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2022年1月10日-2022年1月16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:

1. 将关联网络中将直接关系从间接关系中解耦

2. 层次化深层强化学习揭示了细胞移动的模块化机制

3. 结合神经形态计算的类脑全局-局部学习

4. 网格细胞中群体活动的环形拓扑

5. 具有高效长期记忆的量子自适应主体

6. 以量子方法分析湍流结构

7. 纤毛运动模式映射到低维度的行为空间

8. 科研中的交叉不平等


1.关联网络中

将直接关系中从间接关系中解耦


论文题目:Disentangling direct from indirect relationships in association networks

期刊来源:PNAS
论文地址:https://www.pnas.org/content/119/2/e2109995119


网络是理解和建模科学与工程等复杂系统的交互作用的重要工具。各种类型的网络中普遍存在着直接和间接的交互作用,而厘清其关联却是具有挑战性的。本文提出了一种能够定量推断关联网络中直接关系的框架,叫做 iDIRECT(Inference of Direct and Indirect Relationships with Effective Copula-based Transitivity)。基于耦合(copula-based)的传递性,该框架能够消除或改善包括病态、自循环的和交互强度溢出等几个具有挑战性的数学问题,并在仿真数据的实验中表现出较高的预测精度。将iDIRECT框架应用于重建大肠杆菌的基因网络,其结果优于DREAM5(Dialogue on Reverse Engineering Assessment and Methods project, #5)框架中的最优结果。此外,将iDIRECT框架应用于全球变暖过程中高度多样化的草地-土土壤微生物群落中,得到的网络与原始网络相比,具有显著差异。该结果表明,具体表现在较少的节点、连接和连通性以及较高的相对模块化程度。进一步分析表明,在增温条件下,iDIRECT框架处理后的网络比对照网络更复杂,且对随机物种和目标物种的去除都更有鲁棒性(P < 0.001)。作为一种通用的方法,iDIRECT框架在网络推理方面具有很大的优势,可以广泛应用于科学、工程等不同领域间的关联网络中直接关联的推理。

图1.iDIRECT框架如图所示。(A)表示一个包括直接关联(蓝色)和间接关联(红色)的关联网络。间接关联包括虚假连接(实线)和高估的直接连接(虚线)。(B)表示iDIRECT框架使用基于耦合的加法组合通过不同连接相连的两个节点,节点之间的交互强度在[0,1]的范围内。(C)表示iDIRECT框架引入了传递性矩阵Ti,kj(除了通过节点i的节点k和j之间的连接),使用Ti,kj计算节点i和j之间的直接关联强度,计算过程排除了像i-k-i-j一样的伪自循环路径。(D)表示iDIRECT框架利用非线性求解器直接获取各环节的关联强度,不逆向求病态关联矩阵。(E)展示了iDIRECT框架的整体工作流程。



2.层次化深层强化学习

揭示细胞移动的模块化机制


论文题目:Hierarchical deep reinforcement learning reveals a modular mechanism of cell movement
期刊来源:Nature Machine Intelligence
论文地址:https://www.nature.com/articles/s42256-021-00431-x


细胞和组织随时间推移图像中包含了关于细胞动力学行为的丰富信息,反映了细胞增殖、分化和形态发生的基本过程。然而,我们缺乏能够进行高效推断的计算工具。该研究利用深层强化学习从三维延时图像推断细胞间相互作用和组织形态构成中的细胞行为。我们使用层次化的深度强化学习 ,可进行多尺度学习和小数据学习,用以获得标记细胞核后的图像和统计规律,以研究细胞迁移。当应用于秀丽隐桿线虫胚胎发育时,层次化强化学习揭示了细胞移动包含多阶段且以模块化组织。在包含额外细胞核标记的图像上,层次强化学习确认了模块化组织可作为一种新的细胞迁移机制,我们称之为顺序花环(sequential rosettes)。此外,层次化深度强化学习作为一个可迁移的模型,可成功将其它细胞迁移和基于顺序花环的迁移区分开。我们的研究论证了有一个强有力的方法,可在没有先验知识时,从延时成像中推断潜在的生物学现象。

图1. 层次化的深层强化学习对细胞移动建模的概念和设计。


3.结合神经形态计算的

类脑全局-局部学习


论文题目:Brain-inspired global-local learning incorporated with neuromorphic computing
期刊来源:Nature Communications
论文地址:https://www.nature.com/articles/s41467-021-27653-2


人工智能的学习主要有两种方法:误差驱动的全局学习和面向神经科学的局部学习。将它们集成到一个网络中可以为多种学习方式提供互补的学习能力。与此同时,神经形态计算虽然前景广阔,但仍然需要大量有效的算法和算法-硬件协同设计来充分发挥其优势。在这里,我们提出了一个神经形态的全局-局部协同学习模型,引入了受大脑启发的元学习范式,以及结合神经元动力学和突触可塑性的可微脉冲模型。它可以元学习局部可塑性,接收自上而下的多尺度学习监督信息。我们展示了该模型在多种不同任务中的优势,包括少样本学习、持续学习和容错学习。它比单一的学习方法获得了更佳的学习效果。利用算法-硬件协同设计,我们进一步改善了该模型,证明该模型可以充分利用神经多核架构开发混合计算范式。

图1. 混合协同学习模型。


4.网格细胞中群体活动的环形拓扑


论文题目:Toroidal topology of population activity in grid cells
期刊来源:Nature
论文题目:https://www.nature.com/articles/s41586-021-04268-7


内侧内嗅皮层是神经系统的一部分,用来映射个人在物理环境中的位置。网格细胞是这个系统的关键组成部分,它以特有的六边形模式激活位置,并以模块化的形式组织,共同形成动物分布式位置的群体编码。这种群体编码的相关结构在不同环境和行为状态中保持不变,独立于特定的感官输入,表明内在的、递归连接的连续吸引子网络(continuous attractor networks,CANs)可能是网格斑图(pattern)的基底。然而,网格细胞网络是否具有连续的吸引子动力学特性,以及它们如何与环境输入相互作用,由于迄今为止所获得的细胞样本数量较少,尚不清楚。在这里,使用数百个网格细胞的同时记录及其拓扑数据分析,我们表明,单个模块中网格细胞的共同活性处于一个环形流形上,与二维连续吸引子网络预测相符。环面上的位置与环境中动物移动的位置相对应。单个细胞优先活跃于环面的单一位置。不同环境以及睡眠状态下的环面位置保持不变,这与连续吸引子网格细胞模型预测结果相符,而与选择前馈模型结果不符合。网络动力学在环形流形上的演示,为连续吸引子网络在网格细胞中的动力学提供了群体水平的可视化。

图1. 一个模块中网格细胞活性的环形结构。


5.具有高效长期记忆的

量子自适应主体


论文题目:Quantum Adaptive Agents with Efficient Long-Term Memories
期刊来源:Physical Review X
论文地址:https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.011007


自适应系统成功的关键在于解读环境信号并做出相应反应的能力——它们是与环境相互作用的主体。当这些主体能够执行越来越复杂的策略时,通常会表现得更好。这是有代价的:主体从过往经历中提取出的信息越多,所需要的记忆内存就越多。这里,我们研究能够处理量子信息主体的能力。我们揭示了量子主体要最大限度提高记忆压缩优势所需采用的最通用形式,并提供了一种编码记忆状态的系统方法。我们发现,与记忆最小化的经典主体相比,这些编码可以表现出极其有利的压缩优势,特别是当越来越久远的信息必须被保留时。

图1. 主体及其量子实现。(a)主体交替接收输入刺激和执行输出动作。为了执行复杂的行为,主体需要记忆来追踪过去事件(刺激和动作)的相关信息,还需要基于这些信息和当前刺激决定未来行动的一套策略。(b)量子回路实现的一种量子主体包含所有记忆最小化的经典主体。



6.以量子方法分析湍流结构


论文题目:A quantum-inspired approach to exploit turbulence structures
期刊来源:Nature Computational Science
论文地址:https://www.nature.com/articles/s43588-021-00181-1


对湍流的理解是许多自然和技术流过程的关键。这一现象的核心在于其复杂的多尺度特性,该特性描述了不同大小的涡流在空间和时间中的耦合。本文采用量子多体物理方法,通过量化不同尺度之间的相关性来分析湍流的结构。我们给出了两个典型流的跨尺度相关性,并利用这些见解和张量网络理论,设计了一个结构解析算法来模拟湍流。利用该算法,我们发现,即使表示速度场所需的参数数量与直接数值模拟相比,减少了一个量级,不可压缩 Navier-Stokes 方程也能被精确求解。我们的量子启发式方法提供了在量子计算机上进行计算流体力学的途径。

图1. 湍流的跨尺度相关性。

7.纤毛运动模式

映射到低维度的行为空间


论文题目:Ciliary beating patterns map onto a low-dimensional behavioural space
期刊来源:Nature Physics
论文地址:https://www.nature.com/articles/s41567-021-01446-2


生物系统对遗传层面和环境层面的扰动都很敏感,不过这些扰动带来的行为变化可能是相同的。在细胞器水平上,纤毛和鞭毛的运动就体现了功能稳定性和行为可变性间的相互作用。尽管物种之间和物种内部都存在如细胞内ATP和钙的浓度差异,以及环境温度和粘度的波动这样的遗传多样性,但是纤毛还是可以运动。同时,这些扰动也带来了行为空间中丰富的时空模式。为了研究这种行为空间,我们分析了单细胞藻类莱茵衣藻分离出的纤毛在许多环境和遗传条件下的动力学。我们发现,尽管运动的频率和振幅有很大变化,但波形形状仍然在低维空间中,即两个维度占观测差异的80%。这种行为空间的几何形状与低粘度下的简单机械化学模型的预测相吻合。这样波形的变化就可以与动力蛋白马达的曲率响应系数相关联。

图1. 遗传和环境层面纤毛运动的行为差异。


8.科研中的交叉不平等


论文题目:Intersectional inequalities in science
期刊来源:PNAS
论文地址:https://www.pnas.org/content/119/2/e2113067119

美国的科研工作者主要由白人男性组成。研究表明,存在某些阻碍妇女和其他少数族裔进入科研领域的系统性障碍,但很少有人采取交叉(Intersectionality)视角来研究这些不平等对科研探索的影响。过去的多数研究都着眼于种族或性别,没有考虑到这些变量的交叉。该文章对交叉身份、研究主题和学术影响之间的关系进行了大规模的文献计量分析。研究发现科学家的个人特征和他们的研究主题之间有着密切的关系,这表明科研团队组成的多样性会影响科研成果,并对少数族裔个体的职业发展产生了影响。今后对科研人员的政策应该考虑这种关系,以促进研究者们能公平参与研究,提高科学的鲁棒性。另外,科研集团应该向经费较少的研究领域提供足够的资源,同时为少数群体提供进入高声望圈子和领域的途径。

图1. 按领域划分,不同种族、性别的作者的学术影响及其分布情况。





关于Complexity Express




Complex World, Simple Rules.
复杂世界,简单规则。
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,汇总复杂系统相关的最新顶刊论文。

 

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

  • Review of Modern Physics
  • Nature Review Physics
  • Nature Computational Science
  • National Science Review
  • 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:
  • 复杂系统基本理论
  • 复杂网络方法及应用
  • 图网络与深度学习
  • 计算机建模与仿真
  • 统计物理与复杂系统
  • 量子计算与量子信息
  • 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
  • 城市科学与人类行为
  • 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