导语


传统复杂系统的研究范式是寻求基本原理的理论模型，然而在很多复杂问题中无法建立有效的理论体系。基于各类真实复杂系统收集的大规模数据，我们有望借助AI在理论难以触及的领域发展出新的知识获取和知识表达方法。本次分享以复杂系统的长时演化与韧性预测为例，探讨以数据为中心、AI驱动的新方法如何显著提升预测精度以及应用于真实世界的复杂系统。

「复杂系统自动建模」读书会第二季第五期将由清华大学电子工程系博士研究生刘畅与清华大学深圳国际研究生院研究生李瑞堃共同以“数据驱动的复杂系统预测：长时演化与韧性”为主题进行分享，李瑞堃将分享两类代表性复杂系统的长时演化预测方法：多时间尺度动力系统和网络动力学系统；刘畅将介绍如何利用机器学习方法准确预测真实复杂系统（菌群生态系统、供应链网络）的韧性。读书会将于10月10日（本周四）20:00-22:00进行，欢迎感兴趣的朋友参与讨论交流！




分享内容简介




Part 1 基于机器学习的复杂系统长时预测
本次分享将介绍复杂系统长时预测的一般数学形式和基本思想。我们将分别对多时间尺度动力系统和网络动力学系统这两种具体形式展开讨论，给出现有的可行方案和潜在的研究方向，从而提高复杂系统长时预测的精度和鲁棒性，为真实场景的预测和决策任务提供有效的工具。

Part 2 数据驱动的复杂系统韧性预测
本次分享将讨论复杂系统韧性预测的一般形式和基于数据驱动方法的思想，具体包括系统拓扑结构建模和系统动力学建模等。我们将介绍利用机器学习方法进行复杂系统韧性预测的进展，从而解决真实复杂系统中动力学未知且系统拓扑结构无法完全符合理论方法假设的问题，为真实复杂系统的韧性预测任务提供有力的工具。





分享内容大纲




Part 1 基于机器学习的复杂系统长时预测
背景介绍：复杂系统的长时预测
相关方法：系统不变量表征、复杂网络重整化群
总结展望：现有方法的局限性与未来研究方向

Part 2 数据驱动的复杂系统韧性预测
背景介绍：复杂系统的韧性及理论预测方法
相关方法：基于数据驱动的复杂系统韧性预测方法
总结展望：现有方法的局限性与未来研究方向





主要涉及到的知识概念




Part 1 基于机器学习的复杂系统长时预测
不变量/慢变量（Invariant/Slow Variable）
神经常微分方程（Neural ODE）
重整化群（Renormalization Group）

Part 2 数据驱动的复杂系统韧性预测
网络韧性（Network Resilience）
图神经网络 （Graph Neural Networks）
生成扩散模型（Diffusion Models）





讲者介绍




李瑞堃，清华大学深圳国际研究生院23级硕士生，师从廖庆敏教授，现于清华大学电子系数据科学与智能实验室访问实习。2023年在华中科技大学获得工学学士学位。研究领域集中在AI for Complex System，研究兴趣为数据挖掘和复杂系统建模，包括数据驱动的系统建模和大规模网络降维。以第一作者在国际知识发现与数据挖掘大会SIGKDD 2023、2024上发表多篇文章。

刘畅，清华大学电子工程系23级博士研究生，师从李勇教授。2023年在清华大学获得工学学士学位。研究领域集中在AI for Complex System，研究兴趣为数据挖掘和复杂系统建模，包括数据驱动的系统建模，复杂系统韧性，物理启发的机器学习方法等。以第一作者在SIGKDD2022、2024上发表多篇文章。





参考文献




Part 1 基于机器学习的复杂系统长时预测

Li, Ruikun, Huandong Wang, and Yong Li. “Learning slow and fast system dynamics via automatic separation of time scales.” Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2023.

Kostic, Vladimir R., et al. “Learning invariant representations of time-homogeneous stochastic dynamical systems.” ICLR 2024. 2024.

García-Pérez, Guillermo, Marián Boguñá, and M. Ángeles Serrano. “Multiscale unfolding of real networks by geometric renormalization.” Nature Physics 14.6 (2018): 583-589.

Li, Ruikun, et al. “Predicting Long-term Dynamics of Complex Networks via Identifying Skeleton in Hyperbolic Space.” Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024.

Part 2 数据驱动的复杂系统韧性预测

Liu, Chang, et al. “TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics.” Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024.

Gao, Jianxi, Baruch Barzel, and Albert-László Barabási. “Universal resilience patterns in complex networks.” Nature 530.7590 (2016): 307-312.

Liu, Gang, et al. “Data-centric learning from unlabeled graphs with diffusion model.” Advances in neural information processing systems 36 (2024).




参与方式




直播信息
时间：2024年10月10日（本周四） 20:00-22:00
报名参与读书会：
斑图链接：https://pattern.swarma.org/study_group_issue/769?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。


复杂系统自动建模读书会第二季


“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！



详情请见：

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



点击“阅读原文”，报名读书会