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12月6日-12月12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~ 1.城市增长模式与人类移动行为的涌现
2.透过实空间互信息透镜看统计物理
3.通信活性粒子的集体自优化
4.通过求解分数电子问题推进密度泛函的边界
5.转换机器学习: 学习如何从多相关科学问题中学习
6.可重构生物的运动学自我复制
7.自我随时间的压缩：过去和未来的自我在远离现在时被压缩的行为证据和神经证据
8. 深度学习时代的相互作用组
论文题目： Emergence of urban growth patterns from human mobility behavior 期刊来源：Nature Computational Science 论文地址： https://www.nature.com/articles/s43588-021-00160-6
城市以自下而上的方式发展，由此形成以标度律为特征的城市分形现象，并遵循标度律。相关的渗流模型 （percolation model） 通过加强空间上的相关性，成功地模拟了城市的几何形态；然而，对于空间相关的城市，其增长背后潜在机制的起源在很大程度上仍然是未知的。由于大规模人员移动数据的日益增加，我们对人员移动的理解最近发生了革命性的变化。本文介绍了一个城市增长计算模型，该模型在人类移动行为的微观基础上捕捉空间相关的城市增长。我们将所提出的模型与3个实证数据集进行比较，发现强烈的社会相互作用和人类移动中的长期记忆效应是产生城市分形现象的两个基本原则，并发现了关于城市发展的三个重要规律。我们的模型结合了城市增长模式和人类移动行为的实证研究结果。
论文题目：Statistical Physics through the Lens of Real-Space Mutual Information 期刊来源：Physical Review Letters 论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.240603
确定一个复杂物理系统的相关自由度，是发展平衡或非平衡有效理论的关键阶段。重整化群为此提供了一个框架，但其在不熟悉系统中的实际应用充满了特定选择；另一方面，机器学习方法虽然颇有前景，却缺乏规范的解释。这里，我们提出了一种算法，采用最先进的的估计互信息的机器学习结果，克服了这些挑战，并使用这一进展来开发一个新范式，以识别描述系统性质的最相关算符。我们在一个交互模型上证明了这一点，其中涌现出的自由度与微观成分有质的不同。这些结果拓宽了机器学习可规范解释应用的边界，在概念上为自动化理论构建铺平了道路。 论文题目：Collective self-optimization of communicating active particles 期刊来源：PNAS 论文地址：https://www.pnas.org/content/118/49/e2111142118
为最大限度地提高社会群体成员的生存机会，集体自组织需要在最大限度地提高个人利益和群体福祉之间找到最佳妥协。本文建立了一个描述活性个体的最小模型，这些个体会消耗或产生资源，并且在响应叠加的共同资源场 （例如好氧细菌的氧气浓度场或企鹅的体温场） 的同时寻求个体的最佳资源值。值得注意的是，可以将该模型近似为吸引-排斥模型，但是吸引-排斥模型会阻止一些个体接近共享资源场的最佳值。而本文提出的最小模型中，个体间存在多体相互作用，从而产生非周期模式，实现集体自优化。本文提出的基于最佳资源值的集体相互作用代表了在活性物理学、集体行为和微生物趋化性交界的一般概念。该概念有助于优化人工活性主体集合，或揭示某些社会群体用来最大限度提高其生存机会的通信规则。
论文题目：Pushing the frontiers of density functionals by solving the fractional electron problem 期刊来源：Science 论文地址：https://www.science.org/doi/10.1126/science.abj6511
密度泛函理论 （density functional theory，DFT） 描述量子尺度的物质，但现有近似方法由于违反精确泛函的数学性质，都存在系统误差。通过使用分子数据和虚拟的分数电荷和自旋系统来训练神经网络，我们克服了这个基本的限制。学习到的泛函 DM21 （DeepMind 21） 正确描述了人工电荷离域和强关联的典型例子，并在主族原子和分子的基准测试中表现得比传统泛函更好。DM21 精确模拟了复杂系统，如氢原子链、带电荷的DNA碱基对和化学反应过渡态。更重要的是，由于我们的方法依赖于不断改进的数据和约束条件，它代表了一条通向精确的通用泛函的可行途径。
论文题目：Transformational machine learning: Learning how to learn from many related scientific problems 期刊来源：PNAS 论文地址：https://www.pnas.org/content/118/49/e2108013118
几乎所有的机器学习都基于内生 （intrinsic） 特征来表征训练数据。当存在多个相关的机器学习任务 （问题） 时，可以先在目标任务外的其余任务上训练机器学习模型，以将内生特征转化为外生 （extrinsic） 特征，并用训练后的机器学习模型在目标实例上进行预测，产生新的表征。该方法被称为转换机器学习 （transformational ML，TML） 。转换机器学习与迁移学习、多任务学习和叠加学习 （stacking） 密切相关，并具有协同作用，可用来改进任何非线性机器学习。本文使用最重要的几类非线性机器学习来评价转换机器学习：随机森林、梯度提升机、支持向量机、 k-最近邻和神经网络。为了保证评价的通用性和鲁棒性，本文利用了来自三个科学领域的数千个机器学习问题：药物设计、基因表达预测和机器学习算法选择。本文发现转换机器学习在所有领域均显著提高了所有机器学习的预测性能 （平均提高4% 至50%) ，并且转换机器学习识别出的特征通常优于内生特征。转换机器学习作为可解释的机器学习，还能够增加科学认识。在药物设计中，本文发现转换机器学习提供了关于药物靶标特异性、药物间关系以及蛋白质靶标间关系的新知。转换机器学习创建了一种基于生态系统的机器学习方法，在这种方法中，新的任务、实例、预测等相互协同，以提高预测性能。
论文题目：Kinematic self-replication in reconfigurable organisms 期刊来源：PNAS 论文地址：https://www.pnas.org/content/118/49/e2112672118
所有的生命系统都是通过身体内部或身体上的生长、分裂、发育或出生来延续自己的生命。本文发现合成的多细胞组织也可以通过移动和压缩环境中游离的细胞进行运动复制。这种延续生命的方式在任何有机体中都看不到，它在几天内自发产生，而不是通过几千年的进化而产生。本文还展示了人工智能方法如何设计能够缓解复制能力丧失的组件，此外该组件还能执行其它有用的工作。这表明独特和有用的表型可以迅速从野生型有机体中获得，而无需自然选择或基因工程。这扩大了我们对产生复制的条件、表型可塑性以及如何实现有用的复制机器的理解。 7.自我随时间的压缩：
过去和未来的自我在远离现在时
被压缩的行为证据和神经证据
论文题目：Temporal self-compression: Behavioral and neural evidence that past and future selves are compressed as they move away from the present 期刊来源：PNAS 论文地址：https://www.pnas.org/content/118/49/e2101403118
感知的一个基本原理是，当观察者与物体的距离增加时，观察者对物体的感知会以对数的形式压缩 （如不能区分开多个物体） ，使它们难以区分。这个基本原则也适用于我们最有意义的心智表征——自我意识吗？在这里，我们报告了四个研究，表明自我也会随着时间的推移而与当前难以区分。在研究1到3中，被试对他们在过去和未来不同时间点的特质进行打分。我们发现相对于他们现在的自我，被试压缩了他们过去和未来的自我。这种效应与自我高度相关，不能通过个体仅随机改变自我感知，而与时间变化无关来解释该效应。在研究4中，我们通过让被试在接受功能性核磁共振成像时完成跨时间点的特质评分，来测试自我压缩随时间变化的神经证据，并通过表征相似性分析来确定神经自我表征是否随时间推移而被压缩。我们在默认网络区域，包括内侧脑前额叶外皮和后扣带皮层发现了自我压缩随时间变化的证据。具体来说，自我表征之间的神经模式相似性随时间推移以对数形式被压缩。综上所述，这些发现揭示了一种“自我压缩时变”效应，随着时间推移，自我与当前越来越难区分。
论文题目：Interactomes in the era of deep learning 期刊来源：Science 论文地址：https://www.science.org/doi/10.1126/science.abm8295
表征大分子相互作用可以更好地理解细胞内部运作。但是，今天所有可用的方法都有其局限性：一些方法告诉我们两个大分子是否相互作用，另一些方法提供关于相互作用对象的原子细节，或者仅仅是没有细胞背景的孤立组件的结构。Humphreys等人的Science 论文描述了一种新的计算方法，它建立在结构生物信息学中正在进行的深度学习革命的基础上，同时预测蛋白质-蛋白质相互作用的三维结构的组成与建模。他们将其方法应用于真核系统——面包酵母菌，并预测和准确模拟了1500多种蛋白质-蛋白质相互作用，其中106种是此前未见的。这为整个细胞的高通量、高精度建模铺平了道路。 论文题目：The origin of irreversibility and thermalization in thermodynamic processes 期刊来源：Physics Reports 论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0370157321004038
近一个世纪以来，理解热力学中不可逆性的起源一直是一个基本的科学挑战和难题。最初的讨论是关于经典热力学系统，但最近量子系统成为主要的焦点。人们经常引用可逆的经典运动方程来寻求解释。我们推测不可逆性起源于能量耗散，这个术语是热力学第二定律的核心。 然而，热力学不可逆性与时间不可逆性不同。热力学系统既可以通过一个确定的、可积的时间可逆过程达到平衡，也可以通过一个不可逆的路径达到平衡，这两者导致的状态在热力学上无法区分。经时间可逆过程达到平衡的系统可能通过一个被称为热化 （thermalization） 的过程变为不可逆过程，热化过程无需耗散能量即可使系统失去对不可逆过程的记忆。量子系统通过退相干来做到这一点；对于经典系统，退相干由于时间相关性丧失而处于零频率。更一般地说，不仅平衡系统可能会失去历史记忆。造成记忆丢失的一个普遍原因是概率或随机事件，这些事件不是确定性的，在任何给定的时间只以一定的概率发生。与热化作用相反，热平衡过程包括系统内部或向周围的能量耗散，或者通过降低系统浓度。 时间可逆性与系统尺寸无关，涨落定理是一种概率现象，不是确定性现象，因此不适合用来研究热力学系统中的时间不可逆性。也存在概率性的耗散过程，如电子激发态是发生辐射衰变还是非辐射衰变。由于动力学 （kinetic） 原因，给定能量耗散成多个较小的能量量子 （热） 的过程本身是不完全可逆的。从动力学上讲，这是一个一阶概率过程，与此相反的过程则是一个二阶或更高阶的过程。 热力学从地球上和实验室中所知的常规物质发展而来，提供了经验定律。这里与此相关的是热力学第二定律，也被称为时间箭头，它指出孤立系统中的自发过程保持熵增。物理学家假设热力学第二定律也适用于整个宇宙。然而，在单个星系的距离上，自引力导致系统的动能减少而总能量增加的情况，使系统看似具有负热容，并允许黑洞形成。要解决这些问题需要扩展热力学第二定律。这篇评论的目的是提出一个关于该主题的主要教程说明。
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。 点击“阅读原文”，追踪复杂科学顶刊论文