结合配分函数与机器学习的网络粗粒化方法丨4月25日（周五）直播 · 第7期复杂网络动力学读书会

集智俱乐部 集智俱乐部 2025年04月22日 23:21 上海

导语

近年来，统计物理方法被迁移到复杂网络上，用来理解与度量网络在不同尺度下的信息传播动力学特性。然而，这一系列工具的使用受限于网络的尺寸带来的时间复杂度挑战。在本次分享中，我们将提出基于图神经网络的机器学习方法，该方法可以压缩网络尺寸并保证信息处阿波动力学特性不变，为分析大网络的动力学性质，理解网络的多尺度关系带来帮助。

「复杂网络动力学」读书会第七期由北京师范大学张江教授课题组的博士生张章介绍今年作为一作在Nature Communications上发表的一种基于统计物理和机器学习的复杂网络粗粒化方案，以及相关背景问题、方法与实验结果。读书会将于4月25日（本周五）19:30-21:30进行，欢迎感兴趣的朋友参与讨论交流！

分享内容简介

在本次分享中，我们将首先介绍统计物理工具如何被应用于复杂网络上，作为网络信息传播动力学性质的度量。在这一部分，我们将介绍配分函数这一核心概念。此外，我们还将介绍图神经网络的基本原理，以及如何基于图神经网络和配分函数的结合提出网络粗粒化模型。最后，我们将介绍一系列相关实验，引出结论并分析模型的性质。

分享内容大纲

背景介绍

复杂网络的配分函数

图上的机器学习模型

方法

实验结果

总结与讨论

主要涉及到的知识概念

1. 统计物理, Statistical Physics

2. 配分函数, Partition Function

3. 图神经网络, Graph Neural Networks (GNNs)

4. 网络粗粒化方案, Network Coarse-Graining Scheme

5. 网络多尺度分析, Multi-Scale Analysis of Networks

讲者介绍

张章，北京师范大学系统科学学院博士生。研究兴趣集中于复杂网络与深度学习的交叉领域，具体包括机器学习，复杂系统自动建模等。

参考文献

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

我们在之前对这篇文章进行了详细解读，感兴趣的朋友可以阅读——如何获得一个网络的素描？——统计物理和机器学习共同给你答案｜集智科学研究中心NC最新成果

报名参与读书会