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8月15日-8月21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. 弱耦合振子中的涌现超网络

2. 代谢标度是生活史优化的产物

3. 使用拓扑数据分析的精确动态映射揭示静息态网络的类中心过渡态

4. 用贝叶斯深度学习模型推断北美洲开放生境的起源和演化

5. 美国城市新冠检测和接触者跟踪的有效性

6. 疫情下社交隔离对主观时间感知的影响

7. 损失厌恶、禀赋效应和得失框架塑造对信息的偏好

8. 消息保真度取决于社交网络影响的广度和深度

9. 非平衡态粗粒化建模


1.弱耦合振子中的涌现超网络


论文题目：Emergent hypernetworks in weakly coupled oscillators
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-32282-4


弱耦合振子网络对我们理解复杂系统产生了深远的影响。关于从数据重构模型的研究表明振子之间具有三重和更高相互作用的超网络的普遍贡献，尽管这种模型最初被定义为具有成对相互作用的振子网络。本文证明在给定确定的三重频共振条件下，即使存在成对的尽管是非线性的耦合，超网络也可以自发涌现。在具有电化学振荡器的模拟中，以及在整合发放神经元模拟中。通过发展一个全面的理论，我们通过识别出现和禁止频率共振的条件来揭示涌现超网络的机制。此外，结果表明，单元间的微观线性 (差分) 耦合导致耦合平均场，而耦合平均场具有足够的非线性以促进超网络。我们的发现揭示了超网络的丰富性，并为预测和设计它们的涌现提供了一种建设性的方法。

图：电化学网络实验中的涌现超网络。（a ）实验装置；（b）具有非线性反馈的电化学实验示意图。蓝色、橙色、黄色和绿色的线条分别表示元素 1 到 4。四个（几乎）孤立电极的电极电位信号（Ek）被非线性调制，并以延迟 τ 反馈到相应的电路电位（Vk），从而驱动金属溶解。(延迟通过将过去的数据存储在计算机的存储器中来实现。）（c）实验中使用的环网拓扑表示法。（d）电极电位时间序列。（e）分别用套索对振荡器 1 至振荡器 4 进行超网络重构，过滤并拟合出（暗红线）的瞬时频率。（f）由超网络给出的相互作用的实验恢复。



2.代谢标度是生活史优化的产物


论文标题：Metabolic scaling is the product of life-history optimization
期刊来源：Science
论文链接：https://www.science.org/doi/10.1126/science.abm7649


生物利用能量来生长和繁殖，所以能量代谢与生物繁殖的过程应该是紧密结合的。在这一原则的基础上，该研究提出并验证了一个新的理论，该理论预测了生命的三个基本方面之间的关系，分别是代谢率、生长和繁殖。研究表明，这些过程的优化引发了后生动物的异速生长，特别是代谢标度（metabolic scaling）。新陈代谢、生长和繁殖具有不可分割的联系，它们共同决定适应度。此外，与长期以来的观念相反，没有一个单独的组成部分来驱动另一个组成部分。该研究所提出的模型预测，人为变化将导致动物演化使得新陈代谢标度指数下降、生长速度增加和终身繁殖量减少，这将对未来种群的壮大和发展带来令人担忧的后果。

图：生活史与新陈代谢的比例一致。预测和观察代谢水平和代谢比例指数对生长状态（A 到 D）和年繁殖量（E 到 H）的影响。A、B、E 和 F 中的虚线为该研究提出的模型所预测得到的方向性。C、D、G和 H 中的实线是由质量和温度等作为协变量的系统发育广义最小二乘模型估计得到的经验关系。



3.使用拓扑数据分析的精确动态映射

揭示静息态网络的类中心转变态


论文题目：Precision dynamical mapping using topological data analysis reveals a hub-like transition state at rest
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-32381-2


在缺乏外界刺激的情况下，神经活动不断地从一种构型演化到另一种构型。这些转变是否遵循某些基本安排，还是缺乏可预测的有序计划仍有待确定。在这里，我们使用来自高度采样个体的 fMRI 数据（每个个体约 5 小时的静止状态数据），旨在揭示支配静息状态下大脑活动转变的规则。作者基于拓扑数据分析的 Mapper 方法描述了一个高度访问的大脑转变状态，作为不同神经构型之间的切换，以组织自发的大脑活动。此外，虽然转变状态的特征是典型静息状态网络（resting-state network，RSNs）的统一表示，但景观的外围则由特定主题的静息状态网络组合主导。总之，作者揭示了利用精确动力学方法组织自发大脑活动的规则或原则。

图：使用我们的Mapper 方法估计和表征内在大脑活动的潜在动态结构转变。（A）Mapper 方法在每个集合上独立运行，以图的形式生成底层结构。每个图都由节点和边组成。如果节点共用时间帧（time frames, TRs），则节点之间连通。（B）Mapper 生成的图可以用几种方法来描述。这里通过使用节点度来注释图节点来检查拓扑性质。C. 该图还可以用元信息来标注中尺度结构。这里展示了使用个别特定静息状态网络（RSNs）激活的注释。基于饼图的注释用于显示每个节点属于不同静息状态网络的时间框架的比例。（D）同样，图也可以使用其他可用的元信息进行注释，例如会话信息。



4.用贝叶斯深度学习模型

推断北美洲开放生境的起源和演化



论文题目：The origin and evolution of open habitats in North America inferred by Bayesian deep learning models
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-32300-5


今天，一些最广泛的陆地生物群落是由疏生植被（open vegetation）组成的，包括温带草原和热带稀树草原。这些生物群落在地球历史上形成较晚，可能在新生代的后半段才取代森林栖息地。然而，它们诞生和扩张的时间仍然存在争议。本文提出了一个贝叶斯深度学习模型，利用来自化石证据、地质模型和古气候代理的信息来重建古植被，将北美疏生植被栖息地的出现确定在大约2300万年前。到第四纪冰期开始的时候，疏生栖息地覆盖了北美 30% 以上的地区，并以峰值速度扩张，最终成为今天最显著的自然植被类型。我们的数据驱动方法展示了深度学习如何利用来自复杂数据集的未探索信号，为地球生物群系在时间和空间上的演化提供见解。

图：生成特征的过程。工作流示例中显示了一个地点的当前植被信息（红色框），该点位于坐标 125,60（十进制） 并被标记为“郁闭”植被（closed vegetation）。对于选定的点，由其经度、纬度和年龄，我们提取了几个非生物特征，反映了气候、地理和时间变量（见框“非生物特征”）。



5.美国城市新冠检测

和接触者跟踪的有效性


论文题目：The effectiveness of COVID-19 testing and contact tracing in a US city
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2200652119


尽管通过检测、接触者追踪和隔离，可以减缓新冠疫情的传播，并允许放松社交距离措施，但全世界很少有国家成功地将这些努力扩大到抑制传播的水平。检测—追踪—隔离的有效性很可能取决于跟进的速度和程度以及社区中新冠病毒的流行程度。在此，我们使用新冠病毒传播的粒度模型，根据 2020 年 10 月 1 日至 2021 年 1 月 1 日期间在德克萨斯州奥斯汀的大学校园和周边社区收集的检测和接触者追踪数据，估计检测—追踪—隔离措施在一系列计划和流行病学情景下的公共卫生影响。

从有症状的病例采集标本到对追踪的接触者进行隔离的中位时间在校园内为2天，在社区为5天。假设再生数为1.2， 我们发现如果能检测到有症状病例中的 40%，然后进行隔离，预计可避免 39% 的新冠病例出现。假设在校园和社区分别有 2 天和 5 天的延时， 预计接触者追踪将使避免的病例增加至 53%。在加速追踪的情况下，75% 的接触者在采集标本后的第二天就被通知，可以避免的病例增加到 68%。利用快速检测和电子报告检测结果的加速接触者追踪计划，可以大大减少新冠的本地传播。

图：从 2020 年 11 月 8 日到 2021 年 5 月 31 日，在一系列病例检测和追踪接触者比例的情况下，假设再生数为（A）R0 = 0.95 和（B）R0 = 1.2，预期的 COVID-19 感染率。红条代表在没有检测的情况下，每 10 万人中 COVID-19 病例的预测数。左边和右边的条形图分别对应 40% 和 80% 的有症状的病例检测率，假设检测到的病例在症状出现 2 天后寻求检测，并在其传染期内的标本采集时进行隔离。蓝色和绿色阴影的范围是从没有接触者追踪（浅色）到 75% 的接触者在从索引病例采集标本后5天（蓝色）或2天（绿色）隔离（深色）。



6.疫情下社交隔离

对主观时间感知的影响


论文标题：The Blursday database as a resource to study subjective temporalities during COVID-19
期刊来源：Nature Human Behaviour
论文链接：https://www.nature.com/articles/s41562-022-01419-2


新冠肺炎大流行和相关隔离政策导致了全球范围内人类日常生活的变化。Blursday 数据库提供了 9 个国家的受访者数据，包括在新冠肺炎大流行期间对 14 份问卷和 15 项行为任务进行的主观时间和相关过程的重复测量。共有 2840 名参与者完成了至少一项任务，439 名参与者完成了第一阶段的所有任务。研究人员可以使用数据库和数据收集工具来研究社会隔离对受访者时间信息处理、时间视角、决策、睡眠、元认知、注意力、记忆、自我感知和正念的影响。Blurday 数据库包括定量统计数据，如睡眠模式、个性特征、心理幸福感和隔离指数，该数据库提供了关于隔离和主观限制（持续时间、时间流逝和时间距离）对时间感知的影响的量化分析。感知隔离会影响时间感知，该研究揭示了回顾性持续时间估计中的个体间集中趋势效应。

图：时间流逝和主观限制。（a）VAS 评分的分布（0 到 100）计数作为阶段函数的时间流逝判断依据。（b）作为主观限制函数的时间流逝评级（5 到 20）。灰点是单个数据点。黑点是由主观限制划分的平均时间流逝评级。它们的大小与单个数据点的基础数量成比例。参与者感到的孤独感越少，时间流逝的速度就越快。



7.损失厌恶、禀赋效应

和得失框架塑造对信息的偏好


论文题目：Loss aversion, the endowment effect, and gain-loss framing shape preferences for noninstrumental information
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2202700119


我们经常谈论与信息的互动，就像我们与物质商品的互动一样（例如，“消费内容”），并且描述我们对个人信仰的依恋，就像我们对个人财产的依恋一样（例如，“坚持”或“放弃”我们的信仰）。但是我们真的像对待物质实体那样对信息进行评估吗？货币和物质商品的价值已经被广泛研究，但令人惊讶的是，从这些文献中得到的见解很少被应用到信息价值的研究中。

本文论证了前景理论（Prospect Theory）所体现的货币和实物价值评估的两个基本特征：损失厌恶和对收益与损失的不同风险偏好——即使信息没有物质上的价值，也适用于信息。研究 1 通过表明当相同的结果被设定为信息的损失（而不是收益）时，人们不太可能选择赌博，从而建立了对非工具性信息的损失厌恶。研究 2 表明，人们表现出对非工具性信息的禀赋效应，因此会仅仅因为他们“拥有”信息而更重视信息。研究 3 提供了经典的“亚洲疾病”风险偏好损益模式的概念性重复实验，但是用事实而不是人的生命作为奖励，因此记录了非工具信息的损益框架效应。这些发现代表了在信息和对象之间建立理论类比的关键一步，并提供了一个有用的视角，解释为什么我们经常抵制改变（或失去）我们的信念。

图：在收益为信息的游戏被描述为收益或有收益有损失时，更多的人在只包含收益的游戏下继续游戏。



8.消息保真度取决于

社交网络影响的广度和深度


论文题目：Learning through the grapevine and the impact of the breadth and depth of social networks
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2205549119


该研究指出，当在线交流平台的成员有意或无意地歪曲信息时，如何在不引入审查或事实核查的情况下改善社会学习。信息的保真度取决于社交网络的深度（信息可以转发的次数）和广度（典型用户与其它多少人共享信息）。我们描述了真假消息的预期数量如何取决于网络的广度、深度以及噪声结构。信息的保真度可以通过限制深度来提高，如果不可能的话，可以限制广度，例如，通过限制某人可以转发的信息的人数。虽然限制减少了总体通信量，但它们增加了短距离接收的信息比例，减少了信息被更改的机会，从而增加了信噪比。

图：交流网络中某节点在不同的宽度（a）和深度（b）时，收到的大部分信息为真的概率，可以看到更大的深度和宽度下，节点收到的信息大部分为真的概率更高。



9.非平衡态粗粒化建模


论文题目：Coarse-grained modelling out of equilibrium
论文来源：Physics Reports
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0370157322001314


活性物质、响应性（“智能”）材料和时变负载下的材料，是偏离热平衡的系统。为了构建此类系统的粗粒化模型，需要对随时间演化的微观状态分布进行积分。这是一项具有挑战性的任务。作为这一主题的准备，本文首先回顾平衡态粗粒化方法，包括理论和数值计算，如投影算子形式化（projection operator formalism）、联合原子模拟（united atom simulation）、内存的数值重建以及马尔可夫状态建模（Markov State Modelling）。然后，本文回顾了非平衡态粗粒化问题的理论方法的最新进展，特别是时变投影算子形式化、动态密度泛函理论和幂泛函理论（power functional theory），以及构建显式时变内存核的数值格式。

图：作为典型粗粒化问题的布朗运动：溶剂颗粒（绿色小圆）的自由度积分得到溶质粒子（蓝色大圆）的有效运动方程。





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

  • Physical Review Letters

  • Physical 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