導(dǎo)語

網(wǎng)絡(luò)動力學(xué)是分析理解高維復(fù)雜系統(tǒng)特性和行為的基礎(chǔ)。盡管許多領(lǐng)域積累了大量的觀測數(shù)據(jù)，但只有少數(shù)具備清晰原理的數(shù)學(xué)模型。

近日，清華大學(xué)電子工程系李勇教授團(tuán)隊提出一種神經(jīng)符號回歸的方法，能夠從數(shù)據(jù)中自動推導(dǎo)公式。該方法減少了在高維網(wǎng)絡(luò)中的搜索，使其等價為一維系統(tǒng)，并且使用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來指導(dǎo)正確的公式發(fā)現(xiàn)。在十個基準(zhǔn)系統(tǒng)中，他準(zhǔn)確恢復(fù)了底層動力學(xué)的形式和參數(shù)。在兩個基于實證數(shù)據(jù)的自然系統(tǒng)中（基因調(diào)控和微生物群落），它修正了現(xiàn)有模型。預(yù)測誤差分別降低了 59.98% 和 55.94%。對于不同尺度下人類流動網(wǎng)絡(luò)的流行病傳播中，該方法發(fā)現(xiàn)了跨尺度的節(jié)點相關(guān)性呈現(xiàn)相同的冪律分布，并且揭示了國家間干預(yù)效果的差異。這一成果展現(xiàn)了機器驅(qū)動的網(wǎng)絡(luò)動力學(xué)發(fā)現(xiàn)如何理解并推動復(fù)雜系統(tǒng)科學(xué)的發(fā)展。

關(guān)鍵詞：復(fù)雜系統(tǒng)（Complex system），網(wǎng)絡(luò)動力學(xué)（Network dynamics），神經(jīng)符號回歸（Neural symbolic regression），神經(jīng)網(wǎng)絡(luò)（Neural network）

周曉俊丨作者

趙思怡丨審校

論文題目：Discovering network dynamics with neural symbolic regression 論文鏈接：https://www.nature.com/articles/s43588-025-00893-8 發(fā)表時間：2025年10月24日 論文來源：Nature Computational Science

復(fù)雜系統(tǒng)的挑戰(zhàn)

復(fù)雜系統(tǒng)的迷人之處在于：個體簡單，整體復(fù)雜。從神經(jīng)網(wǎng)絡(luò)到生態(tài)系統(tǒng)，從基因調(diào)控到社交傳播，局部相互作用能產(chǎn)生意想不到的全局模式。而理解這些模式，關(guān)鍵在于找到描述系統(tǒng)演化的動力學(xué)方程。

過去，這類模型往往依賴人類專家的直覺與經(jīng)驗。例如，生物學(xué)家用 Lotka–Volterra 方程解釋物種共存，物理學(xué)家用 Kuramoto 模型刻畫振蕩同步。然而，大多數(shù)系統(tǒng)并沒有清晰的“第一性原理”。面對浩如煙海的數(shù)據(jù)，人類能寫出的方程卻寥寥無幾。

對于這個問題，最近清華大學(xué)團(tuán)隊提出了一種名為ND2（Neural Discovery of Network Dynamics）的方法，利用神經(jīng)網(wǎng)絡(luò)與符號搜索結(jié)合，從觀測數(shù)據(jù)中自動“寫出”網(wǎng)絡(luò)動力學(xué)公式。簡單來說，這是一臺能從混亂數(shù)據(jù)中自己發(fā)現(xiàn)自然規(guī)律的“機器科學(xué)家”。

圖1. 方法流程示意圖。實例為236個節(jié)點和320條無向邊的北歐電網(wǎng)，ND2 根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點活動，最后輸出的是經(jīng)典的 Kuramoto dynamics。

ND2：讓高維網(wǎng)絡(luò)“變簡單”的巧思

符號回歸（symbolic regression）旨在找到最能擬合數(shù)據(jù)的數(shù)學(xué)表達(dá)式。它像在數(shù)學(xué)符號的叢林中搜尋規(guī)律，組合+, ×, sin等運算符，最終得到“隱藏公式”。然而，在高維網(wǎng)絡(luò)中，這種搜索幾乎不可能完成——因為變量和連邊太多，搜索空間會指數(shù)爆炸。作者提出 ND2 架構(gòu)，將傳統(tǒng)的符號回歸與神經(jīng)網(wǎng)絡(luò)結(jié)合，讓搜索更聰明、更高效。

第一，引入網(wǎng)絡(luò)動力學(xué)算子（network dynamical operators）。這三種算子——源算子φs、目標(biāo)算子φt和聚合算子ρ——受圖神經(jīng)網(wǎng)絡(luò)（GNN）信息傳遞思想的啟發(fā)，將復(fù)雜的節(jié)點-邊關(guān)系轉(zhuǎn)化為可操作的數(shù)學(xué)結(jié)構(gòu)。借助它們，研究者把原本隨網(wǎng)絡(luò)規(guī)模指數(shù)增長的搜索空間壓縮成與維度無關(guān)的一維問題。

圖2. 網(wǎng)絡(luò)動力學(xué)算子壓縮搜索空間，b. 網(wǎng)絡(luò)動力學(xué)算子。c. 搜索空間壓縮的原理。d. 三節(jié)點網(wǎng)絡(luò)示例

第二， 提出NDformer的神經(jīng)網(wǎng)絡(luò)，它結(jié)合了 GNN 與 Transformer 結(jié)構(gòu)。研究者在上百萬個隨機生成的動力學(xué)系統(tǒng)上對其預(yù)訓(xùn)練，讓它學(xué)會“預(yù)測下一個符號”，即預(yù)測公式的生成方向。之后，NDformer就像經(jīng)驗豐富的導(dǎo)航員，引導(dǎo)蒙特卡洛樹搜索（Monte Carlo Tree Search, MCTS）在公式空間中高效探索，大幅加快搜索速度——實驗表明加速達(dá)三數(shù)量級。

圖3. 搜索算法流程。系統(tǒng)從網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點活動中提取信息，在 NDformer 的引導(dǎo)下通過蒙特卡洛樹搜索（MCTS）生成并評估候選公式，最終選出最優(yōu)的動力學(xué)方程。

模擬驗證：

十個模擬系統(tǒng)網(wǎng)絡(luò)動力學(xué)的高效復(fù)原

作者首先在十類經(jīng)典動力學(xué)系統(tǒng)上測試 ND2，包括 Kuramoto、R?ssler oscillator、FitzHugh–Nagumo 神經(jīng)模型、Wilson–Cowan 腦動力學(xué)模型、基因調(diào)控與種群演化模型等。結(jié)果顯示，ND2不僅能準(zhǔn)確恢復(fù)出所有真實公式的形式和參數(shù)，還能再現(xiàn)系統(tǒng)的時間演化軌跡。相比其他方法（如SINDy稀疏識別和PIGN網(wǎng)絡(luò)推理），ND2在準(zhǔn)確度與速度上都全面領(lǐng)先。

圖4. 使用 ND2 在十個模擬系統(tǒng)上復(fù)原動力學(xué)的實驗，其準(zhǔn)確度和速度均顯著優(yōu)于對比方法

更令人驚訝的是，它能在觀測數(shù)據(jù)存在顯著噪聲、網(wǎng)絡(luò)結(jié)構(gòu)部分缺失甚至完全未知時仍然成功恢復(fù)規(guī)律。這表明，ND2不僅是“擬合數(shù)據(jù)”，而是捕捉了系統(tǒng)背后的生成機制。

自然系統(tǒng)：修正經(jīng)典模型中的網(wǎng)絡(luò)動力學(xué)

當(dāng)ND2被用于真實生物系統(tǒng)時，它展示了比傳統(tǒng)人類模型更精確的解釋力。在酵母細(xì)胞周期的基因調(diào)控網(wǎng)絡(luò)中，經(jīng)典的 Hill 方程假設(shè)基因間相互作用是兩兩相加的。然而ND2發(fā)現(xiàn)了新的公式形式——相互作用項不是獨立求和，而是以鄰居基因總體表達(dá)量為輸入的邏輯函數(shù)（logistic function）。這意味著基因的調(diào)控存在“更高階的間接作用”，一個基因?qū)α硪粋€的影響還取決于其他基因的狀態(tài)，為理解多基因調(diào)控提供了新的視角。

圖5. 上：基因?，F(xiàn)有公式和修正公式；節(jié)點活動與真實值吻合（不同顏色代表不同表達(dá)的基因）。下：微生物群落?，F(xiàn)有公式和修正公式，節(jié)點活動比現(xiàn)有公式更符合真實值（不同顏色代表不同種群）

在微生物群落動力學(xué)中，經(jīng)典的 Lotka–Volterra 方程假設(shè)物種間競爭或共生的強度與種群規(guī)模正相關(guān)。ND2 結(jié)果顯示這一假設(shè)并不成立：當(dāng)某個物種數(shù)量增多時，其對其他物種的敏感性反而減弱。新發(fā)現(xiàn)的公式形式用飽和型函數(shù)描述這種效應(yīng)，揭示了群落穩(wěn)定性的自調(diào)節(jié)機制。

社會系統(tǒng)：理解社會復(fù)雜性

ND2還被用于分析全球人類流動網(wǎng)絡(luò)上的新冠疫情傳播。研究團(tuán)隊將七個地區(qū)（包括美國、中國、紐約、伊利諾伊等）的確診數(shù)據(jù)與交通流量結(jié)合建模。結(jié)果顯示，不同區(qū)域的傳播方程形式雖有差異，但都遵循相同的規(guī)律：節(jié)點間的傳播影響強度呈現(xiàn)冪律分布（power-law distribution），其指數(shù)約為?0.8，說明疫情傳播在多尺度網(wǎng)絡(luò)中具有普適性。

圖 6: 新冠疫情傳播。a. 不同國家空間尺度傳播網(wǎng)絡(luò)。b. ND2 自動發(fā)現(xiàn)的傳播方程。e. 節(jié)點相關(guān)性的冪律分布。f. 兩國自演化項 W(x) 的差異

進(jìn)一步比較發(fā)現(xiàn)，中國和美國的傳播動力學(xué)存在顯著差異。中國模型中的自演化項（self-evolution term）表現(xiàn)出明顯的自抑制效應(yīng)，即病例數(shù)上升會自動減緩增長；而美國的模型則近似線性，反映出兩國在非藥物干預(yù)策不同。通過穩(wěn)態(tài)分析（steady-state analysis），作者甚至推算出了中國疫情傳播的“臨界點”：當(dāng)跨省流動βeff超過閾值 βc 時，疫情會從可控狀態(tài)躍遷為爆發(fā)狀態(tài)。這種從數(shù)據(jù)中自動獲得的動力學(xué)洞見，正是復(fù)雜系統(tǒng)科學(xué)長期追求的“可解釋預(yù)測”。

當(dāng) AI 成為科學(xué)的合作者

在科學(xué)史上，從開普勒到牛頓，從麥克斯韋到洛特卡，每一次發(fā)現(xiàn)自然規(guī)律的過程，都依賴人類的洞察與直覺。如今，ND2 展示了另一種可能：AI 不再只是分析工具，而是科學(xué)規(guī)律的共同發(fā)現(xiàn)者。

當(dāng)一臺算法能自動讀懂?dāng)?shù)據(jù)背后的動力學(xué)、提出修正后的理論，并揭示自然界的隱藏規(guī)律，我們或許正站在一個新的科學(xué)范式的起點——讓機器成為科學(xué)的“共作者”，讓復(fù)雜系統(tǒng)的秘密，在數(shù)據(jù)與公式之間自動顯現(xiàn)。

復(fù)雜系統(tǒng)自動建模讀書會第二季

“復(fù)雜世界，簡單規(guī)則?！?/p>

集智俱樂部聯(lián)合復(fù)旦大學(xué)智能復(fù)雜體系實驗室青年研究員朱群喜、浙江大學(xué)百人計劃研究員李樵風(fēng)、清華大學(xué)電子工程系數(shù)據(jù)科學(xué)與智能實驗室博士后研究員丁璟韜、美國東北大學(xué)物理系A(chǔ)lbert-László Barabási指導(dǎo)的博士后高婷婷、北京大學(xué)博雅博士后曹文祺、復(fù)旦大學(xué)數(shù)學(xué)科學(xué)學(xué)院應(yīng)用數(shù)學(xué)方向博士研究生趙伯林、北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院博士研究生牟牧云，共同發(fā)起。

讀書會將于9月5日起每周四晚上20:00-22:00進(jìn)行，探討四個核心模塊：數(shù)據(jù)驅(qū)動的復(fù)雜系統(tǒng)建模、復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)推斷、具有可解釋性的復(fù)雜系統(tǒng)推斷（動力學(xué)+網(wǎng)絡(luò)結(jié)構(gòu)）、應(yīng)用-超材料設(shè)計和城市系統(tǒng)，通過重點討論75篇經(jīng)典、前沿的重要文獻(xiàn)，從黑盒（數(shù)據(jù)驅(qū)動）到白盒（可解釋性），逐步捕捉系統(tǒng)的“本質(zhì)”規(guī)律，幫助大家更好的認(rèn)識、理解、預(yù)測、控制、設(shè)計復(fù)雜系統(tǒng)，為相關(guān)領(lǐng)域的研究和應(yīng)用提供洞見。讀書會已完結(jié)，現(xiàn)在報名可加入社群并解鎖回放視頻權(quán)限。

詳情請見：

1.

2.

3.

4.

5.

6.