科学科学(SoS)探索科学发现背后的机制,并为提高科学效率和促进创新提供了宝贵的见解。 传统方法通常依赖于简单的假设和基本的统计工具,例如线性回归和基于规则的模拟,这些模拟难以捕捉现代研究生态系统的复杂性和规模。 人工智能(AI)的出现为下一代SoS提供了一个变革性的机会,实现了大规模模式发现的自动化,并发现了以前无法实现的见解。 本文提供了将科学科学与人工智能用于自动化研究模式发现的前瞻性观点,并强调了可能从人工智能中受益匪浅的关键开放挑战。 我们概述了人工智能与传统方法的优势,讨论了潜在的局限性,并提出了克服它们的途径。 此外,我们展示了一个初步的多智能体系统,作为模拟研究社会的一个示例,展示了人工智能复制现实世界研究模式和加速科学研究科学进步的能力。
尽管我们在理解具有非Poissonian活性模式的复杂系统中的疾病传播方面取得了进展,但目前的模型仍然未能捕获全方位的恢复时间分布。 在本文中,我们提出了经典的易感性(SIS)模型的扩展,称为一般恢复过程SIS(grp-SIS)模型。 该模型包含系统内受感染节点的任意恢复时间分布。 我们得出假设一个均匀网络的均场方程,为特定的恢复时间分布提供解决方案,并调查系统稳定状态下感染时间的概率密度函数(PDF)。 我们的研究结果表明,恢复时间分布显着影响疾病动力学,我们建议未来的几个研究方向,包括将模型扩展到任意感染过程,并使用准方法解决数值结果的偏差。
虽然在大型数据集上训练的神经网络已经成功地用于描述和预测许多物理现象,但科学家有一种感觉,与传统的科学模型不同,这种关系以简单的数学表达式形式包装,神经网络的发现不能整合到科学知识中。 对 ML 无法产生人类可以理解的关系的批评者已经融合了“可解释性”的概念,因为它与更传统的科学形式相去甚远。 正如对可解释性的兴趣日益浓厚所表明的那样,物理科学的研究人员不仅寻求预测模型,而且还寻求揭示支配兴趣系统的基本原则。 然而,文献中缺乏对可解释性的定义及其在科学中的确切作用的清晰度。 在这项工作中,我们认为方程发现和符号回归的研究人员倾向于将易感性的概念与可解释性混为一谈。 我们回顾了来自科学界外部的可解释ML的关键论文,并认为,尽管他们提出的定义和方法可以为SciML的解释性问题提供信息,但它们不足以实现这一新目的。 注意到这些缺陷,我们提出了物理科学可解释性的操作定义。 我们的可解释性概念强调对数学原理的理解。 虽然看起来是无害的,但这种对机制的强调表明,狭隘往往是不必要的。 它还质疑在缺乏先验知识时可解释的科学发现的可能性。 我们相信,对SciML可解释性的准确和哲学上知情的定义将有助于将研究工作集中在实现数据驱动的科学未来的最重大障碍上。
城市是复杂的系统,需要综合方法,越来越关注邻里层面。 这项研究研究了西班牙加泰罗尼亚Granollers的Primer de Maig社区的专家地图与公民科学之间的相互作用 - 该地区以劣质的公共空间和长期存在的社会经济挑战为标志。 有72名居民被组织成19个小组,记录他们的行人流动,同时参与协议化的有趣的社会行动。 他们的GPS确定了有意义的公共空间激活的机会单元。 虽然观察到的56项行动发生在专家定义的单位内,但其余44个在其他地方。 对地理位置行动停止的聚类分析揭示了七个不同的集群,突出了具有重大社会潜力的被忽视区域。 这些发现强调了自上而下和自下而上的方法的互补性,展示了公民科学和社区科学方法如何通过在公共空间场所建设中整合主观的,基于社区的观点来丰富城市诊断,并为包容性,适应性的可持续城市转型战略提供信息。
尽管我们在理解具有非Poissonian活性模式的复杂系统中的疾病传播方面取得了进展,但目前的模型仍然未能捕获全方位的恢复时间分布。 在本文中,我们提出了经典的易感性(SIS)模型的扩展,称为一般恢复过程SIS(grp-SIS)模型。 该模型包含系统内受感染节点的任意恢复时间分布。 我们得出假设一个均匀网络的均场方程,为特定的恢复时间分布提供解决方案,并调查系统稳定状态下感染时间的概率密度函数(PDF)。 我们的研究结果表明,恢复时间分布显着影响疾病动力学,我们建议未来的几个研究方向,包括将模型扩展到任意感染过程,并使用准方法解决数值结果的偏差。
通过进化的方法,道德的基础可以解释为对合作问题的适应。 随着广义的“进化”,满足进化条件的人工智能将受到与生物实体相同的合作进化压力。 在这里讨论了随着物质安全和财富的增加而加强合作的适应性 - 对于人类,对于其他社会和人工智能。 减少从增加物质资源中获得的有益回报也表明,总的来说,没有动力来殖民整个星系,从而提供了费米悖论的可能解释,想知道每个人都在哪里。 进一步认为,旧社会可能会产生,让位给超级人工智能,因为超级人工智能很可能是可行的,而且更合适。 关闭是道德和目标影响生活和社会的有效方法,强调环境,文化和法律,并以如何吃饭为例证。 “减少回报”的定义是,小于根,不可行。 还指出,由于数学原因,不能有指数殖民或繁殖,因为每个实体占用了一定的空间。 附加是一种用于快速殖民的算法,例如快速殖民,在递减回报下的合作和公平的演变模型,以及用于模拟信号开发的软件。
大规模网络有助于塑造我们思考个人如何相互作用的方式,在数学流行病学,计算社会科学和生物学方面发展关键见解。 然而,许多潜在的社会系统,通过这些系统,疾病传播,信息传播和个人互动,本质上是通过任意大小的群体进行调解的,称为高阶互动。 群体形成和碎片化、传染传播、社会影响力等高阶动态与验证这些高阶机制所必需的数据之间存在差距。 同样,很少有数据集弥合这些配对和高阶网络数据之间的差距。 由于其开放的API,Bluesky社交媒体平台提供了一个大规模观察社交关系的实验室。 除了对等关系之外,与许多其他社交网络不同,Bluesky还具有用户策划的列表,称为“启动包”作为社交网络增长的机制。 我们引入了“蓝色开始”,这是一个大型网络数据集,由26.7M用户及其1.6B配对关系和代表启动包的301.3K组组成。 这个数据集将成为研究高阶网络科学的重要资源。
科学科学(SoS)探索科学发现背后的机制,并为提高科学效率和促进创新提供了宝贵的见解。 传统方法通常依赖于简单的假设和基本的统计工具,例如线性回归和基于规则的模拟,这些模拟难以捕捉现代研究生态系统的复杂性和规模。 人工智能(AI)的出现为下一代SoS提供了一个变革性的机会,实现了大规模模式发现的自动化,并发现了以前无法实现的见解。 本文提供了将科学科学与人工智能用于自动化研究模式发现的前瞻性观点,并强调了可能从人工智能中受益匪浅的关键开放挑战。 我们概述了人工智能与传统方法的优势,讨论了潜在的局限性,并提出了克服它们的途径。 此外,我们展示了一个初步的多智能体系统,作为模拟研究社会的一个示例,展示了人工智能复制现实世界研究模式和加速科学研究科学进步的能力。
航空旅行是美国使用最广泛的运输服务之一。 本文分析了美国 飞行网络(USFN)使用复杂的网络理论,探索网络的拓扑结构如何有助于其效率和脆弱性。 这是通过检查网络中的结构属性,学位分布和社区结构来完成的。 据观察,USFN遵循权力法分配,属于异常制度,这表明该网络是中心主导。 与零网络相比,USFN具有更高的聚类系数和模块化。 各种渗透测试表明,USFN容易受到有针对性的攻击,如果其中一个主要中心失败,则容易受到完全级联故障的影响。 总体结果表明,虽然USFN是为提高效率而设计的,但它极易受到干扰。 保护关键枢纽机场对于使网络更加强大并防止大规模故障非常重要。
现代科学面临着从线性系统审查协议转向跨知识领域更深入的认知导航的需求。 在这种情况下,PANDAVA协议(深层论证和有价值知识分析和导航协议)旨在分析科学知识的语义结构。 它结合了语义映射,概念成熟度评估,聚类和生成新假设。 PANDAVA被解释为第一个专注于语义和认知映射的知识系统化的跨学科协议。 PANDAVA协议将定量分析方法与理解知识结构的反射程序相结合,并应用于跨学科,理论上饱和的领域,如PRISMA等传统模型证明不足。 例如,该协议应用于分析生物起源假说。 建模演示了如何通过整合微光、湍流过程和地球化学源的数据来构建生命起源的理论。 PANDAVA使研究人员能够识别强弱概念,构建知识图谱,并开发新的假设。 总体而言,PANDAVA是有意义的知识管理的认知丰富工具,促进了从事实的表征到新科学范式设计的转变。
交流电网的稳定性依赖于减轻频率波动的辅助服务。 大型同步发电机的机电惯性是目前唯一吸收亚秒时间尺度上频率干扰的资源。 因此,用无惰性的新型可再生能源(NRE)取代标准火电厂会危及电网稳定性,例如突然发电损失。 为了保证系统稳定性,并弥补NRE渗透率大的电网中缺乏机电惯性,已经提出了模拟传统发电机的虚拟同步发电机。 在这里,我们提出了一种新的虚拟同步发电机控制方案,其中提供的惯性在短时间内很大 - 从而像传统发电机一样有效地吸收故障 - 但通过可调的时间尺度减少,以防止相干频率振荡。 我们评估这种自适应惯性方案在大规模输电网突然电力损失下的性能。 我们发现,它系统地优于传统的机电惯性,并且它比以前建议的计划更稳定。 数值模拟显示自适应惯性器件的准最优地理分布如何不仅有效地吸收局部断层,而且还显着增加了区域间振荡的阻尼。 我们的结果表明,拟议的自适应惯性控制方案是在未来具有大量NRE渗透率的低惯性电网中加强电网稳定性的绝佳解决方案。
已经进行了几项研究,通过应用各种指数来衡量以太坊的去中心化水平,以表明实体在生态系统中不同领域的相对主导地位。 然而,这些指数并没有捕捉到这些不同实体之间的任何相关性,这可能会使它们成为外部胁迫或秘密勾结的主题。 我们提出了一个指数,根据相关性因子的应用来衡量实体的相对主导地位。 我们认为,这种方法产生了更细致和准确的权力下放指数。
今天的政治主要是关于影响公众的信息传递的艺术,但信息传递的数学理论 - 信息和通信理论 - 可以使这种艺术变成定性和定量的精确分析,使我们能够对政治事件进行回顾性理解并做出前瞻性预测。
组织从市场、政治和社会中学习对他们的行为的反应。 虽然在某些情况下,行动和反应都是以公开的方式进行的,但在许多其他方面,某些方面可能隐藏在外部观察者之外。 欧洲歌唱大赛为研究组织水平学习两个层面提供了一个有趣的例子:组织者和参与者。 我们找到了比赛规则变化的证据,以应对不受欢迎的结果,如失控的赢家。 我们还发现了参与者在70年比赛中竞争歌曲特征学习的有力证据。 英语已被采纳为竞争歌曲的通用语,流行歌曲已成为标准类型。 歌词的单词数量也随着这种集体学习而增长。 值得注意的是,我们发现有证据表明,四个参与国选择忽视英语歌词增加获胜概率的“教训”。 这种选择与实用功能一致,这些实用功能赋予以民族语言比赢得比赛更大的价值。 事实上,我们发现有证据表明,一些国家 - 但不是德国 - 似乎不太容易受到“同行”压力的影响。 这些意见似乎超出了欧洲的视野。
去中心化自治组织(DAO)通过从传统的分层控制转向分散的方法,利用区块链和加密经济学,改变了组织结构。 尽管管理着大量资金和建立全球网络,但DAO面临着参与度下降,集中化增加以及无法适应不断变化的环境等挑战,这些挑战扼杀了创新。 本文探讨了DAO作为复杂的系统,并应用复杂性科学来解释其低效率。 特别是,我们讨论了DAO挑战,其复杂性,并介绍了集体智慧,数字民主和适应的自我组织机制。 通过应用这些机制来完善DAO设计和构建,创建了一个评估DAO可行性的概念框架。 这一贡献为未来在复杂性科学、数字民主和DAO交叉点的研究奠定了基础。
长期以来,交通拥堵一直是一个普遍存在的问题,随着特大城市的快速增长而加剧。 在这个概念验证工作中,我们研究内在的动机,通过授权原则实现,控制自动驾驶汽车行为以改善交通流量。 在交通动力学的标准模型中,自组织交通堵塞自发地从汽车的个体行为中产生,影响长途交通。 我们新颖的汽车行为策略改善了交通流量,同时仍然分散,并且仅在没有明确协调的情况下使用本地可用信息。 由于各种原因,权力下放至关重要,尤其是能够吸收大量不确定性。 我们的情景基于完善的交通动力学模型,Nagel-Schreckenberg蜂窝自动机。 在这个模型中的一小部分汽车中,我们通过授权来取代默认行为,这是我们基于动机的内在方法。 这个拟议的模型显着改善了整体交通流量,缓解了拥堵,并减少了平均交通堵塞时间。
信任和回报是经济、社会和其他互动的基础。 虽然信任游戏被广泛用于研究两个玩家之间的交互概念,通常交替扮演不同的角色(即投资者和受托人),但它对多人游戏场景的扩展仅限于玩家只承担一个角色的情况。 我们提出了一个对称的N玩家信任游戏,其中玩家在两个角色之间交替,玩家的回报被定义为他们两个角色的平均值,并驱动进化游戏动态。 我们发现,与现在对称的N-player信任游戏相比,亲社会策略更难发展,而公共产品游戏研究得很好。 特别是,在对称的N-player信任游戏中,信任无论在混合人群中的成本效益如何,都未能发展。 在结构化人群中,非线性回报会对信任的演变产生强烈影响。 相同的非线性可以产生截然不同的结果,这取决于底层网络的性质。 我们的研究结果强调了考虑回报结构和网络拓扑结构在理解亲社会行为的出现和维护方面的重要性。
电网的拓扑结构使用信息理论方法进行估计。 通过将网格建模为图形并使用网格中单个节点的电压量级数据,使用不同的近似方法计算对节点对之间的相互信息。 使用众所周知的Chow-Liu算法,计算基于相互信息的最大生成树,以估计电网拓扑结构。 实验和结果被提出来优化这种方法,成功显示了使用MATPOWER生成的IEEE网络和使用GridLAB-D生成的数据。 该算法随后在欧盟联合研究委员会生成的IEEE网络上交叉验证。
分析复杂网络的概率模型的研究代表了一个蓬勃发展的研究领域。 在前者中,指数随机图(ERGs)多年来越来越受到关注。 到目前为止,只有线性ERG被广泛用于深入了解现实世界复杂网络的结构组织。 然而,没有一个人能够解释经验程度分布的差异。 为此,必须考虑非线性ERG。 在显示通常的均场近似力将二星模型的度校正版本退化后,我们定义了它的一个健身诱导的变体。 这种“软化”模型能够在纯规范的框架内再现样本方差,同时保留其线性对应物的解释能力。
在现实世界中的不确定性中,确保自动化车辆的安全和类人的轨迹规划仍然是一个关键挑战。 虽然现有的汽车跟踪模型通常难以与类人加速和减速模式一起始终如一地提供严格的安全证明,但我们引入了一种新的基于多阶段投影的汽车跟踪模型。 该模型旨在通过结合边界加速和减速率来平衡安全性和性能,同时仿效人类的关键驾驶原则。 基于基本驱动原理和多阶段动力系统分析(详见本研究第1部分<cit.>),我们首先强调了扩展标准模型的局限性,如Newell's,具有简单的边界减速。 受人类驾驶员的预期行为的启发,我们数学地定义和分析领导者和追随者车辆的预计制动配置文件,根据预测的制动引脚车辆问题建立安全标准和新阶段定义。 拟议的吝啬模型结合了纽维尔名义驾驶的扩展模型,以及新的控制法,用于需要预计制动的场景。 使用速度间距相位平面分析,我们提供了严格的数学证明,证明模型在合理的初始条件下遵守了定义的安全和类人驾驶原则,包括无碰撞操作,无边界减速和可接受的安全停止距离。 数值模拟验证了该模型在为固定引线车辆问题实现安全和类似人类制动配置文件方面的卓越性能。 最后,我们讨论模型的影响和未来的研究方向。
面对与通信、传感和动态因素(如天气、路况、政策和其他道路使用者)相关的不确定性,轨迹规划对于确保安全驾驶至关重要。 现有的汽车跟踪模型通常缺乏严格的安全证明和持续复制类似人类驾驶行为的能力。 本文将多相动力系统分析应用于知名的汽车跟踪车型,以突出现有方法的特性和局限性。 我们首先制定安全和类似人类的汽车跟踪行为的基本原则,其中包括舒适性和最小果酱间距的零阶原则,速度和时间差距的单阶原则,以及舒适加速/减速边界的二阶原则以及制动配置文件。 从一组零和一阶原则中,我们得出了 Newell 的简化汽车跟随模型。 随后,我们分析了Newell模型中固定式引车问题的速度间距平面内的相位及其扩展,其中既包括边界加速和减速。 然后我们分析智能驾驶员模型和Gipps模型的性能。 通过这一分析,我们强调了这些模型对上述一些原则的局限性。 数字模拟和经验观察验证了理论见解。 最后,我们讨论了未来的研究方向,以进一步将安全性,类人行为和车辆自动化集成到汽车跟踪模型中,这些在这项研究的第2部分中讨论,其中我们开发了一种新颖的多阶段投影基于汽车跟踪模型,解决了这里确定的限制。
单节点代理的随机行走已经在各种类型的复杂网络上进行了随机行走,以调查其拓扑如何影响剂的动态。 但是,通过安装任何网络节点,这些代理不会与网络进行拓扑交互。 在本工作中,我们描述了由实际上是小图形的代理执行的复杂网络上的随机行走。 这些代理只能占据其拓扑结构上适合的网络的可接受部分,因此它们的名称被视为拓扑上特定的代理。 这些代理也被允许移动到网络中相邻的子图,这些子图的每个节点都毗邻代理的不同原始各自节点。 给定一个网络和一个特定的代理,就有可能获得一个各自的关联网络,其中每个节点对应于代理的可能实例,边缘表示相邻的位置。 关联网络分别获得和研究到三种类型的拓扑特异性代理(三角,正方形和斜方),考虑三种类型的复杂网络(几何,Erdős-Rényi和Barabási-Albert)。 在这些结构上也进行了均匀的随机行走,以及分别通过删除最高度的五个节点获得的网络,并研究了沿行走的覆盖节点的数量。 有几个结果被报道和讨论,包括三个被考虑的代理和不同的平均节点度可以获得基本不同的关联网络。 分别通过均匀的随机行走覆盖网络,方形代理导致了节点最有效的覆盖,其次是三角形和斜线的方形代理。 此外,几何网络被证明不那么有效覆盖。