導語

近年來，統計物理方法被遷移到復雜網絡上，用來理解與度量網絡在不同尺度下的信息傳播動力學特性。然而，這一系列工具的使用受限于網絡的尺寸帶來的時間復雜度挑戰。在本次分享中，我們將提出基于圖神經網絡的機器學習方法，該方法可以壓縮網絡尺寸并保證信息處阿波動力學特性不變，為分析大網絡的動力學性質，理解網絡的多尺度關系帶來幫助。

第七期由北京師范大學張江教授課題組的博士生張章介紹今年作為一作在Nature Communications上發表的一種基于統計物理和機器學習的復雜網絡粗粒化方案，以及相關背景問題、方法與實驗結果。讀書會將于4月25日（本周五）19:30-21:30進行，歡迎感興趣的朋友參與討論交流！

分享內容簡介

在本次分享中，我們將首先介紹統計物理工具如何被應用于復雜網絡上，作為網絡信息傳播動力學性質的度量。在這一部分，我們將介紹配分函數這一核心概念。此外，我們還將介紹圖神經網絡的基本原理，以及如何基于圖神經網絡和配分函數的結合提出網絡粗?；Ｐ?。最后，我們將介紹一系列相關實驗，引出結論并分析模型的性質。

分享內容大綱

背景介紹

復雜網絡的配分函數

圖上的機器學習模型

方法

實驗結果

總結與討論

主要涉及到的知識概念

1. 統計物理, Statistical Physics

2. 配分函數, Partition Function

3. 圖神經網絡, Graph Neural Networks (GNNs)

4. 網絡粗?；桨? Network Coarse-Graining Scheme

5. 網絡多尺度分析, Multi-Scale Analysis of Networks

講者介紹

張章，北京師范大學系統科學學院博士生。研究興趣集中于復雜網絡與深度學習的交叉領域，具體包括機器學習，復雜系統自動建模等。

參考文獻

Zhang, Z., Ghavasieh, A., Zhang, J. et al. Coarse-graining network flow through statistical physics and machine learning. Nat Commun16, 1605 (2025). https://doi.org/10.1038/s41467-025-56034-2

我們在之前對這篇文章進行了詳細解讀，感興趣的朋友可以閱讀——

報名方式

直播信息

時間：2025年4月25日 周五 19:30-21:30

報名參與讀書會：

斑圖鏈接：https://pattern.swarma.org/study_group_issue/896?from=wechat

掃碼參與，加入群聊，獲取系列讀書會回看權限，加入復雜網絡動力學社區，與社區的一線科研工作者溝通交流，共同探索復雜網絡動力學這一前沿領域的發展。

復雜網絡動力學讀書會

集智俱樂部聯合合肥工業大學物理系教授李明、杭州師范大學阿里巴巴商學院教授劉潤然、同濟大學副教授張毅超、北京師范大學特聘副研究員史貴元與在讀博士生邱仲普、張章共同發起。本次讀書會將探討：同步相變的臨界性、如何普適地刻畫多穩態與臨界點、如何識別并預測臨界轉變、如何通過局部干預來調控系統保持或回到期望穩態、爆炸逾滲臨界行為的關鍵特征、不同類型的級聯過程對逾滲相變的影響有何異同、高階相互作用的影響能否等效為若干簡單機制的疊加、如何有效地促進人類個體間的合作等問題。

讀書會計劃從3月7日開始，每周五晚19:30-21:30進行，持續8-10周。誠摯邀請領域內研究者、尋求跨領域融合的研究者加入，共同探討。

詳情請見：