复杂系统研究者 Thomas Varley 做客集智读书会：信息、脑与网络

背景介绍 

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统，来自不同学科背景的研究人员从不同层级尺度和角度，将脑作为信息处理系统构建模型进行研究。其中，网络科学为整合多尺度数据和复杂性提供了一个框架，成为研究大脑复杂系统的有力工具。

此次报告的主讲人 Thomas F. Varley 目前在佛蒙特复杂系统中心从事博士后工作，研究方向是复杂系统、网络和计算神经科学、信息论应用于脑科学。他于2023年于印第安纳大学计算认知神经科学实验室取得博士学位，导师是 Olaf Sporns。该实验室的主要目标是理解大脑作为一个复杂系统的结构和功能，重点关注神经元和脑区之间的连接和相互作用如何产生大脑动力学、认知和行为。研究中将大脑视为嵌入到行为有机体并支持信息处理与整合的复杂网络，借鉴来自计算神经科学、图论、时间序列分析、复杂性科学和信息论的方法对大脑进行分析和建模，重点关注人类大脑数据，也包括非人灵长类、啮齿类和昆虫的大脑。集智俱乐部因果涌现系列读书会曾解读过 Varley 的多篇论文（详情请见参考资料）。

报告简介 

此次报告中 Thomas Varley 将介绍与 Olaf Sporns 合作在2023年发表的两篇最新研究。首先介绍将复杂系统建模为网络（假设成对交互）的“标准”方法，然后讨论为何成对相互作用的模型无法捕捉高阶协同效应，这意味着网络中存在“阴影结构”（shadow structure）——一个具有相互依赖关系的巨大空间，但在标准的网络分析中“不可见”，而且由于组合学，比网络空间要大得多。这个结构常常被类比为“暗物质”：在给定的复杂系统中有很多用网络工具看不见的“东西”，但我们知道它存在。这引发我们思考，高阶/涌现信息理论对复杂系统研究的未来意味着什么。

[1]  Varley, T.F., Pope, M., Faskowitz, J. et al. Multivariate information theory uncovers synergistic subsystems of the human cerebral cortex. Commun Biol 6, 451 (2023). https://www.nature.com/articles/s42003-023-04843-w

报告人

Thomas F. Varley，现在佛蒙特复杂系统中心（Vermont Complex Systems Center）从事博士后工作。2023年于印第安纳大学获得博士学位，研究方向是复杂系统、网络和计算神经科学、信息论在脑科学中的应用。此前在美国汉普郡学院获得神经生物学和神经科学学士学位，剑桥大学临床医学（临床神经科学）硕士学位。

学者主页：https://scholar.google.com/citations?user=YhEYq-0AAAAJ&hl=en

活动发起人 & 主持人

吕奥博，圣路易斯华盛顿大学（WUSTL）系统科学与数学系博士生，研究方向为系统科学、信息论、控制等。

特邀嘉宾

张江，北京师范大学系统科学学院教授，集智俱乐部、集智学园、集智科学研究中心创始人，曾任腾讯研究院、华为战略研究院等特聘顾问。主要研究领域包括复杂系统分析与建模、规模理论等。

陈育涵，北京师范大学系统科学学院副教授。研究方向：灵长类大尺度计算神经模型、儿童脑发育结构功能连接组发育机制。

袁冰，集智科学研究中心技术与产品顾问。研究兴趣包括因果推断、复杂科学，以及人工智能相关领域。

章彦博，美国亚利桑那州立大学复杂系统博士，本科毕业于中国科学技术大学凝聚态物理系，现在塔夫茨大学进行博士后研究，集智科学家，曾在瑞典卡罗琳斯卡医学院进行访问交流。研究方向：统计物理、复杂系统等。他的研究兴趣主要是试图理解我们这个世界的“特殊尺度”。为什么原子会存在？为什么分子会存在？为什么“事物”的概念是一个有用的概念？此外，他还致力于利用化学反应网络探索生命的起源。

田洋，清华大学心理学系&脑与智能实验室研究生，研究方向是复杂系统的统计物理原理。

参与方式

此次读书会公开进行，扫码即可直接获取读书会回看权限（回放视频预计三日内上线）。社区成员可进入线上Zoom会议室参与讨论。欢迎感兴趣的朋友报名因果涌现读书会，加入因果涌现社区，与社区的一线科研工作者沟通交流，共同推动因果涌现这一前沿领域的发展。

报名成为主讲人：

读书会成员均可以在读书会期间申请成为主讲人。主讲人作为读书会成员，均遵循内容共创共享机制，可以获得报名费退款，并共享本读书会产生的所有内容资源。具体见系列读书会详情：新信息论：从分解到整合｜因果涌现读书会第四季启动 。

主要解读论文

Communications Biology：多变量信息理论揭示人类大脑皮层的协同子系统

Multivariate information theory uncovers synergistic subsystems of the human cerebral cortex.

https://www.nature.com/articles/s42003-023-04843-w

大脑建模的一种最为成熟的工具是功能连接网络（functional connectivity network），它由成对相互作用的大脑区域构建而成。网络模型虽然强大，但也受到限制：它仅考虑成对依赖关系，可能会忽略高阶结构。

研究使用模拟退火方法找到了最大协同子系统，发现这些系统通常由来自多个经典大脑系统的大约10个脑区域组成。尽管高度协同的子系统无处不在，但在考虑成对功能连接时却是不可见的，这表明高阶依赖关系形成了一种“阴影结构”（shadow structure），这是基于网络的分析所忽视的。大脑中的高阶相互作用代表了一个未被充分探索的领域，可以通过多元信息理论的工具来获得新的科学洞察。

PNAS ：部分熵分解揭示人脑活动的高阶信息结构

Partial entropy decomposition reveals higher-order information structures in human brain activity

https://www.pnas.org/doi/abs/10.1073/pnas.2300888120

将人脑建模为复杂系统的标准方法是使用网络，其中基本的交互单元是两个脑区之间的成对链接。这种方法很强大，但由于无法直接评估涉及三个或更多元素的高阶交互而存在一定限制。这篇发表于 PNAS 的研究探索了一种捕捉多元数据中高阶依赖关系的方法：局部熵分解（partial entropy decomposition, PED）。该方法将整个系统的联合熵分解为一组非负信息原子，用来描述构成系统结构的冗余、特有和协同交互。局部熵分解提供了对功能连接及其局限性的数学洞察。当应用于静息态功能磁共振成像（fMRI）数据时，研究者发现了高阶协同的稳健证据，这在标准功能连接分析中很难观察到。该方法还可以在时间上定位，允许逐帧分析冗余和协同分布在记录过程中如何变化。研究发现，不同的脑区集合可以瞬时地从冗余主导转变为协同主导，并且这种时间模式是结构化的。这些结果强有力地表明，在人脑数据中存在大量未被探索的结构，它们在关注双变量网络连接模型时很大程度上被忽略了。这种协同结构在时间上是动态的，并且可能揭示出大脑与行为之间的有趣联系。除了在大脑这一特定应用方面，局部熵分解为理解各种复杂系统中的高阶结构提供了一种非常通用的方法。

更多相关工作

• Varley, Thomas F., and Erik Hoel. Emergence as the conversion of information: a unifying theory. Philosophical Transactions of the Royal Society A 380.2227 (2022): 20210150.（与因果涌现理论提出者 Erik Hoel 合作发表）

• Varley, Thomas F. Flickering emergences: The question of locality in information-theoretic approaches to emergence. Entropy 25.1 (2022): 54.

• Rosas, F. E., Mediano, P. A. M., Luppi, A. I., Varley, T. F., Lizier, J. T., Stramaglia, S., Jensen, H. J., & Marinazzo, D. (2022). Disentangling high-order mechanisms and high-order behaviours in complex systems. Nature Physics, 18(5), 476–477.

• Varley, Thomas F., and Joshua Bongard. Evolving higher-order synergies reveals a trade-off between stability and information integration capacity in complex systems. arXiv preprint arXiv:2401.14347 (2024).

相关文章

• 脑与涌现的联系：从协同核到因果涌现
• 从微观到宏观：涌现的实质是信息转换？
• Entropy 因果与复杂系统特刊：从自上而下因果到闪烁涌现
• PNAS 速递：部分熵分解揭示人脑活动的高阶信息结构
  
• 模块化认知：演化如何自下而上涌现出智能？
• 神经复杂性经典综述：涌现的复杂神经动力学
• 路径：基于依赖关系的高阶网络建模（https://pattern.swarma.org/article/200）

什么是意识？意识能否度量？机器能否产生意识？对于意识问题，人们可能即将迎来一个大的突破，各种有关意识的理论正如雨后春笋般展现出勃勃生机。其中神经科学家 Giulio Tononi 的整合信息论（IIT）被认为是最有前景的意识理论之一。如果说意识是大脑神经活动的一种涌现结果，那么刻画涌现便成为理解意识过程中一个重要环节。因果涌现理论目前发展出两个派别，除了 Erik Hoel 的有效信息因果涌现框架，还有一个是 Rosas 的信息分解（PID）框架，此后 Rosas 基于此进一步提出融合整合信息论的信息分解框架 ΦID，尝试构建新的意识理论。

一边是信息整合（IIT），一边是信息分解（PID），看似分裂，实际上都是对香农经典信息论的进一步发展。因果涌现读书会第四季「新信息论：从分解到整合」由北京师范大学系统科学学院教授、集智俱乐部创始人张江老师领衔发起，旨在梳理信息论领域的发展脉络，从香农的经典信息论开始，重点关注整合信息论和信息分解这两个前沿话题，及其在交叉领域的应用。希望通过对这些“新信息论”度量指标的深入探讨，帮助我们理解什么是意识，什么是涌现，并找到不同学科，不同问题背后的统一性原理。

因果涌现社区由集智俱乐部通过系列因果涌现读书会孕育孵化，旨在促进学术交流和科学创新，聚焦于破解复杂科学的圣杯问题，为国内学者和科学爱好者提供一个共享和探索的平台，推动科学研究的发展。

网站地址：https://www.ce.swarma.org/

详情请见：计算神经科学读书会启动：从复杂神经动力学到类脑人工智能