده‌سازی کاربردی
انتقال این چارچوب‌های محاسباتی از مقالات دانشگاهی به سیستم‌های تشخیصی واقعی یا پلتفرم‌های درمانی دیجیتال، چالش‌های مهندسی بزرگی ایجاد می‌کند. اجرای خط لوله کامل PRG و DFA روی داده‌های حجیم و چندبعدی fMRI به‌شدت سنگین و زمان‌بر است.
در یک سیستم تولید (production) یا مانیتورینگ بلادرنگ کلینیکی، نمی‌توان ساعت‌ها منتظر سرور ماند تا نمای مقیاس‌بندی را محاسبه کند. برای ساخت ابزارهای کاربردی، باید این محاسبات چندمقیاسی را به معماری‌های نرم‌افزاری بهینه و قطعی (deterministic) تبدیل کنیم.
این یک موازنه (trade-off) کلاسیک بین دقت ریاضی و سرعت محاسبات است. برای مثال، محاسبه DFA مستلزم بخش‌بندی سری زمانی، حذف روند با فیت کردن چندجمله‌ای‌ها و محاسبه ریشه میانگین مربعات نوسانات در پنجره‌های زمانی مختلف است. موازی‌سازی این فرآیند روی هزاران ناحیه مغزی نیازمند بهینه‌سازی‌های عمیق در سطح سخت‌افزار است.
وقتی این را پیاده می‌کنی، با همان دیوار تاخیری مواجه می‌شوی که من در طراحی خط لوله تلمتری بلادرنگ سامانه BioVR با آن روبه‌رو شدم. در آنجا ما داده‌های فیزیولوژیک چندکاناله بیوسنسورها را به صورت زنده پردازش می‌کردیم تا سختی جلسات توان‌بخشی شناختی به طور پویا با وضعیت بیمار تطبیق داده شود. برای پردازش سیگنال‌های زیستی در یک حلقه بلادرنگ، نمی‌توان از متدهای آماری سنگین آفلاین استفاده کرد؛ بلکه باید تخمین‌های سبک و مبتنی بر پنجره‌های لغزان (sliding windows) را جایگزین کرد.
اگر بخواهیم یافته‌های این مقاله را در قالب یک ابزار مانیتورینگ بالینی زنده پیاده کنیم، باید الگوریتم‌های سنتی و دسته‌ای PRG و DFA را به روش‌های تخمین آنلاین و تکرارشونده تبدیل کنیم تا محاسبات روی پردازنده‌های گرافیکی یا گره‌های لبه (edge nodes) با حداقل تاخیر انجام شوند.
تشخیص بازآرایی سیستم به جای خرابی سیستم
این پژوهش دیدگاه ما را نسبت به طراحی طبقه‌بندها (classifiers) و مدل‌های تشخیص اختلالات روانی تغییر می‌دهد. اگر روان‌پریشی صرفاً یک حالت «خراب» با افت کامل ویژگی‌های بحرانی بود، یک مدل هوش مصنوعی فقط باید به دنبال افت همبستگی سیگنال می‌گشت که کار ساده‌ای است.
اما از آنجا که پدیده واقعی یک «بازآرایی» درون رژیم بحرانی است، استخراج ویژگی‌های تشخیصی بسیار ظریف‌تر می‌شود. ویژگی‌های کلیدی، عدم وجود مقیاس‌بندی نیستند، بلکه انحرافات پارامتریک و تغییرات جزئی در خود نماهای مقیاس‌بندی هستند. مدل‌های یادگیری ماشین آینده باید به گونه‌ای طراحی شوند که این تغییرات ظریف را در میان سطح بالای نویز داده‌های fMRI شناسایی کنند.
منابع
- Early psychosis shows deviations in scaling behaviour within a critical regime — arXiv · q-bio.NC · 2026-06-04