从观测数据中揭示隐藏的动力学机制是现代科学和工程的重要课题。20 世纪 50 年代以来，控制领域已发展了一套完整的系统辨识方法。近年来，随着实验方法和数字技术的极速发展，愈来愈多的系统数据得以观测和记录，数据驱动的科学发现方法也随之蓬勃发展。本期读书会首先将探讨“如何从数据中挖掘复杂系统的底层可解释动力学”。进一步，考虑许多自然和人为的复杂系统均会出现临界转变，即环境条件的缓慢变化引发系统的突变。这种突变可能带来灾难性后果，例如系统性金融风险、大面积停电、生态系统崩溃等。为此，我们还将讨论“如何在系统发生突变之前对临界点进行定量预测”。「复杂系统自动建模」读书会第二季第八期将由美国东北大学博士后高婷婷、同济大学物理系博士研究生刘子嘉围绕上面两个问题先后进行分享。读书会将于10月31日（本周四）20:00-22:00进行，欢迎感兴趣的朋友参与讨论交流！
Part 1 复杂系统的可解释性动力学推断
近年来，大量数据涌现促使数据驱动的科学发现成为学界重要课题，数据驱动的科学发现方法也随之蓬勃发展。本部分分享将着重以稀疏回归为核心手段，介绍针对经典物理体系，如单个混沌振子、弹簧振子、少量个体间引力等的数据驱动动力学推断方法，进一步介绍针对复杂网络系统的可解释底层动力学推断方法。Part 2 复杂系统临界点的早期定量预测
针对临界点预测问题，本部分将介绍关于临界点预测的现有方法，包括传统的基于早期预警信号以及一些最新的机器学习方法，以及这些方法面临的挑战；接着，我们将讨论判断临界点的定量方法以及针对现有挑战提出的GIN-GRU算法架构，并展示其在常见动力系统上的临界预测和鲁棒性结果；最后，我们将以非洲植被生态系统为例介绍方法在真实系统临界预测的迁移与应用。
数据驱动的稀疏回归方法概述
复杂网络动力学的推断方法
临界点预测的方法概述
稀疏回归（sparse regression）
微分方程（differential equations）
临界点预测（critical transitions prediction）
高婷婷，美国东北大学物理系博士后，由Albert-László Barabási教授指导；博士毕业于同济大学，导师为严钢教授。主要研究方向为数据驱动的复杂网络推断理论及应用，开发了用于从含噪和不完整数据中推断复杂网络ODE的Two-Phase推断框架，以及基于消息传递机制的、从随机动力学系统观测数据推断复杂系统SDE的LaGNA框架；相关成果发表于Nature Computational Science、Nature Communications、EPL等国际学术期刊。主页 https://scholar.google.com/citations?user=-neTJpAAAAAJ&hl=en刘子嘉，同济大学物理系博士生，导师为严钢教授。博士期间的主要研究方向为数据驱动的复杂网络动力系统临界预测，开发了早期定量预测复杂系统中临界点的方法框架，且成功预测了真实非洲植被生态系统中森林向稀树草原的临界转变，相关研究成果发表在Physical Review X期刊上，并被Nature Physics等期刊和杂志撰文报道。其他研究方向涉及耦合网络重构、图数据扩充等等，相关成果发表在IEEE Transactions on Network Science and Engineering、Neural Information Processing Systems等期刊和会议上。目前的研究兴趣主要为AI for Science、复杂系统和时间序列分析。
[1]S. L. Brunton, J. L. Proctor, J. N. Kutz, Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proc. Natl. Acad. Sci., 113, 3932-3937 (2016).[2] Brückner, D. B., Ronceray, P., & Broedersz, C. P. (2020). Inferring the dynamics of underdamped stochastic systems. Physical review letters, 125(5), 058103.[3] Gao, T. T., & Yan, G. (2022). Autonomous inference of complex network dynamics from incomplete and noisy data. Nature Computational Science, 2(3), 160-168. 感兴趣的朋友推荐阅读：从非完整和含噪声的数据中推理复杂网络动力学[4] Gao, T. T., Barzel, B., & Yan, G. (2024). Learning interpretable dynamics of stochastic complex systems from experimental data. Nature Communications, 15(1), 6029.[5] Liu, Z., Zhang, X., Ru, X., Gao, T. T., Moore, J. M., & Yan, G. (2024). Early predictor for the onset of critical transitions in networked dynamical systems. Physical Review X, 14(3), 031009. 感兴趣的朋友推荐阅读：PRX 前沿：定量预测复杂系统的临界点[6] Scheffer, M., Carpenter, S., Foley, J. A., Folke, C., & Walker, B. (2001). Catastrophic shifts in ecosystems. Nature, 413(6856), 591-596.[7] Bury, T. M., Sujith, R. I., Pavithran, I., Scheffer, M., Lenton, T. M., Anand, M., & Bauch, C. T. (2021). Deep learning for early warning signals of tipping points. Proceedings of the National Academy of Sciences, 118(39), e2106140118.[8] Heßler, M., & Kamps, O. (2022). Bayesian on-line anticipation of critical transitions. New Journal of Physics, 24(6), 063021.[9] Fan, H., Kong, L. W., Lai, Y. C., & Wang, X. (2021). Anticipating synchronization with machine learning. Physical Review Research, 3(2), 023237.[10] Schröder, M., Timme, M., & Witthaut, D. (2017). A universal order parameter for synchrony in networks of limit cycle oscillators. Chaos: An Interdisciplinary Journal of Nonlinear Science, 27(7).
时间：2024年10月31日（本周四） 20:00-22:00（北京时间）斑图链接：https://pattern.swarma.org/study_group_issue/799?from=wechat扫码参与「复杂系统自动建模」读书会第二季，加入群聊，获取系列读书会回看权限，加入复杂系统自动建模/AI4Science社区，与社区的一线科研工作者沟通交流，共同推动复杂系统自动建模这一前沿领域的发展。“复杂世界，简单规则”。
集智俱乐部联合复旦大学智能复杂体系实验室青年研究员朱群喜、浙江大学百人计划研究员李樵风、清华大学电子工程系数据科学与智能实验室博士后研究员丁璟韬、美国东北大学物理系Albert-László Barabási指导的博士后高婷婷、北京大学博雅博士后曹文祺、复旦大学数学科学学院应用数学方向博士研究生赵伯林、北京师范大学系统科学学院博士研究生牟牧云，共同发起「复杂系统自动建模」读书会第二季。
读书会将于9月5日起每周四晚上20:00-22:00进行，探讨四个核心模块：数据驱动的复杂系统建模、复杂网络结构推断、具有可解释性的复杂系统推断（动力学+网络结构）、应用-超材料设计和城市系统，通过重点讨论75篇经典、前沿的重要文献，从黑盒（数据驱动）到白盒（可解释性），逐步捕捉系统的“本质”规律，帮助大家更好的认识、理解、预测、控制、设计复杂系统，为相关领域的研究和应用提供洞见。欢迎感兴趣的朋友报名参与！
复杂系统自动建模读书会：从数据驱动到可解释性，探索系统内在规律｜内附75篇领域必读文献
