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10月10日-10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. 超导量子计算机模拟基态和动态量子相变

2. 人工智能如何促进科学理解

3. 分解可预测性以识别复杂生态系统中的主要因果驱动因素

4. 扩散系数幂律和缺陷驱动的玻璃动力学在交换加速中的应用

5. 用 AlphaFold 和 Monte Carlo 树搜索预测大蛋白复合物的结构

6. 数字媒体如何通过党派划分推动情感两极分化

7. 大流行的起源和预防：基于 SARS-CoV-2 和其他 RNA 病毒的解决方案

8. 视皮层 V1 和 V4 区的自适应加工和知觉学习


1.超导量子计算机

模拟基态和动态量子相变


论文题目：Simulating groundstate and dynamical quantum phase transitions on a superconducting quantum computer
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-33737-4

量子临界性是凝聚态物质系统中发现的许多新的集体现象的基础。它们对经典和量子模拟提出了挑战，部分原因是关联长度发散及由此产生的很强的有限尺寸效应。直接在热力学极限下工作的张量网络技术可以解决其中的一些困难。这项研究优化了超导量子器件上的平移不变的顺序量子电路，以通过其量子临界点模拟量子 Ising 模型的基态。研究人员进一步证明了如何模拟该模型在跨越其量子临界点的淬火过程中发现的动态量子临界点。本方法通过使用受无限矩阵乘积状态启发的顺序量子电路，来避免有限尺寸缩放效应。同时提供高效的电路和各种错误缓解策略来实施、优化和随时间演变这些状态。

图：计算状态重叠。



2.人工智能如何促进科学理解


论文题目：On scientific understanding with artificial intelligence
论文来源：Nature Reviews Physics
论文链接：https://www.nature.com/articles/s42254-022-00518-3

如果有一个预言，能正确预测每个粒子物理实验结果，每个可能的化学反应产物，或每个蛋白质的功能，那将彻底改变科学和技术。然而，科学家们不会完全满意，因为他们想了解预言是如何做出这些预测的。这就是科学理解（scientific understanding），科学的主要目标之一。随着可用计算能力的增加和人工智能的进步，一个自然的问题出现了：先进的计算系统，特别是人工智能，如何能够促进新的科学理解或自主地获得科学理解？为了回答这个问题，我们采用了科学哲学中对“科学理解”的定义，这使我们能够概述关于这个主题的零散文献，并结合科学家的几十个轶事，绘制出计算机促进科学理解的三个维度。对于每一个维度，我们都回顾了现有的技术状况，并讨论了未来的发展。我们希望这个观点文章能够启发和关注这个多学科的新兴领域的研究方向。

图：计算机促进科学理解的三个方面。目前最先进的计算显微镜可以用更复杂的系统进一步发展，由于算法和硬件的进步，这些系统可以被模拟，并且有更先进的数据表示（左图）。作为灵感的资源，计算系统可以通过识别数据中的异常（a）和科学文献中的意外（b），以及通过检查模型找到出人意料的概念（c），探测人工智能体的行为（d）或者从可解释的解决方案中提取新的概念（e）来帮助人类科学家。其中右图为正文中讨论的科学理解测试说明。



3.分解可预测性以识别

复杂生态系统中的主要因果驱动因素


论文题目：Decomposing predictability to identify dominant causal drivers in complex ecosystems
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2204405119

生态系统是由各种物理、生物和化学过程组成的复杂系统。由于生态系统的动力学是由不同层次的随机性和非线性组成的，处理这些数据对现有的基于时间序列的因果推断方法是一个挑战。在此，我们表明，通过机器学习方法，Granger 因果性的概念可以有效地扩展到复杂生态系统的时间序列分析中，并弥补动力学和统计方法之间的差距。其中心思想是利用快速和高预测性的人工神经网络，选择一个最小的变量集，使给定的变量的预测最大化。它通过量化单个变量对整体预测性能的贡献，实现了对变量之间关系的分解。

本文展示了新提出的方法 EcohNet 如何改善中观实验和模拟生态系统中的交互网络推断。将该方法应用于一个湖泊监测的长期数据集，可得出导致蓝藻水华（cyanobacteria blooms）的驱动因素这一具有可解释性的结果，蓝藻水华是对生态完整性和生态系统服务的一个严重威胁。由于 EcohNet 的性能因其预测能力而得到加强，它还提供了对生态系统中整体成分的优化预测。EcohNet 可用于分析不限于生态系统的许多科学领域的复杂和混合多变量时间序列。

图：EcohNet 的图形解释。EcohNet 分四个步骤说明：（A）目标变量的选择，（B）预测变量的逐步选择，（C）对各变量预测能力的评估，（D）以及对各变量的独特预测能力进行评估。



4.扩散系数幂律和缺陷驱动的

玻璃动力学在交换加速中的应用


论文题目：Diffusion-Coefficient Power Laws and Defect-Driven Glassy Dynamics in Swap Acceleration
论文来源：Physical Review Letters
论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.168002

粒子交换（particle swaps）可以极大地加速玻璃中的动力学。这一机制对于从根本上理解玻璃动力学至关重要。为了提取决定性的特征，我们提出了一个部分交换模型， 通过随机选择系统中的一小部分粒子ϕs，称为交换启动粒子，这些粒子只能在局部互相交换或与普通粒子交换，常规粒子之间不能直接交换。我们把重点放在交换主导的区域。在研究的所有温度下，粒子扩散系数随着 ϕs 分数的变化而变化，并具有指数随温度变化的幂律，这与玻璃动力学的动态图相一致。小的 ϕs 交换启动粒子成为缺陷粒子，诱发了普通粒子呈现出的非常典型的玻璃动力学。该模型支持了玻璃的缺陷模型。

图：具有交换起始粒子分数ϕs=0.026 的系统（红色圆圈）的系统，只有这些粒子可以与普通粒子或彼此交换位置。普通粒子根据它们在 T=0.16 时的 0.015 的持续时间内的位移进行了颜色编码。



5.用AlphaFold和Monte Carlo树

搜索预测大蛋白复合物的结构


论文题目：Predicting the structure of large protein complexes using AlphaFold and Monte Carlo tree search
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-33729-4

AlphaFold 可以非常准确地预测单链和多链蛋白质的结构。然而，精度随着链的数量增加而降低，并且可用的 GPU 内存限制了可以预测的蛋白质复合体的大小。近期，研究人员表明可以从预测子组件开始预测大型复合体的结构。他们使用蒙特卡洛树搜索法从预测的子组件中组装了 175 个具有 10-30 条链的复合物中的 91 个，中位 TM 分数为 0.51。有 30 个高度精确的复合体（TM 分数 ≥0.8，占33% 的完整组件）。同时创建了一个评分函数 mpDockQ，它可以区分组装是否完整并预测其准确性。研究人员发现，含有对称性的复合体可以精确组装，而不对称复合体仍然具有挑战性。

为了分析组装大型蛋白质复合体的可能性，研究人员从 PDB 中提取了所有高分辨率非冗余复合物，其中超过 9 条链不含核酸或来自不同生物体的相互作用（总共 175 条）。他们首先分析组装这些蛋白质复合物的可能性，假设蛋白质链之间的精确相互作用对是已知的。使用 AFM 或 FoldDock，研究人员将所有独特的相互作用蛋白质链对的结构预测为子组件，并从中创建组装路径。

图：乙酰辅酶A硫解酶/HMG-辅酶A合酶复合体（复合体 6ESQ）的组装原理。



6.数字媒体如何通过

党派划分推动情感两极分化


论文题目：How digital media drive affective polarization through partisan sorting
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2207159119

近几十年来，政治进入了一个激烈的两极分化的时代。对这种现象的各种解释都涉及数字媒体，而所谓的回声室效应仍然是一个占主导地位的因果假说，尽管经验证据对这一假说的挑战越来越大。本文认为，越来越多的证据不仅提供了推翻回声室假说的理由，也为另一种因果机制提供了基础。为了提出这样的机制，本文借鉴了关于情感极化、数字媒体和舆论动力学的文献。从情感极化的文献中，我们看到极化从问题立场的分歧到植根于划分的转变：差异的一致性有效地将选民划分为两个日益同质的超级政党。

为了解释划分的兴起，本文借鉴了舆论动力学和数字媒体研究，提出了一个模型，该模型基本上颠覆了回声室的概念：推动两极分化的不是与对立观点的区隔，而恰恰是数字媒体让我们在地理空间或社交网络的局部回声室之外进行互动。当个人在局部进行互动时，结果是交叉冲突的稳定多元拼凑。通过鼓励非局部的互动，数字媒体促使冲突沿着党派的路线进行划分，从而消除了局部异质性的平衡作用。其结果是两极分化，即使个人互动导致了收敛。因此，该模型表明，数字媒体通过党派划分实现了两极分化，形成了一个漩涡，越来越多的身份、信仰和文化偏好被卷入一个全面的社会分裂中。

图：当同质性影响水平为（A）低（h = 1）、（B）中等（h = 4）和（C）高（h = 8） 时，极化水平（ψ）作为非局部相互作用水平（γ）的函数。 每个点代表单次运行的最终 ψ。 红线显示分布的 LOWESS（局部加权散点图平滑）曲线。如图所示，当 γ 超过某个阈值时，极化水平急剧增加。 这表明增加与局部网络之外的个人的互动次数可能会导致两极分化，即使考虑到微观层面的个人收敛。 当影响同质性介于高和低之间（ h = 4）时，系统表现出双稳态：对于较高的 γ 值，系统最终可能处于低极化或高极化状态，具体取决于初始条件和随机动力学。



7.大流行的起源和预防：

基于SARS-CoV-2和其他RNA病毒的

解决方案


论文题目：Pandemic origins and a One Health approach to preparedness and prevention: Solutions based on SARS-CoV-2 and other RNA viruses
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2202871119

COVID-19 是最新的人畜共患的 RNA 病毒传染病。了解它是如何开始和传播的将有助于确定如何降低未来事件的风险。我们回顾了自 1967 年以来的主要 RNA 病毒疫情，以确定共同的特征和预防未来再次爆发，包括了鸟类、蝙蝠和其他哺乳动物的祖先病毒起源；动物和中间宿主；以及人畜共患的溢出和社区传播的途径，导致地方、区域或国际爆发。关于新冠病毒（SARS-CoV-2）的起源，越来越多的科学证据与人畜共患的起源和通过野生动物养殖和野生动物贸易从野生动物到人的溢出途径最为一致。
我们运用我们对这些疾病爆发的了解来确定相关的、可行的和可实施的干预措施。我们确定了大流行病预防和准备的三个主要目标：第一，在野生动物—家畜—人类（One Health，同一卫生）的溢出界面进行智能监测和流行病学风险评估；第二，研究加强大流行病的准备，加快疫苗和治疗方法的开发；第三，减少溢出风险和传播的潜在驱动因素的战略，减少错误信息的影响。对于所有这三个方面来说，继续努力改善生物安全和生物安保，并将其与实施“同一卫生”的方法相结合是至关重要的。我们讨论了新的模式，以应对建立一个包容和有效的治理结构的挑战，并为跨学科合作研究提供必要的稳定资金。最后，我们提出了可行的行动建议，以弥补整个“同一卫生”连续体的知识差距，改善未来的准备和反应。

图：1997 年至今，RNA 病毒和猴痘病毒样本的出现和对人类的重复溢出的时间线。红色表示重复溢出（括号内为相关国家）。加粗字体标识了最近出现的三种流行性/大流行性 CoVs。EBLV-2，欧洲蝙蝠利萨病毒 2 型；HKU-1，HKU-1 冠状病毒；HTLV3，人类 T 淋巴细胞病毒 3 型；HTLV4，人类 T 淋巴细胞病毒 4 型；SFTS，严重发热伴血小板减少综合症病毒；CCHF，克里米亚-刚果出血热病毒。



8.视皮层V1和V4区的

自适应加工和知觉学习


论文题目：Adaptive processing and perceptual learning in visual cortical areas V1 and V4
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2213080119

视觉皮层区域的初级视觉皮层 V1 和 V4 的神经元是自适应处理器，受到知觉任务的影响。这反映在他们能够将视觉场景分割成与任务相关和与任务无关的刺激成分，并根据当前自上而下的指令将它们调整为与任务相关的刺激属性。在每个区域所代表的信息之间存在着差异。V1 代表详细的刺激特征，而 V4 过滤来自 V1 的输入，以携带两种选择判断任务所需的二进制信息。V1 的神经元在与行为相关的刺激物被放置在栅格映射的感受野之外的位置被激活。通过系统地跟踪任务相关信号在知觉学习过程中的发展，我们发现神经元对任务相关信息的选择性最初出现在 V4，经过几周后出现在 V1 中。一旦学到的信息在 V1 中得到表征，在任何给定的试验中，任务相关的信息最初出现在 V1 的反应中，随后在 V4 中出现 12 ms 的延迟。我们提出，所学信息的转移表征构成了记忆的系统巩固机制。

图：V1 的射频大小与任务有关的变化。（A）热图显示 V1 神经元的射频与光栅刺激的映射。（B）神经元对放置在 RF 中心的光栅的首选方向（70°）和与五线刺激相同方向（0°）的 PSTH 的反应。（C和D）神经元对五线刺激的 PSTHs，当动物执行游标/解剖任务时，刺激被置于光栅激活的区域内（C）或远处（D）。外面的刺激物位于光栅没有引起高于基线的反应的位置（如A所示）。C 和 D 的右图显示了游标（红色）和二分法（黑色）任务中的准星-方格位置调谐曲线。射频外的五条线显示了与射频内的五条线相似的调谐曲线和任务依赖性。虚线表示刺激开始的时间。






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