随着现实世界中大数据的迅猛增长，如何构建数据驱动的复杂系统建模与调控的数学理论和算法，已成为复杂系统研究中的核心挑战之一。关键问题在于如何高效利用海量或有限的观测数据，深入揭示系统内部机制及其动态运行规律，从而实现对系统演化行为的准确建模和精准调控。在此过程中，发展新型的机器学习算法和工具尤为重要，以应对复杂系统中常见的高维、非线性和不确定性等特性。这不仅有望推动复杂系统和人工智能交叉领域的理论与方法突破，进而提升相关技术在实际应用中的可行性和有效性，加速其在各行业中的落地实施。
「复杂系统自动建模」读书会第二季第二期将由国防科技大学博士研究生李鑫与复旦大学博士研究生张静东共同以“数据驱动的复杂系统自动建模与调控”为主题进行分享，李鑫博士将分享三种具有代表性的建模方法：储备池计算、神经常微分方程以及神经算子；张静东博士将介绍如何利用机器学习设计调控策略。读书会将于9月12日（本周四）20:00-22:00进行，欢迎感兴趣的朋友参与讨论交流！
Part 1 数据驱动的复杂系统自动建模
本次分享将讨论几种具有代表性的复杂系统自动建模方法，具体包括储备池计算、神经常微分方程以及神经算子。我们结合自己的工作分别讨论了这几种方法的适用范围和局限性，并给出一些可能的优化方案，从而提高复杂系统自动建模的精度和鲁棒性，为真实场景的自动建模任务提供有效的工具。
Part 2 基于机器学习的复杂系统调控
本次分享首先介绍随机动力系统的一般数学形式和一些具有生物背景的模型，以及复杂系统中调控策略的一般形式。针对其中几种具体形式，我们介绍利用机器学习设计调控策略的前沿进展，并进一步介绍其在相关领域中的应用前景。
Part 1 数据驱动的复杂系统自动建模
Part 2 基于机器学习的复杂系统调控
Part 1 数据驱动的复杂系统自动建模
储备池计算（Reservoir computing）
Part 2 基于机器学习的复杂系统调控
随机动力系统（Random dynamical systems）
性能保证（Performance guarantee）
李鑫，国防科技大学理学院系统科学专业博士研究生，主要研究方向为机器学习与复杂系统，复杂网络与大数据，主要包括复杂动力系统的自动建模、预测、变点检测、以及临界预测等。以第一作者在Nature Communications, ICML, Research, Chaos等国际期刊、会议上发表多篇文章。
张静东，复旦大学数学科学学院博士生，师从林伟教授，现访问阿伯丁大学，导师为Celso Grebogi教授。2020年在复旦大学获得数学学士学位。研究兴趣为复杂系统的重构和调控，包括随机系统的控制理论，基于机器学习的控制方法，数理知识嵌入式机器学习。以第一作者在NeurIPS，ICLR，ICML等国际会议和PRR,PRE等国际期刊上发表多篇文章。
个人主页：https://www.researchgate.net/profile/Jingdong-Zhang-10
Part 1 数据驱动的复杂系统自动建模
Tang Y, Kurths J, Lin W, et al. Introduction to focus issue: When machine learning meets complex systems: Networks, chaos, and nonlinear dynamics [J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2020, 30 (6).
Li X**, Zhu Q, Zhao C, et al. Higher-order Granger reservoir computing: simultaneously achieving scalable complex structures inference and accurate dynamics prediction[J]. Nature Communications, 2024, 15(1): 2506.
Chen R T, Rubanova Y, Bettencourt J, et al. Neural ordinary differential equations [J]. Advances in neural information processing systems, 2018, 31.
Li X**, Zhang J, Zhu Q, et al. From Fourier to Neural ODEs: Flow Matching for Modeling Complex Systems. ICML:2405.11542, 2024.
Lu L,Jin P, Pang G, et al. Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators [J]. Nature machine intelligence, 2021, 3 (3): 218–229.
Li Z, Kovachki N, Azizzadenesheli K, et al. Fourier neural operator for para metric partial differential equations [J]. arXiv preprint arXiv:2010.08895, 2020.
Zhang R, Meng Q, Ma Z M. Deciphering and integrating invariants for neural operator learning with various physical mechanisms[J]. National Science Review, 2024, 11(4): nwad336.
Cao Q, Goswami S, Karniadakis G E. Laplace neural operator for solving differential equations[J]. Nature Machine Intelligence, 2024: 1-10.
Kontolati K, Goswami S, Em Karniadakis G, et al. Learning nonlinear operators in latent spaces for real-time predictions of complex dynamics in physical systems[J]. Nature Communications, 2024, 15(1): 5101.
Part 2 基于机器学习的复杂系统调控
Chang, Y. C., Roohi, N., & Gao, S. (2019). Neural lyapunov control. Advances in neural information processing systems, 32.
Dawson, C., Gao, S., & Fan, C. (2023). Safe control with learned certificates: A survey of neural lyapunov, barrier, and contraction methods for robotics and control. IEEE Transactions on Robotics, 39(3), 1749-1767.
Böttcher, L., Antulov-Fantulin, N., & Asikis, T. (2022). AI Pontryagin or how artificial neural networks learn to control dynamical systems. Nature communications, 13(1), 333.
Clark, A. (2019, July). Control barrier functions for complete and incomplete information stochastic systems. In 2019 American Control Conference (ACC) (pp. 2928-2935). IEEE.
Zhang, J.**, Zhu, Q., & Lin, W. (2022). Neural stochastic control. Advances in neural information processing systems, 35, 9098-9110.
Zhang, J.**, Zhu, Q., Yang, W., & Lin, W. (2023). SYNC: Safety-aware neural control for stabilizing stochastic delay-differential equations. In The eleventh international conference on learning representations.
Zhang, J.**, Yang, L., Zhu, Q., & Lin, W. FESSNC: Fast Exponentially Stable and Safe Neural Controller. In Forty-first International Conference on Machine Learning.(ICML 2024)
Lechner, M., Žikelić, Đ., Chatterjee, K., & Henzinger, T. A. (2022, June). Stability verification in stochastic control systems via neural network supermartingales. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 36, No. 7, pp. 7326-7336).
Wang, L. Z., Su, R. Q., Huang, Z. G., Wang, X., Wang, W. X., Grebogi, C., & Lai, Y. C. (2016). A geometrical approach to control and controllability of nonlinear dynamical networks. Nature communications, 7(1), 11323.
时间：2024年9月12日（本周四） 20:00-22:00
斑图链接：https://pattern.swarma.org/study_group_issue/748?from=wechat
扫码参与「复杂系统自动建模」读书会第二季，加入群聊，获取系列读书会回看权限，加入复杂系统自动建模社区，与社区的一线科研工作者沟通交流，共同探索复杂系统自动建模这一前沿领域的发展。
“复杂世界，简单规则”。
集智俱乐部联合复旦大学智能复杂体系实验室青年研究员朱群喜、浙江大学百人计划研究员李樵风、清华大学电子工程系数据科学与智能实验室博士后研究员丁璟韬、美国东北大学物理系Albert-László Barabási指导的博士后高婷婷、北京大学博雅博士后曹文祺、复旦大学数学科学学院应用数学方向博士研究生赵伯林、北京师范大学系统科学学院博士研究生牟牧云，共同发起「复杂系统自动建模」读书会第二季。
读书会将于9月5日起每周四晚上20:00-22:00进行，探讨四个核心模块：数据驱动的复杂系统建模、复杂网络结构推断、具有可解释性的复杂系统推断（动力学+网络结构）、应用-超材料设计和城市系统，通过重点讨论75篇经典、前沿的重要文献，从黑盒（数据驱动）到白盒（可解释性），逐步捕捉系统的“本质”规律，帮助大家更好的认识、理解、预测、控制、设计复杂系统，为相关领域的研究和应用提供洞见。欢迎感兴趣的朋友报名参与！
复杂系统自动建模读书会：从数据驱动到可解释性，探索系统内在规律｜内附75篇领域必读文献
