2022年3月24日，《自然·計算科學》（Nature Computational Science）線上發表了題為“Autonomous inference of complex network dynamics from incomplete and noisy data”的研究論文，該研究由同濟大學物理科學與工程學院、上海自主智慧無人系統科學中心嚴鋼教授團隊完成。在該研究中，作者提出了數據驅動的複雜系統自主推理新框架，實現了結構資訊不完整和强雜訊場景下的魯棒推理，為自動化、智能化地發現真實複雜系統的底層原理提供了重要基礎和算灋支撐。
複雜系統是由大量節點相互作用所形成的非平凡系統，例如無人集群系統、物聯網、神經元網絡、社會資訊網路等。隨著數位化和微觀實驗科技的不斷發展，很多學科領域都積累了關於實際複雜系統的大量觀測數據，主要包括網絡結構和節點活動序列。從這些觀測數據中發現底層原理是科學研究常常需要經歷的過程。站在智能化蓬勃興起的當今，能否利用人工智慧輔助的管道加速這種科學發現的過程，比如從數據中自動化地推理出决定複雜系統行為的動態方程，是學界和業界都普遍關心的問題。
以往的研究著重于單節點或少量節點動態方程的推理，對於包含大量節點的複雜網路系統而言這個問題面臨更多挑戰。例如，不僅節點活動數據含有雜訊而且網絡結構數據可能不準確，節點的自身動力學可能具有異質性，系統宏觀行為可能會掩蓋節點之間動態耦合的微觀機制。為了克服這些挑戰，在該研究中作者融合全域和局部兩個視角，提出了新的複雜系統自主推理框架（圖1），該算灋能够高效、準確地從觀測數據中推理出隱藏的網絡動力學方程，為自動化地發現複雜系統的底層原理提供了有效的新途徑。
該算灋框架具有很强的魯棒性，能够對抗觀測數據中的缺失邊、偽連邊、觀測雜訊、關聯雜訊、內禀隨機性等不確定性，在宏觀行為同步較强時仍然能够實現推理。與以往針對單個體或少量個體的智慧推理方法相比，該研究提出的方法能够在更複雜、非正交項空間中進行蒐索，而且在針對數據不確定性的5個模型系統測試中均表現更優。該框架也被應用於推理全球性傳染病的傳播動力學（圖2），算灋基於H1N1傳播數據，發現了用於描述早期傳播過程的簡潔的常微分方程，該方程同時能够刻畫SARS和COVID-19的早期傳播行為，驗證了方法的有效性和普適性。
該研究由同濟大學博士研究生高婷婷（第一作者）和嚴鋼教授（通訊作者）完成，並得到了國家自然科學基金、國家科技創新2030、上海市市級科技重大專項等專案資助。
論文連結：https://www.nature.com/articles/s43588-022-00217-0