量子理论不能违背因果不等式 | 复杂性科学顶刊精选5篇

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8月16日-8月22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、量子理论不能违背因果不等式

2、神经网络主体中的注意图式理论: 用注意的描述模型来控制视空间注意

3、一个统一的基于自催化网络的细菌生长规律框架

4、根据等待时间分布估算熵产生

5、先天失明者和视力正常个体对颜色有着共同理解

1. 量子理论不能违背因果不等式

期刊来源：Physical Review Letters

论文标题：

Quantum theory cannot violate a causal inequality  [2021-08-17]

论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.110402

在量子理论中，我们可以创造具有不同因果顺序的事件的叠加，并观察它们之间的量子干涉。这就提出了一个问题：量子理论是否能够产生任何经典因果模型都无法复制的结果，从而违反因果不等式？这将是时间版本的贝尔不等式破坏（Bell inequality violation），后者证明没有局部隐变量（local hidden variable）模型可以复制量子结果。

然而，8月17日发表于 Physical Review Letters 的文章证明，与非定域性情形不同，量子实验可以用经典因果模型来模拟，因而不能违反因果不等式。

图1. 量子协议说明，该系统通过一系列受控的纠缠酉（unitary）与不同方面进行交互。因果序的量子控制是通过控制线和系统线上的一系列酉实现的。

2. 神经网络主体中的注意图式理论：

用注意的描述模型来控制视空间注意

期刊来源：PNAS

论文标题：

The attention schema theory in a neural network agent: Controlling visuospatial attention using a descriptive model of attention

论文地址：

https://www.pnas.org/content/118/33/e2102421118

注意力是大脑中最重要的认知操作，它在外部刺激和内部事件之间引导大脑，控制其处理焦点问题。但是大脑是如何控制注意力的呢？2011年，人们首次提出了一个大脑控制注意力的模型——注意力图式理论（attention schema theory, AST）。该理论认为，大脑会构建一个注意力模型，也就是注意力图式，来帮助控制和预测注意力状态的变化。大脑构筑的模型大大加强了大脑对内源性注意力的控制，而在模型出错的情况下，大脑对注意力的控制将受到损害。

当前越来越多的行为证据似乎支持注意力模型的存在。然而，一个核心问题仍然存在: 注意力的控制者是否因注意力图式的存在而获益？8月17日发表于PNAS的文章构建了一个深度强化学习神经网络主体，并给予它一个简单的注意力图式，发现这能大大提升神经网络主体的性能，而不存在注意力图式时表现则会变差。

图1. 神经网络主体对注意力追踪任务（左）及接球任务（右）在有无注意力图式存在下的得分情况。

该研究验证了注意力图式理论的核心假设：注意力控制机制的存在能大大提升智能体的性能。

3. 一个统一的基于自催化网络的

细菌生长规律框架

期刊来源：PNAS

论文标题：

A unifying autocatalytic network-based framework for bacterial growth laws

论文地址：

https://www.pnas.org/content/118/33/e2107829118

研究发现，细菌生长的情况可以用简单的数学关系来描述，即细菌生长规律。这说明，细菌生长的核心可能存在着简单的基本原理。另一方面，细菌的细胞包含各式各样的自催化网络，以核糖体循环为例：核糖体能够翻译出组成核糖体的蛋白，而蛋白通过自组装形成新的核糖体。总体来说，这一过程中核糖体并没有被消耗，而是作为自催化循环的核心催化剂。

8月17日发表于PNAS的文章通过发现自催化循环中交织在一起的催化剂，建立了以催化剂为核心的自催化循环，并通过处于核心地位的生化过程——转录-翻译将其耦合起来，形成细菌细胞内统一的自催化网络。该网络包含了几个主要的耦合的自催化循环：核糖体循环、RNA聚合酶循环、转运RNA装载循环（tRNA charging cycle）。通过对生化过程的理解，研究者省略部分参数并做出合理假设，发现了较多的生长规律，并结合实验数据验证该规律，推测细菌的生长速率如何受温度、靶向药物等因素影响。

图1. 细菌的自催化网络示意图，包括三个主要的耦合自催化网络：核糖体循环、RNA聚合酶循环、转运RNA装载循环。

该研究通过简单的关系式描述细菌生理过程，这是“物理的”；而这背后各个生理机制之间的复杂关系，又是“生物的”。通过一些参数的取舍，研究者在充满矛盾性的二者之间达成了微弱的平衡：一方面，这些生长规律简单而有效；另一方面，生长规律的有效性不能完全解释细胞的生理状态。

4. 根据等待时间分布估算熵产生

期刊来源：Physics Review Letters

论文题目：

Estimating entropy production from waiting time distributions

论文地址：

https://journals.aps.org/prl/accepted/4d075YbbR541d185849704f9f6367aec6ec68f0ef

生命系统通过将 ATP 的化学能转化为机械能做功以实现生长、复制或运动，从而抵抗熵增。在得到细胞内、细胞间或多细胞活动时间序列数据后，检测系统非平衡行为并量化自由能消耗率是一个十分有意义的工作。然而，直接从实验数据中获得能量消耗和熵增间的有效界限在实践中十分困难，因为许多自由度往往无法被观测到，而可观测到的粗粒度动力学可能不会很明显的违背细致平衡条件。

图1. 在粗粒化水平上观察到的离散状态（由黑色圆点表示）上的马尔可夫过程，观察者只能看到转移状态 A 和 B（如左图所示）。通过观察该系统，我们可以推断出在转移 A 和 B 上花费的时间分布（如右图所示）。非单调等待时间分布发出不平衡动态信号。

8月17日被Physical Reivew Letters接收的这篇文章，介绍了一种确定物理和生命系统的熵增界限的新方法。该方法仅使用隐马尔可夫过程的等待时间统计，因此可以直接应用于实验数据。通过确定通用极限曲线，文章从基因调控网络、哺乳动物行为动力学和许多其他生物过程的实验数据推断熵增界限。进一步考虑到越来越精确的生物计时器的渐近极限，文章还估计了人类、狗和小鼠心跳调节的必要熵成本。

5. 先天失明者和视力正常个体

对颜色有着共同理解

期刊来源：PNAS

论文标题：

Shared understanding of color among sighted and blind adults

论文地址：

https://www.pnas.org/content/118/33/e2020192118

人类学习的方式多种多样，通过直接的感官体验，通过与他人交谈或者通过思考。然而一个长久的挑战是，如何明确各个信息来源对我们的认识的贡献。历史上，经验主义哲学家曾提出，人们对于颜色的认识来源于视觉经验，他们假设天生失明的人缺乏对“视觉”现象（例如颜色）的深刻认识。

然而，8月17日发表于PNAS的文章发现，事实恰恰与经验主义哲学家的推测相反与，先天失明和视力正常的个体对物体颜色有着共同的深度理解。但这并不是指盲人能认识到香蕉是“黄色”或停车标志是“红色”，而是指盲人能对真实物体的颜色做出颜色相关的认识推断。例如，盲人能够推断出，相比两辆汽车（不具功能性颜色的人工制品），两根香蕉（天然物体）或两个停车标志（具有功能性颜色的人工制品）更可能有相同的颜色。

表1. 盲人对各种人工制品的颜色与其功能性的相关程度评分。被试者会被询问“某样物品的颜色与其功能性的相关性如何？”并且对相关性在1-7之间打分。FC指功能性颜色，NFC指非功能性颜色。容易发现，盲人对具备功能性颜色的人工制品打分均高于对不具功能性颜色的人工制品的打分。

该研究揭示出，人们发展颜色相关的推断认识无需视觉经验，只需生活在对颜色有所讨论的人群中就足够了，这突出了语言交流作为知识来源的高效。

集智新栏目 Complexity Express

上线啦！

Complex World, Simple Rules.

复杂世界，简单规则。

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 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：

• Nature

• Science

• PNAS

• Nature Communications

• Science Advances

• Physics Reports

• Physical Review Letters

• Physical Review X

• Nature Physics

• Nature Human Behaviour

• Nature Machine Intelligence

• 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：

• 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

• 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[e-mail]）。

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[e-mail]）。

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