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19日-9月25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. 处于社会情境中的人工智能能够从人类互动中学习

2. 驱动无序系统方法应对变化环境中的生物进化

3. 受限细胞迁移中突起和极性动力学的几何适应

4. 人工神经网络中认知能力的多层次发展

5. 分子进化中不可预测的重复性

6. 微观社会结构与新冠政策是否有效的关系

7. 量化美国教师雇佣和留用的等级制度和动力学

8. 多体局域化使迭代量子优化成为可能



1.处于社会情境中的人工智能

能够从人类互动中学习

论文题目：Socially situated artificial intelligence enables learning from human interaction

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2115730119


无论人工智能有多少可用的数据，智能体将不可避免地在现实世界中遇到以前没有见过的情况。通过从其他人那里获得新的信息来对新情况做出反应——社会情境学习（socially situated learning）——是人类发展的核心能力。不幸的是，社会情境学习对 AI 主体来说仍然是一个公开的挑战，因为它们必须学会如何与人互动，以寻求它们所缺乏的信息。在这篇文章中，我们将社会情境中人工智能体的任务（通过与人的社会互动来寻找新信息的智能体）形式化为一个强化学习问题，其中智能体学会通过社会互动观察到的奖励来识别有意义和有信息的问题。我们的框架可被表现为一个交互式的智能体，它学习提出关于照片的自然语言问题，在一个大型照片分享社交网络上扩大其视觉智能。与主动学习方法不同的是，主动学习方法隐含地假设人类是愿意回答任何问题的，而我们的智能体会根据观察到的人们对哪些问题感兴趣或不感兴趣的事实来调整其行为。通过8个月的部署，我们的智能体与 236,000 名社交媒体用户进行了互动后，智能体在识别新的视觉信息方面的表现提高了 112%。一个受控的现场实验证实，该智能体比主动学习基线的表现要好 25.6%。这项工作推动了持续改进 AI 主体的机会，使其在开放的社会环境中更好地尊重规范。


图：一个社会情境下的人工智能框架，这是一个基于强化学习的框架，使智能体能够发现与人的有用的社会互动，从而发现新的信息。基于这个框架，该研究构建了一个原型，展示视觉智能任务下基于社会情境学习的可能性。



2.驱动无序系统方法

应对变化环境中的生物进化


论文题目：Driven Disordered Systems Approach to Biological Evolution in Changing Environments

论文来源：Physical Review X

论文链接：https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.031040


种群的生物进化受适应度景观的支配，适应度景观是从基因型到适应性的映射。然而，适应度景观取决于生物体的环境，而目前学界对于不断变化环境中的进化仍然知之甚少。近期，研究人员构建了一个特殊的细菌抗生素耐药性进化模型，其中抗生素浓度是一个环境参数，适应度景观包含了对低和高抗生素浓度的适应之间的权衡。由于进化动力学遵循从高到低不可逆梯度，系统在缓慢变化的抗生素浓度下的进化类似于外部驱动下的无序物理系统的非热动力学。利用这种相似性，研究人员表明，他们设计的模型可以被描述为一个具有相互作用的滞后元素的系统。与被驱动的无序系统的情况一样，在抗生素浓度循环下的适应性进化表现为滞后环和记忆的形成。研究人员推导出一些关于准静态浓度变化的分析结果。同时，他们还进行了数值模拟，研究在浓度以离散步骤变化的驱动协议下，这些效应是如何被改变的。这项方法为研究变化环境中的生物系统的进化动力学动机提供了一个一般框架。


图：实现适应度景观模型的过渡图（左）和它的类似物（右）。



3.受限细胞迁移中

突起和极性动力学的几何适应


论文题目：Geometry Adaptation of Protrusion and Polarity Dynamics in Confined Cell Migration

论文来源：Physical Review X

论文链接：https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.031041


细胞在封闭的生理环境中的迁移依赖于几个细胞成分的协同动力学，包括突起、与环境的粘附以及细胞核。然而，人们对这些成分的动态相互作用和细胞的极性如何决定细胞尺度上出现的迁移行为仍然知之甚少。近期，研究人员将数据驱动的推理与自下而上的力学方法相结合，建立了一个封闭式细胞迁移中的突起和极性动力学模型，揭示了细胞动力学如何适应封闭的几何形状。


具体来说，他们利用细胞在封闭性微图案上的联合突起-细胞核迁移轨迹的实验数据，系统地确定了一个连接细胞极性、突起和细胞核的随机动态的机械模型。这个模型表明，细胞动力学通过极性动力学从消极的到积极的自我强化反馈回路的转换来适应限制性约束。该模型进一步揭示了这一反馈回路如何导致突起-细胞核动态的刻板循环，从而驱动细胞通过约束的迁移。这些循环在细胞骨架成分的扰动下被破坏，表明正反馈是由细胞迁移机制控制的。因此，本项数据驱动的理论方法确定了极性反馈适应是局限性细胞迁移的一个关键机制。


图：从封闭的迁移实验中提取突起-细胞核的动态变化。



4.人工神经网络中

认知能力的多层次发展


论文题目：Multilevel development of cognitive abilities in an artificial neural network

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2201304119


人们已经提出了几种神经元机制，用以解释人类出生后与物理和社会文化环境的相互作用而形成认知能力。在这里，研究人员介绍了信息处理和认知能力习得的三级计算模型。作者提出了构建这些级别的最低架构要求，以及参数如何影响它们的性能和关系。在视觉分类任务期间，第一个感觉运动级别处理局部无意识处理。第二级或认知级通过远程连接将来自多个局部处理器的信息进行全局整合，并以一种全局但仍然是无意识的方式进行合成。第三级是认知最高的层次，有意识地处理全局信息。它基于全局神经元工作空间（GNW）理论，被称为意识层面。我们使用跟踪和延迟条件任务分别挑战第二和第三级。结果首先强调了通过在局部和全局范围内选择和稳定突触来实现表观生成的必要性，以使网络能够解决前两个任务。在全局范围内，尽管感知和奖励之间存在时间延迟，但多巴胺似乎是正确提供反馈分配的必要条件。在第三级，中间神经元的存在对于在没有感觉输入的情况下维持 GNW 内的自我维持表征是必要的。最后，虽然平衡的自发内在活动促进了局部和全局范围内的表观发生，但平衡的兴奋/抑制比率提高了性能。本文从神经发育和人工智能两个方面讨论模型的合理性。


图：完整的网络架构包括感觉运动、认知、意识和元认知层次。这是整个网络及其组成部分的示意图。箭头的颜色描述了不同类型的连接：浅蓝色表示远程兴奋；红色表示抑制（STDP）；绿色表示兴奋性（STDP）;黄色表示细胞外多巴胺调节（影响多巴胺调节的STDP）。此版本的模型用于在意识级别上执行跟踪条件反射任务。



5.分子进化中不可预测的重复性


论文题目：Unpredictable repeatability in molecular evolution

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2209373119


基因型水平上的平行进化程度与突变的有益适应性效应（DBFE）的分布有定量的联系。基于轻尾分布（即具有有限矩的分布）的标准观点是，重复种群中平行进化的概率与可用突变的数量成反比，此外，当可用突变的数量很大时，DBFE 足以决定该概率。本文表明，当 DBFE 是重尾的时候，正如在最近的几个实验中发现的那样，这些预期被打破了。平行进化的概率在突变数中异常缓慢地衰减，甚至与突变数无关，这意味着进化的可重复性更高。同时，平行进化的概率是非自我平均的，也就是说，即使涉及大量的突变，它也不会收敛到其平均值。这种行为的产生是因为进化过程只被少数高权重的突变所支配。因此，概率在具有相同 DBFE 的系统中变化很大。与标准观点相反，DBFE 不再足以决定平行进化的程度，使其更难预测。我们从理论上并通过对抗生素耐药性进化的经验数据的分析来说明这些观点。


图：（A）黑色曲线是 α=1.4 时 P2 的数值采样分布，Inset 显示了 α=0.5 时的相同分布；我们使用了 106 个实现和 n=104 个突变。红色虚线是选择系数的指数分布和 n=104 的 P2 的分布。（B）分析了参考文献中报告的基于突变体筛选的研究的数据。该研究确定了 TEM-1β- 内酰胺酶中几个耐药性干扰突变的选择系数。在这里，我们从参考文献中报告的选择系数中用数字估计 P2 的分布。每个头孢他啶浓度的数据集被随机分成大小为 n 的子集，以获得 P2 作为 n 的函数的分布。箱形图显示中位数、四分位数和极值。（C）从每个浓度的整个数据集中获得 Pk。（D）计算出有效突变数 ne=1/P2，并与每个浓度的现有数据集中的实际突变数进行了比较。



6.微观社会结构

与新冠政策是否有效的关系


论文题目：Micro-level social structures and the success of COVID-19 national policies

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s43588-022-00314-0#Fig1


应对新冠疫情的类似政策导致了不同的成功率。尽管许多因素造成了政策成功率的差异，但研究表明，人与人之间互动的微观结构——由平均家庭规模和个人社会接触率来衡量——可以成为一个重要的解释因素。为了创建一个可解释的模型，研究人员提出了一种网络转换算法，根据这些微观层面的参数创建一个简单且计算效率高的比例网络，同时将国家层面的政策数据纳入网络动态，用于 SEIR 模拟。该模型在疫情的早期阶段得到了验证，证明它可以重现在一些社会文化因素方面足够相似的各个欧洲国家的感染病例的动态顺序排名和趋势。研究人员还进行了几个反事实分析，以说明基于政策的情景分析是如何通过这些可解释的模型快速和容易地进行的。



图：验证集中，真实和模拟阳性病例数的比较



7.量化美国教师雇佣和留用的

等级制度和动力学


论文题目：Quantifying hierarchy and dynamics in US faculty hiring and retention

论文来源：Nature

论文链接：https://www.nature.com/articles/s41586-022-05222-x#Fig6


教师的聘用和留用决定了美国学术队伍的构成，并直接影响到教育成果、职业、思想的发展和传播以及研究重点。然而，聘用和留用教师是动态的，数据反映了社会和学术的优先事项、世代更替以及按照性别、种族和社会经济路线使教授队伍多样化的努力。对美国教授队伍的结构和动态的全面研究将阐明这些努力的效果以及更广泛地塑造学术的过程。


近期，研究人员分析了2011-2020年十年间美国所有拥有博士学位授予权的大学的学术就业和博士生教育情况，量化了教师生产、声望、留用和性别方面的严重不平等现象。分析显示了普遍的不平等现象，即少数大学提供了各领域的大部分教师，这一点因自然减员模式而加剧，并反映了陡峭的声望等级。研究发现，在美国以外受训或受雇于其博士大学的教师的自然减员率明显较高。研究结果表明，在这十年中，女性代表的增加是由人口流动和早期招聘的变化造成的，不太可能导致大多数领域的长期性别平等。这些分析量化了美国教师聘用和留用的动态，并将支持改善美国学术队伍的组织、构成和学术研究的努力。


图：性别相关的教师聘用情况



8.多体局域化

使迭代量子优化成为可能


论文题目：Many-body localization enables iterative quantum optimization

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-33179-y


许多离散优化问题的难度是指数级的，由于潜在的玻璃景观。这意味着优化代价表现出多个局部极小值，由大量开关离散变量分隔开。人们发明了量子计算来克服这一困境，但迄今为止只取得了有限的进展。本文提出了一种量子近似优化算法，基于多体局域化（many-body localization, MBL）相变在三重临界点（tricritical point）附近的重复循环。每个循环都包括玻璃态通过一级相变的量子熔化，然后通过二级多体局域化相变再进入（玻璃态）。保持再进入路径足够接近分离一级和二级相变的三重临界点，可以系统地改进优化结果。该算法的运行时间随系统尺寸和所需精度呈代数比例增加。对应的指数与连续多体局域化相变的临界指标有关。


图：一个特定参考状态下哈密顿量的相图。红色虚线表示玻璃态和多体局域化顺磁态之间的一级相变；完整红线表示多体局域化和非局域化顺磁态之间的二级相变。两条线在三重临界点处相交。带箭头的蓝线表示一个优化循环。蓝色虚线是亚临界斜率，它很可能使系统回到初始参考状态。





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