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2021年3月15日-21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：
生物多样性与社团结构
利用卫星影象理解和促进可持续发展
使用深度学习分析速度信号可以量化湍流强度
59个国家中，从兴趣、乐趣及功效来预测成就
将人类行为与传染病联系起来
快速通货膨胀和通货紧缩揭示的生物基底膜弹性
潜在动力变量在大型生物系统中产生时空临界性的特征
期刊来源： PNAS
论文标题： Biodiversity and community structure 论文地址： https://www.pnas.org/content/118/11/e2101176118
在自然界中，我们可以找到大量竞争或合作的例子。A物种和B物种规模成正相关增长，即可视为合作，相反即为竞争。不过竞争和合作也有可能同时存在，例如一种植物改善了自身周围的土壤环境，同时也促进其他植物的生长。竞争与合作仅仅体现在统计数据上吗？近期PNAS 上的一项研究表明生物中的社团结构和生物多样性存在协同作用，可以预测的是，某些竞争与合作的相互作用的盛行会导致社团结构中更多的植物种类。 通过166组高山植物群落的数据，研究表明生物多样性和某些涉及竞争和促进的网络模块 （modules） 的普遍程度是相关的。此外，研究者们的工作促使人们注意到可以观察结构网络属性来了解生态群落的重要性。在后续还可继续完善理论模型，以严格论证这些模块的多样性增强效应，并检验其他群落是否会存在同样的结构模式。 上图表示研究中假设的六种植物群落的相互作用关系。某物种对其他物种施加竞争性（蓝色）或合作（红色）影响用向外的箭头表示，并反过来受到它们（向内的箭头）影响。
期刊来源： Science
原文标题： Using satellite imagery to understand and promote sustainable development 原文地址： https://science.sciencemag.org/content/371/6535/eabe8628
近些年，卫星影象数据与机器学习算法相结合的技术在经济研究、政策指定等领域大放异彩。近期来自美国斯坦福大学等研究机构的学者就对近期的相关文献做了梳理与回顾，并对这一新的研究方法与传统的研究方法进行了比较。 在传统的统计调查无法涉及的领域与地区，卫星影像数据提高了统计数据的质量，也有助于作出更好的估计和推断。研究者认为，在传统农业、非正式居住区等地方新型的研究方法具有很强的预测能力。影像数据的质量与计算机视觉技术的提高都讲进一步加强相关领域的发展，但因为机器学习方法缺乏可解释性，使得相关的研究成果难以出现在政府部门的决策报告中。 通过大量的卫星影像数据有助于我们去获取统计数据缺乏地区的经济情况
期刊来源： Science Advances
原文标题： Deep learning velocity signals allow quantifying turbulence intensity 原文地址： https://advances.sciencemag.org/content/7/12/eaba7281
当流体的流速很大时，流场中会产生许多小漩涡，流层被破坏，这时的流体做不规则运动，具有垂直于流管轴线方向的分速度，这种运动称为湍流，其强度可以由雷诺数 （Reynolds number，Re） 进行描述。当流体运动处于湍流状态时，其速度场会发生统计上十分显著的波动，这种不稳定性会影响统计方法的收敛速度，因此无法使用短时间的数据对其强度进行很好的量化描述。为解决该问题，3月17日发表在 Science Advances 的一篇文章使用深度神经网络对统计上平稳、均匀且各向同性的湍流 （statistically stationary, homogeneous and isotropic turbulence，HIT） 进行了分析。 在HIT中，粘度可以决定湍流强度，从而决定雷诺数。因此神经网络只需要实现对粘度的预测。该文章使用HIT拉格朗日速度数据集训练神经网络，该数据集由不同粘度下的壳模型 （Shell model） 产生。训练后的网络可以使用短时间的湍流信息预测粘度并估计该湍流对应的雷诺数，其误差不超过15%。而基于物理学的传统方法再在该数据下得到的结构误差至少较该方法大100倍。 期刊来源： PNAS
原文标题： Passion matters but not equally everywhere: Predicting achievement from interest, enjoyment, and efficacy in 59 societies 原文地址： https://www.pnas.org/content/118/11/e2016964118
在各领域中，识别潜在的成功者都是一项挑战。美国学界及大众均强调激情对于成功的重要性。基于西方独立动机的模型，有激情的人，亦即那些有强烈兴趣、展现出深层快乐及自信的人，往往被认为是未来的成功者。缺少激情的人则被认为潜力不足，并常因此在应聘时被淘汰。而对于寻觅人才的国际化学术机构及公司来说，他们能认为激情在不同的文化背景中对成功的预测具有同样作用吗？本文通过三个具有代表性的数据库 （共有来自59个国家的120万名学生的样本） 进行实证研究，给出了不同文化背景下激情对于成功影响的差异性。研究结果指出，激情在个人主义社会中相对于在集体主义社会中对成功有更好的预测（0.32 vs 0.21），并且能更多地解释成功的变化（37% vs 16%）。与此相对，在集体主义社会中，父母的支持对于成功的预测能力高于激情。该结果意味着在选拔人才过程中，激情不应该被过分强调，需要发展全面地衡量支持成功的多种因素及形式的指标。 学生对于学校的归属感在集体主义社会中比激情更能预测成功，而在个人主义社会中则与此相反
期刊来源： PNAS
论文标题： Linking human behaviors and infectious diseases 论文地址： https://www.pnas.org/content/118/11/e2101345118
人类行为会决定传染病的爆发轨迹，这也是为什么说大范围的行为干预（behavioral interventions） 是疫情管理的有效基础。行为干预作为预防新感染的非特异性 （nonspecific） 解决方案，其目标是全面减少人类相互接触和可能导致病原体传播的行为。尽管如此，关于人类行为和传染病之间的相互作用仍有许多未解之谜，恰恰是这些限制了对病毒针对性防控。 近期在 PNAS 中的一篇文章利用现有的数据来源，探索多种方法来评估感染宿主的行为变化以挖掘人类行为和传染病的作用关系。研究者们通过将手机通话细节记录 （call detail records） 和临床确诊的流感患者的身体健康记录数据联系起来，对比了他们发病前、后的行为和患病期间常规行为的偏差。 期刊来源： PNAS
论文标题： Nonlinear elasticity of biological basement membrane revealed by rapid inflation and deflation 论文地址： https://www.pnas.org/content/118/11/e2022422118
基底膜 （Basement membrane，BM） 是一层纤维基质的薄层，将细胞与连接组织分开，它起着物理屏障的作用，并广泛存在于多细胞生物中。BM通常由层粘连蛋白，IV型胶原蛋白，巢蛋白和蛋白聚糖组成。层粘连蛋白和胶原蛋白IV是构成形成BM结构的网络的主要成分，而巢蛋白和蛋白聚糖与层粘连蛋白和胶原蛋白IV网络相关。 作为一种物理屏障，BM的结构和机械特性在组织器官的组织和形态形成以及维持生命功能方面至关重要。 对于膨胀的球形膜结构，膜中的任何点都处于相等的双轴应力 （兼拉伸） 状态。研究人员将等双轴环向拉伸表示为λ，将应力表示为σ。简单的几何分析表明，双轴环向拉伸等于径向膨胀，即λ= r / R0 。在不同水平的膨胀压力p下，在松弛开始之前的膜的稳态状态 λmax= rmax / R0 中相应的最大拉伸被记录。 作者认为，与其他方法 （例如压痕测试） 相比，本项研究对于以往生物膜的膨胀-松弛研究有了巨大改进，可用于测量不同系统中、以及健康和疾病状态下完整BM的力学。同时，作者原位测量结果显示了BM具有显着非线性弹性，其起始应变低于应变的10％。BM的这种非线性硬化行为可能在诸如避免结构不稳定性等维持组织生长和变形过程中的机械完整性方面发挥重要作用。后续，研究人员将尝试加深 BM 在各种生理和病理过程 （例如肿瘤发展） 中作用的探讨。 7.潜在动力变量
在大型生物系统中产生时空临界性的特征
期刊来源：PRL
论文标题： Latent Dynamical Variables Produce Signatures of Spatiotemporal Criticality in Large Biological Systems 论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.126.118302
现代生物物理学中的一个关键问题是从由高通量实验实现的海量数据集中提取有用的知识。例如，现在可以记录数千个神经元的同一时刻下的状态或基因表达；或微生物群落中，物种的丰富度。但目前，科研人员依然难以推断并解释这么多变量的联合概率分布。解决该问题的一个有前途的解决方案是将重归一化组 （renormalization group，RG） 框架应用于统计物理学中的粗粒度系统，以在生物数据集中找到相关特征和大规模行为。 研究人员发现，当活动变量的数量很大时，很难用它们的联合概率分布进行工作，因而需要借助粗粒来开发可解释的数据模型。科研人员已经表明，在两种不同的粗粒度方案下，一种人口活动模型 （其中神经元（自旋）随机耦合到一些缓慢变化的潜在刺激或场（一定量不足以适应数据）） 展示了幂律尺度关系。这种关联和活动分布向非高斯固定点的流动的现象，已在小鼠海马区实验中得到证实。其他模型，例如随机连接速率网络 （randomly connected rate network） 或同步不规则状态下的Brunel 神经网络 （Brunel neural network） ，则无法重现这些结果。研究人员证明了缩放的出现需要多个与时间有关的潜伏过程，这解释了为什么先前的模 型不能复制这些小鼠海马区实验数据。 在动量空间粗粒度下保留了 k=N/16；k=N/32；k=N/64；k=N/128 模式，并显示了高斯分布（灰色虚线）以进行比较。
研究人员本次关注的粗粒度方法、尤其是动量空间分析，已被证明在区分关键模型和非关键模型方面效果显著。 更重要的是，在他们的模型类别中，几乎无标度的分布必然会在重新归一化的情况下出现：这不需要微调，并且比例关系对于较大的系统尺寸 （对于神经元数量级更高的结果） 变得更加稳健。这就提出了一个问题，即是否以及何时将多元生物系统中的表观规模看成是更为传统的临界的证据，这种临界是通过内部相互作用参数的微调而出现的。 虽然这篇文章中，作者专注于神经数据，但更重要的结果是，预测本函中讨论的表观比例关系——无论它们是否应被视为临界特征——都将从任何稀疏活跃的多元系统 （无论是生物系统、无生命的、社会的或人为的） 中，显示由数个潜在的动力学过程驱动。 集智新栏目Complexity Express 上线啦！
Complex World, Simple Rules. 复杂性科学 （Complexity Science） 是集智俱乐部多年以来的主题，我们长期追踪关于自然、生命、社会、认知等各类复杂系统的研究进展，并组织学术研讨。 同时由于学科交叉融合，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，汇总复杂系统的最新顶刊论文。 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。 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，可以从复杂性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： 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： 网络科学各个分支及交叉应用
图数据与图神经网络
计算机建模与仿真
统计物理与复杂系统理论
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
科学学
计算流行病学
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） 。 如果你对复杂性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。