集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。


扫描下方二维码，关注“集智斑图”服务号，即可订阅Complexity Express：             



Complexity Express 一周论文精选




以下是2021年5月24日-5月30日来自Complexity Express的复杂性科学论文精选。如果Complexity Express列表中有你感兴趣的论文，欢迎点赞推荐，我们会优先组织解读~

目录：

  • 机器人涌现行为的连续学习

  • 人口流动的普遍访问规律

  • 基于图卷积网络的蛋白质结构功能预测

  • 多层网络的拓扑聚类

  • 物理网络中的监督式学习: 从机器学习到学习机器

  • 性别角色产生不同的经济期望

  • 人口流动的普遍访问规律



更新提醒：顶刊速递已支持论文图片速览


1. 机器人涌现行为的连续学习




期刊来源：PNAS

论文标题：

Continuous learning of emergent behavior in robotic matter

论文地址：

https://www.pnas.org/content/118/21/e2017015118

 

机器人在上个世纪已经彻底改变了人类的生活，以更高的精度和可重复性拓展了人类的能力。然而，大多数机器人系统只能在受控环境中运行。使机器人能够自主适应环境的一种思路是增加中央控制器的复杂性，但自然界中有很多例子表明适应性可从更简单的非中心化控制中出现。5月25日发表在PNAS的一篇文章效仿自然，以去中心化及模块化的方法简化控制器，寻找具备鲁棒性及拓展性的机器人学习策略的特定要求。


由2-20个自主单元组装的机器人，其学习行为具有可拓展性。


为实现目标，研究团队在一个特定的机器人平台上进行了实验和模拟，该平台由相同的自主单元组装而成，这些单元不断感知环境并对其做出反应。每个单元使用基本的蒙特卡洛方法独立调整其行为，组装后的系统能够在动态环境中学习并保持最佳行为，即使其部分单元受到损害也是如此。该研究表明机器人集群单元之间的物理连接足以实现策略学习，而不需要额外的通信或中央指令。因此，这种分布式学习方法可以轻松扩展到更大的组件，使可在动态或陌生环境下自主学习的模块化“机器人物质（robotic matter）”成为可能。



2. 人口流动的普遍访问规律  


期刊来源：Nature

论文题目：

The universal visitation law of human mobility

论文网址：

https://www.nature.com/articles/s41586-021-03480-9

 

作为社交、创新和生产力产生的重要动力，人口流动对城市的影响表现在从空间结构到对流行病的反应等多个方面。然而，目前我们对于人口流动的定量描述依然是不完整的。现有的模型（如引力模型、辐射模型等）只专注于人口流动的空间依赖，而没有捕捉到重复访问相同位置的频率这一关键信息。5月26日发表在 Nature 上的一篇文章利用来自全球不同城市的大规模人口流动数据，揭示了一个简单而强大的“距离-频率”法则（distance-frequency law）。


“距离-频率”法则在波士顿地区的实例 通过统计图a所示的到访Back Bay的居民的居住地到Back Bay的距离与访问次数，我们可以分别得到访问人数和居住地距离（图b）、访问频率（图c）间的幂律关系。将频率与距离相乘可以发现所有数据点在对数坐标系下落在一条斜率为-2的直线上。


“距离-频率”法则表述道：任何位置的访客数量都与访问频率和所需路程乘积的平方成反比。文章进一步表明，流向不同位置的时空流会产生显著的空间聚集，其面积分布遵循齐夫定律（Zipf’s law）。最后，文章建立了一个基于探索和偏好返回的个体移动模型，为其发现的法则和新的空间结构提供了动力学解释。该文章的发现证实了人文地理学中长期存在的猜想（如中心地理论和紧急最优理论），对城市规划、交通规划、流行病建模等领域的研究均有启发。



3. 基于图卷积网络的

蛋白质结构功能预测



期刊来源：Nature Communications

论文题目：

Structure-based protein function prediction using graph convolutional networks

论文地址：

https://www.nature.com/articles/s41467-021-23303-9

 

蛋白质折叠成三维结构以在cell中执行多种功能。尽管蛋白质的许多功能区域是无序的，但大多数结构域折叠成特定且有序的三维构象。反过来，蛋白质的结构特征决定了广泛的功能：从结合特异性和赋予机械稳定性，到催化生化反应、运输和信号转导。组织这些无数蛋白质功能的几种广泛使用的分类方案包括基因本体（Gene Ontology，GO）等。例如，GO 将蛋白质分为层次相关的功能类，这些功能类组织成三个不同的本体：分子功能 (MF)、生物过程 (BP) 和细胞成分 (CC)，以描述蛋白质功能的不同方面。


研究人员提出了 DeepFRI，这是一种图卷积网络，用于通过利用从蛋白质语言模型和蛋白质结构中提取的序列特征来预测蛋白质功能。它优于当前领先的方法和基于序列的卷积神经网络，并可扩展到当前序列存储库的大小。使用同源模型增强实验结构的训练集使研究人员能够显着扩展可预测函数的数量。


一种LSTM语言模型。(a)已预先训练了约1000万个Pfam蛋白序列，用于提取PDB序列的残基级特征。(b)本项研究提出的GCN具有三个图卷积层，用于学习复杂的结构-功能关系。


研究人员通过使用类似于 CAFA27 的时间保持验证来评估本项方法的性能，保持方法确保了一个更“现实”的场景，其中根据最近的实验注释评估函数预测。我们使用从两个时间点 SIFTS56 检索到的 GO 注释，版本 2019/06/18（本项研究中称之为 SIFTS-2019）和版本 2020/01/04（称之为 SIFTS-2020），来构建基于时间的测试集。最终，通过该方法正确预测了 MF-GO 项，而 BLAST 和 DeepGO 都是未能成功预测预测。


DeepFRI 具有显着的去噪能力，当实验结构被蛋白质模型取代时，性能仅略有下降。类激活映射允许以前所未有的分辨率进行功能预测，允许以自动化方式在残基级别进行特定于站点的注释。研究人员通过注释来自 PDB 和 SWISS-MODEL 的结构来展示该方法的实用性和高性能，从而做出了几个新的自信函数预测。在未来，DeepFRI 可作为网络服务器供更多研究人员在线使用。



4. 多层网络的拓扑聚类



期刊来源：PNAS

论文题目：

Topological clustering of multilayer networks

论文地址：

https://www.pnas.org/content/118/21/e2019994118

 

现代社会中的许多系统都具有复杂且高度相互依赖的结构，多层网络可以用来对这些复杂结构进行建模。为了解决多层网络聚类的问题，研究人员将拓扑数据分析（topological data analysis）的概念引入到复杂的多层网络的研究中，并提出了一种网络聚类的拓扑算法。拓扑数据分析允许人们分析观察数据的拓扑和几何特性，从而更深入地了解数据生成过程背后的隐藏机制。


拓扑网络聚类背后的关键思想是根据近邻节点形状相似程度对其进行分组。特别是，该算法使用拓扑方法基于持续性图对每个节点周围的局部拓扑和几何进行比较，因此被称为“使用持续性图的聚类”（CPD）。该算法既可以系统地计算网络层内部和网络层之间的异构高阶特性，又可以集成来自近邻节点及其相互作用的重要信息。


三层网络CPD算法的流程图，包括建立多层网络、建立基于相似度的网络、节点嵌入和获得聚类


研究人员说明了他们算法的应用以及拓扑概念在复杂网络聚类中的实用性。他们以多层网络在房屋保险中的应用为例进行说明。研究人员通过引入基于气候条件和房屋保险变量的多层复杂网络，基于拓扑聚类的方法对房屋进行分区。与基于简单地理邻近度的传统工具相比，基于环境和社会人口统计学特征相似度的风险图可以更准确地模拟气候风险。



5. 物理网络中的监督式学习：

从机器学习到学习机器



期刊来源：Physical Review X

论文题目：

Supervised Learning in Physical Networks: From Machine Learning to Learning Machines

论文网址：

https://journals.aps.org/prx/abstract/10.1103/PhysRevX.11.021045‍‍‍‍‍

 

设计具有特定属性或功能的物理材料或机器通常需要有关系统微观方面的详细知识，以及如何修改这些方面以实现所需属性的“逆问题”的解决方案。机器学习解决了这些问题。例如，神经网络通过观察示例进行学习，而计算机则通过惩罚不正确的性能来修改其微观属性。尽管已证明此类框架对于基于计算机的学习非常强大，但如果不了解和操纵微观细节，就无法将它们直接应用于物理材料。受神经科学和机器学习进步的启发，研究人员提出了一些学习规则，使学界可以通过展示物理网络所需功能的示例来“教”物理网络所需的功能，而它们却可以自行修改其微观属性。


弹性弹簧网络或流网络等系统可能被设计为实现一类物理上合理的“耦合学习规则”。研究人员以数字方式展示了如何通过示例教授此类网络以学习复杂的用户定义函数，例如手写数字的分类。本项研究进一步讨论了实验应用耦合学习规则的局限性，并考虑如何克服它们。


MNIST 数字的分类（0 和 1）。（a）分类误差(b) 测试图像的预测精度 (c),(d) 当呈现左上角的图像时网络的响应。在每个边缘上耗散的功率由边缘颜色的强度指示。而目标节点的压力用蓝色（0）和黑色（1）圆圈标记。当显示0图像时，目标对象0的压力较高（蓝色圆圈），目标对象1的压力较低；当显示 1 图像时，1 目标节点压力高（黑色圆圈），0 目标节点压力低。


研究人员的这项工作阐明了如何使用物理上合理的学习规则来创建能够自主适应外部影响并获得所需功能的学习机器。这种机器本质上是基本的大脑，由简单的机械零件组成。如果事先不知道所需的物理特性或功能或需要适应不断变化的环境，则可适应的“学习机”预计将表现优异。


 

6. 性别角色产生不同的经济期望



期刊来源：PNAS

论文标题：

Gender roles produce divergent economic expectations

论文地址：

https://www.pnas.org/content/118/21/e2008534118

 

对未来的看法决定着某些重要的人生决定，譬如退休储蓄和住房选择等，并且这往往在性别之间存在普遍差异。在经济方面一样如此，就消费价格观念而言，女性的通胀预期普遍地高于男性，比如在经济理论中高通胀预期导致个人储蓄低于为退休提供资金所需的数额，研究者们把这种现象称为“性别期望差距”（gender expectations gap）。性别期望差距可能对妇女的经济选择和长期财富产生不利影响，对未来高物价的预期会引发身心压力，从而影响女性的幸福感。在社会层面，性别预期差距甚至可能妨碍经济政策在危机时期的有效性。然而，这种明显的性别预期差距的根源仍不清楚。

 

5月25日，PNAS 上的一项研究认为，传统的性别角色是产生这种性别期望差距的一个重要因素。性别角色促使女性和男性在日常生活中进行不同的事务，体验不同的环境，这导致两性接触到不同的经济信号，从而导致不同的认知和期望。通过对男性和女性参与家务杂务的数据、他们对价格的感知程度，结合他们的通胀预期，该研究证明了性别预期差距和购买杂货职责的家务分配之间的紧密联系。因为为家庭购买大部分食品杂货，女性观察到的价格信号与男性不同。另外，由于食品杂货价格波动剧烈，但正向的价格变化尤其令人难忘，这也导致女性最终预期的通货膨胀率会普遍高于男性。如果家务在家庭中平均分配，性别期望差距就会消失。


上图表示家庭内部的性别期望差距。左边的条形图显示了调查范围内所有家庭中女性和男性的通胀预期的平均差异，右边两组条形图分别对应家庭中男性是否参加杂货店购物活动。



7. 网络隔离器

抑制复杂网络中的故障扩散



期刊来源：Nature Communications

论文题目：

Network isolators inhibit failure spreading in complex networks、

论文地址：

https://www.nature.com/articles/s41467-021-23292-9

 

在我们的生活中，网络无处不在。从社交网络到金融借贷，从交通路网到输电网络，都会常常出现复杂网络的身影。然而如果在市政的基础设施中出现网络级联失效现象，则可能会造成极为严重的影响。来自得德国于利希研究中心的 Franz Kaiser、 Dirk Witthaut 和来自英国伦敦玛丽女王大学数学科学学院的 Vito Latora 就对这一问题给出了他们的解决方案。这一研究成果于 2021 年 5 月 25 日发表在了 Nature Communications 网站上。


类似于森林中的防火带，降低网络的连通性也可以阻止网络级联的规模。根据这一思路，研究者证明了网络中存在满足这类功能的子图，并将其称之为网络隔离器（network isolators）。该研究也展示了创建网络隔离器的方法。比如切分顶点与连边、添加或删除连边。研究表示，通过增加指定链接而非是删除链接可以更好地遏制故障的传播，这对于构建更鲁棒的网络或改善现有的网络非常有用。同时，该研究严格地证明了网络隔离器的存在，以用来完全抑制任何故障扩散。并且在供电网络中得到了有效证明，添加指定链接可以防止大规模停电。


在实际电网中构建绝缘器的不同方法，以及绝缘器对于每一个电网流量变动的影响。ΔF=0为浅灰色，网络中的一部分被绝缘器屏蔽。





集智新栏目Complexity Express 上线啦！




Complex World, Simple Rules.
复杂世界，简单规则。
复杂性科学（Complexity Science）是集智俱乐部多年以来的主题，我们长期追踪关于自然、生命、社会、认知等各类复杂系统的研究进展，并组织学术研讨。
 
同时由于学科交叉融合，大量针对复杂系统的研究成果散落在人工智能、统计物理、网络科学、数据科学、计算社会科学、生命科学、认知科学等等不同领域的期刊会议中，缺乏整合。
 
为了让大家能及时把握复杂系统领域重要的研究进展，我们隆重推出「Complexity Express」服务，汇总复杂系统的最新顶刊论文。
 

Complexity Express 是什么？

Complexity Express 每天爬取复杂系统领域最新发表的顶刊论文，每周通过“集智斑图”服务号汇总推送。
 
进入 Complexity Express 页面即可随时查看顶刊论文更新，你也可以通过微信接收研究更新推送和一周汇总。

               


Complexity Express 为谁服务？

  • 如果你是复杂系统领域的研究者，可获得重要论文上线通知，每周获取最新顶刊论文汇总。

  • 如果你是复杂系统领域的学习者，可了解学界关注的前沿问题，把握专业发展脉络。

  • 如果你是传统的生命科学、社会科学等学科中的研究者/学习者，可以从复杂性科学和跨学科研究中获得灵感启发。

  • 如果你是关注前沿研究发现的知识猎手，可获得复杂系统研究对自然和人类世界的最新洞见。

Complexity Express 栏目也是集智俱乐部公众号的主要选题来源，诚挚邀请你订阅，与我们信息同步。
 

Complexity Express 论文从哪里来？

考虑复杂系统研究往往属于跨学科工作，我们主要抓取综合类和泛物理类/计算机类的顶级期刊，从每周新发表的数百篇论文中精选出与复杂系统相关的论文。
 
Complexity Express 参考影响因子和学者口碑，选择了如下期刊，每日爬取其论文更新：

  • Nature

  • Science

  • PNAS

  • Nature Communications

  • Science Advances

  • Physics Reports

  • Physics Review Letters

  • Physics Review X

  • Nature Physics

  • Nature Human Behaviour

  • Nature Machine Intelligence

  • 更多期刊持续增补中，欢迎推荐你认为重要的期刊！
 
如果你在 Complexity Express 中发现了感兴趣的论文，请立刻“点赞”！每周最高赞的论文，集智编辑部将组织专业解读~
 

Complexity Express 追踪哪些领域？

我们力求兼顾热点追踪与领域覆盖，目前筛选的论文主要集中在如下与复杂性关系密切的领域：

  • 网络科学各个分支及交叉应用

  • 图数据与图神经网络

  • 计算机建模与仿真

  • 统计物理与复杂系统理论

  • 生态系统、进化、生物物理等

  • 系统生物学与合成生物学

  • 计算神经科学与认知神经科学

  • 计算社会科学与社会经济复杂系统

  • 城市科学

  • 科学学

  • 计算流行病学

  • 以及一些领域小众，但有趣的工作
 
由于复杂性研究领域横跨多个学科，研究论文散落在不同的期刊上，很难不重不漏地把握最新工作。针对复杂性领域的论文筛选，我们专门设计了算法。经过数月的训练迭代优化，目前对上述领域爬取准确率达到90%以上。
 
将来我们还会根据你的具体研究领域，推出研究分类与个性化的订阅服务，敬请期待！
 
由于复杂性领域涉及的论文关键词和研究问题纷繁复杂，所以算法难免有不成熟的地方，如果你发现我们有漏掉的重要论文，或者爬到了领域有偏差的论文，欢迎联系我们（小助手微信：swarmaAI），帮助我们持续优化算法。

如果你对科学学、计算术语学等感兴趣并有代码能力，欢迎报名成为集智算法志愿者/实习生（具体请邮件联系算法组负责人huqiao@swarma.org）。

如果你对复杂性科学及相关跨学科研究有长期兴趣，并乐于解读分享，欢迎加入集智作者团队（具体请邮件联系编辑部负责人liupeiyuan@swarma.org）。




更多论文




更多复杂性顶刊论文，请到Complexity Express页面查看。订阅即可每周获取更新提醒。
       


点击“阅读原文”，追踪复杂科学顶刊论文