自适应生产网络中的整体波动 | 复杂性科学顶刊精选7篇

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9月12日-9月18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. 自适应生产网络中的整体波动

2. 分层反馈控制改进合成生物分子网络中的性能权衡

3. 控制细胞状态的转换

4. 弱关系强度的因果检验

5. 基于广义模板的图神经网络用于精确有机反应性预测

6. 相干性作为 Shor 算法的资源

7. 美国新冠病例和死亡人数遵循具有无穷大方差的重尾分布泰勒定律

1.自适应生产网络中的整体波动

论文题目：Aggregate fluctuations in adaptive production networks

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2203730119

为了缓解全球疫情等事件对经济发展的不利影响，各国政府推出了一系列政策，通过减少对外国供应商的依赖来提高供应链韧性。在本篇论文中，研究者开发并量化了一个自适应生产网络模型，以研究网络的韧性和供应链回流的后果。在该模型中，企业由于外生冲击或冲击传播影响而退出，而企业可以在转换成本和搜索摩擦的作用下取代由于退出而失去的供应商。研究将模型应用于一个大型国际企业级的生产网络数据集，结果表明：回流政策会限制买方与供应商的联系，造成产出量下降、波动性增加等情况，而且波动性将通过网络适应性放大。

图：该研究中马尔可夫链在时间演化过程中发生的不同事件：（A）进入，（B）由于冲击而退出，（C）冲击传播，（D）退出后供应商的替换。实心圆圈表示尚未退出的公司，空心圆圈表示已经退出的公司。

2.分层反馈控制

改进合成生物分子网络中的性能权衡

论文题目：Layered feedback control overcomes performance trade-off in synthetic biomolecular networks

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-33058-6

分层反馈是工程中广泛使用的、反馈控制设计中的一种优化策略。控制论表明，分层多个反馈可以克服鲁棒性—速度性能权衡限制。在自然生物网络中，基因通常被分层调节以适应环境扰动。假设分层架构还可以克服遗传网络中的鲁棒性—速度性能权衡。近期，研究人员利用活大肠杆菌细胞中的合成生物分子网络验证了这一假设。他们从系统动力学分析开始，使用各种复杂的模型来指导活细胞中分层控制架构的设计。在实验上，研究人员分析了三组扰动下的系统动力学。他们均观察到分层控制提高了鲁棒性—速度性能。这项工作证实了可以在合成生物分子网络中采用分层控制来优化性能。同时也为理解自然界中的遗传反馈控制架构提供了见解。

图：三种物种的生产率都受到阶跃扰动时的输出峰值扰动。

3.对细胞状态转换的控制

论文题目：Control of cell state transitions

论文来源：Nature

论文链接：https://www.nature.com/articles/s41586-022-05194-y

了解细胞状态转换并有目的地控制它们是生物学中的一项长期挑战。近期，研究人员提出了细胞状态转换评估和调控（cSTAR），这是一种映射细胞状态、建模它们之间的转换并预测有针对性的干预措施以转换细胞命运决定的方法。cSTAR 使用组学数据作为输入，对细胞状态进行分类，并开发将输入数据转换为识别核心信号网络的机械模型的工作流程，该网络通过影响全细胞网络来控制细胞命运转变。通过整合信号和表型数据，cSTAR 模拟了细胞如何决定分化方向并决定采用哪种细胞命运。值得注意的是，cSTAR 设计了干预措施来控制分化方向。在分化和增殖的细胞模型中，cSTAR 显示了定量预测和实验数据之间的高度相关性。研究人员将 cSTAR 应用于不同类型的扰动和组学数据集，包括单细胞数据，展示了其灵活性和可扩展性，并提供了新的生物学见解。cSTAR 识别相互转换细胞命运的靶向扰动的能力将使设计人员能够采用方法来操纵细胞发育途径和机械地支持治疗干预。

图：cSTAR 和实验系统概述。（a）cSTAR 方法工作流程。从左上角顺时针方向：（1）组学数据集的获取；（2）通过聚类和 SVM 状态分离进行细胞状态分类；（3）STV 表示细胞状态数据点云的质心之间的路径；（4）BMRA 重构了高层 STV 组件的核心信令网络，DPD 总结了小区网络；（5）核心网络和单元状态转换的机制模型。x，信号模块的输出；S、DPD 模块输出；U，潜在的细胞状态转换解释为沃丁顿景观中的细胞机动。（b）稳定表达 TrkA 或 TrkB 受体的 SH-SY5Y 细胞用 100 ng ml-1 NGF 或 BDNF 刺激，导致分化或增殖，刺激后 72 h 评估。

4.弱关系强度的因果检验

论文题目：A causal test of the strength of weak ties

论文来源：Science

论文链接：https://www.science.org/doi/10.1126/science.abl4476

作者分析了 LinkedIn 的 “People You May Know（你可能认识的人）” 算法的多个大规模随机实验数据，该算法推荐与 LinkedIn 成员的新联系，以测试弱关系在多大程度上增加了世界上最大的专业社交网络中的工作流动性。这些实验在 5 年内随机改变了超过 2000 万人网络中弱关系的流行程度，在此期间创造了 20 亿个新关系和 60 万个新工作岗位。结果提供了支持弱关系强度的实验因果证据，并提出了对该理论的三个修订。首先，弱关系的强度是非线性的。统计分析发现，关系强度和工作传递之间存在倒 U 型关系，因此较弱的关系会增加工作传递，但只是到一定程度，之后关系弱化的边际回报会递减。其次，以互动强度和相互联系数量衡量的弱联系表现出不同的影响。中等弱关系（通过相互联系衡量）和最弱关系（通过互动强度衡量）创造了最大的工作流动性。第三，弱关系的强度因行业而异。弱联系增加了数字化程度更高的行业的工作流动性，而强联系增加了数字化程度较低的行业的工作流动性。

图：实验设计和汇总统计。（A）描述了实验设计和结果数据在节点和边级分析中的表示；（B）显示了 2015 年和 2019 年实验中按大陆和实验变体的实验单位数量（2015 年 98.8% 的数据来自美国）；（C）显示了2019年实验中按美国州的平均学位、网络多样性和实验单位数量。

5.基于广义模板的图神经网络

用于精确有机反应性预测

论文题目：A generalized-template-based graph neural network for accurate organic reactivity prediction

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-022-00526-z

对化学反应性的可靠预测仍然属于有知识的合成化学家的领域。通过使用人工智能使这一过程自动化可以加速未来数字实验室的合成设计。虽然一些机器学习方法已经展示了一些有前景的结果，但目前大多数模型都偏离了化学家基于电子变化分析和预测反应的方式。本文提出了一个以化学为动机的图神经网络，称为 LocalTransform，它基于广义的反应模板学习有机反应性，以描述反应物和产物之间的电子构型的净变化。所提出的概念极大地减少了反应规则的数量，并表现出最先进的产品预测精度。除了广义反应模板的内在可解释性外，该模型的高分值—准确率相关性使用户可以评估机器预测的不确定性。

图：GRT 的提取过程和示例。（a）GRT 提取的整体过程。首先通过比较反应前后每个原子的电子构型变化来确定反应中心。接下来通过关注反应中心的原子并为它们分配新的数字来导出局部反应模板。然后，通过删除原子类型信息并将它们描述为四个动作的组合以及反应中心氢/电荷变化的附加信息来概括局部反应模板，完成 GRT 的推导。因此，每个 GRT 可以由一组动作和一组原子更改表示，在图中用 ⊕ 表示。这里显示的例子是一个取代反应，其中酰基上的氯被伯胺取代，反应后形成仲酰胺。从伯胺到亲电碳（从 A₁ 到 A₂）标记了 ATTACK 作用。从被攻击的碳到离开的氯化物（从 A₂ 到 A₃）标记了一个 BREAK 动作。（b）羰基还原反应，其中酮基转化为仲醇基。CHANGE 作用在酮的碳原子和氧原子之间（A₁ 和 A₂ 之间）双向标记。（c）A₁ 原子负电荷引发的还原反应。BREAK 动作标记为从剩余碳到离开碳（从 A₂ 到 A₃），REMOTE 动作从原子 A₁ 标记，其中负电荷在反应后转移到其相邻原子（由虚拟标记 -1 标记在动作中，A₁ 的电荷变化为 +1)。为了更清楚地描述，示例中去除了反应中的试剂，并且反应中心以红色突出显示。

6.相干性作为Shor算法的资源

论文题目：Coherence as a Resource for Shor’s Algorithm

论文来源：Physical Review Letters

论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.120501

Shor 的大数分解算法提供了超过所有已知的经典算法的超多项式加速。这里，我们解决的问题是，哪些量子性质推动了这一优势。我们研究了具有固定整体结构的 Shor算法的序列变体，并定量地确定了相干性在该算法中的作用。我们在动态资源理论（dynamical resource theory）的框架内分析了该方案，这一理论抓住了可以创建和检测相干性的操作的资源特征。这使得我们能够推导出方案成功率的下限和上限，这依赖于严格定义的作为动态资源的相干性度量。我们将这些界限与方案的经典极限进行了比较，并得出结论，在我们考虑的固定结构中，相干性是通过从下至上限制成功率来决定其性能的量子资源。因此，我们揭示了相干性在量子计算中的基本作用。

图：（a）阶查找算法的序列变体，表示依赖于先前测量结果和的相位门。（b）具有超信道的阶查找算法的单个修改块，以最优地利用协议中的资源。

7.美国新冠病例和死亡人数遵循

具有无穷大方差的重尾分布泰勒定律

论文题目：COVID-19 cases and deaths in the United States follow Taylor’s law for heavy-tailed distributions with infinite variance

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2209234119

美国严重急性呼吸综合征冠状病毒 2 型（SARS-CoV-2）和 COVID-19 死亡病例的时空模式尚不清楚。该研究展示了按县、州和日期累计报告确诊病例和死亡的变化趋势，数据证实服从泰勒定律（Taylor’s Law）。具体来说，从 2020 年 4 月到 2021 年 6 月，每个月的第一天，每个州的确诊病例方差几乎与病例均值的平方成正比，且 COVID-19 死亡病例表现类似。所有县的病例和死亡人数中，较低的 99% 近似于对数正态分布。出乎意料的是，最大的 1% 计数近似于帕累托分布，其尾部指数意味着一个有限的平均数和一个无限的方差。研究者用模型和数学来解释为什么整个分布中的计数符合指数为2的泰勒定律。无限方差的发现具有实际意义：地方管辖区（县、州和国家）在计划预防和照顾大部分未接种疫苗的人群时，应预见到无限方差分布中出现的罕见但极高的确诊病例和死亡数。各辖区应保持与周围辖区的密切合作，因为极高的确诊病例和死亡人数很可能超出任何地方辖区的现有资源能力范围。

图：能用泰勒定律很好地描述美国各州的 COVID-19 累积病例（上）和死亡病例（下）。在对数坐标上的每个蓝色×标记表示一个州内各县的病例数的平均数和方差。黄色直线为拟合估计的泰勒定律趋势。

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