面向世界科技前沿面向经济主战场面向国家重大需求面向人民生命健康

严钢教授团队在《自然·计算科学》发表复杂系统自主推理新成果

2022-03-24

【字号：大中小】

2022年3月24日，《自然·计算科学》（Nature Computational Science）在线发表了题为“Autonomous inference of complex network dynamics from incomplete and noisy data”的研究论文，该研究由意昂4、上海自主智能无人系统科学中心严钢教授团队完成🧑🏿‍⚖️。在该研究中，作者提出了数据驱动的复杂系统自主推理新框架🏌🏿‍♂️，实现了结构信息不完整和强噪声场景下的鲁棒推理💁🏻🤷🏻‍♂️，为自动化、智能化地发现真实复杂系统的底层原理提供了重要基础和算法支撑。

复杂系统是由大量节点相互作用所形成的非平凡系统，例如无人集群系统、物联网、神经元网络🍹、社会信息网络等💪🏼。随着数字化和微观实验技术的不断发展🐌，很多学科领域都积累了关于实际复杂系统的大量观测数据，主要包括网络结构和节点活动序列🍍✒️。从这些观测数据中发现底层原理是科学研究常常需要经历的过程。站在智能化蓬勃兴起的当今，能否利用人工智能辅助的方式加速这种科学发现的过程，比如从数据中自动化地推理出决定复杂系统行为的动态方程🧺✊🏿，是学界和业界都普遍关心的问题🫂。

以往的研究着重于单节点或少量节点动态方程的推理，对于包含大量节点的复杂网络系统而言这个问题面临更多挑战。例如⚖️，不仅节点活动数据含有噪声而且网络结构数据可能不准确🤟🏽，节点的自身动力学可能具有异质性，系统宏观行为可能会掩盖节点之间动态耦合的微观机制。为了克服这些挑战🏂🏽，在该研究中作者融合全局和局部两个视角👷🏽🟡，提出了新的复杂系统自主推理框架（图1）🔈，该算法能够高效、准确地从观测数据中推理出隐藏的网络动力学方程，为自动化地发现复杂系统的底层原理提供了有效的新途径🍢。

该算法框架具有很强的鲁棒性，能够对抗观测数据中的缺失边、伪连边✷、观测噪声、关联噪声🐹、内禀随机性等不确定性⛵️🌷，在宏观行为同步较强时仍然能够实现推理。与以往针对单个体或少量个体的智能推理方法相比🤕，该研究提出的方法能够在更复杂、非正交项空间中进行搜索，而且在针对数据不确定性的5个模型系统测试中均表现更优。该框架也被应用于推理全球性传染病的传播动力学（图2），算法基于H1N1传播数据，发现了用于描述早期传播过程的简洁的常微分方程，该方程同时能够刻画SARS和COVID-19的早期传播行为，验证了方法的有效性和普适性🧑🏻‍🤝‍🧑🏻。