课程简介




北京师范大学系统科学学院 × 集智学园 联合推出《系统科学前沿》课程——看见复杂背后的秩序，用系统思维连接万物

在当前这个日益复杂和不确定的时代，AI、生命科学、社会演化飞速发展，我们正置身于一个比以往更“复杂”的世界：

  • 用个体视角难以解释群体行为

  • 单点优化难以解决系统瓶颈

  • 简单因果逻辑在多因素交织中失效

系统科学，正是理解这种复杂性的钥匙。它不仅是一种方法论，更是一种面向未来的世界观。

为推动系统科学思想的传承与前沿拓展，北京师范大学系统科学学院联合集智学园，共同发起重磅课程项目：《系统科学前沿》。本课程以方福康先生系统科学文集为思想基石，汇聚北师大系统科学领域顶尖学者，系统整合统计物理、生命系统中的智能行为、社会复杂系统建模、人工智能与复杂网络等多个交叉方向，构建一条从微观机制到宏观结构、从理论分析到实际应用的知识脉络。


“系统科学最需要的，是对复杂系统这个未知世界基本规律的掌握，这一目标的实现，需要通过对具体系统的深入研究来完成。” ——方福康


课程主旨：

帮助学习者建立系统思维的基本范式，深入把握系统科学的核心概念、方法论及其在现代科学中的关键地位，进而为跨学科研究与创新提供坚实的理论支撑。


课程特色：

🔹 权威师资：北师大系统科学学院教授领衔，每位导师深耕领域超15年，兼具学术深度与教学经验。

🔹 跨学科融合：覆盖物理、生物、社会、AI四大维度，展现系统科学的“万物互联”思维。

🔹 问题驱动：每讲以真实复杂系统问题切入（如脑网络动力学、群体智能涌现），辅以Python/NetLogo仿真实践。

🔹 集智社区共创：学员可加入集智「系统科学」主题社群，与导师、同行持续互动，参与论文共读与课题研讨。





课程大纲








适合人群




✅ 理工科高年级学生/研究生：系统性掌握复杂系统研究工具（多主体建模、网络分析）

✅ 跨学科研究者：汲取生物学、社会科学与AI的交叉灵感

✅ 产业从业者：用系统思维解决业务中的非线性问题（如用户增长、供应链优化）





报名须知




✅ 课程形式：腾讯会议直播，集智学园网站录播。本系列课程不安排免费直播。

✅ 课程周期：2025年6月20日-2025年8月22日，每周五晚19：30-21：30点，授课1.5小时，答疑0.5小时。

✅  课程定价：原价599，早鸟价299，早鸟优惠截止到2025年6月20日中午12点。





付费流程




  1. 扫码付费；

  2. 课程页面添加学员登记表，添加助教微信入群；

  3. 课程可开发票。





课程奖学金机制




途径一：发布高质量课程笔记

在集智斑图网站（pattern.swarma.org）完成本课程体系下某个方向的总结文章或学习路径。经集智学园助教团队评定认可后，可作为一条贡献。一条贡献奖励200元奖学金，质量优异的内容，会有浮动奖励。可参考：


途径二：招募课程助理1名

付费报名课程后，联系助教微信申请课程助理。经沟通，成为正式课程助理，完成课程助理任务，在课程结束后退全额学费。





讲师阵容




第一课：无尽的前沿——系统科学简介

在20世纪科学发展的基础上，对复杂系统涌现性的研究已成为21世纪科学探索的重要领域。在这一方向上的科学发展表明，纷繁多样的复杂现象背后，可能存在着简单的、普适的规律。探索各类系统的结构、环境与功能的普适关系以及演化与调控的一般规律，并在系统范式的基础上形成科学认识，是系统科学研究的重要任务。课程将简要介绍系统科学的核心科学内容，并以气候系统、神经系统、科学学的若干研究为案例，介绍从复杂系统的视角开展研究的线路和部分研究成果，展现探索复杂性的基本途径。


主讲教师：狄增如

北京师范大学系统科学学院教授，珠海校区复杂系统国际科学中⼼主任，国际系统与控制科学院院⼠。 第六、七届国务院学位委员会系统科学学科评议组召集⼈，现任教育部⾼等学校教学指导委员会管理科学与⼯程类专业委员会委员，系统工程学会监事长，《系统⼯程理论与实践》 、《系统科学学报》 、《系统与控制纵横》杂志副主编，中国⼤百科全书第三版《系统科学卷》 副主编等。主要研究领域为复杂系统理论、复杂⽹络、大数据分析及其在社会经济和⽣命系统中的应⽤等，在Nature Communication, Nature Human Behavior，Physical Review Letters，PNAS等国际国内重要学术期刊上发表论⽂120多篇。2016年由于在复杂系统分析、复杂⽹络等⽅⾯的成就获中国系统⼯程学会第三届系统科学与系统⼯程科学技术奖理论贡献奖。

主页

https://sss.bnu.edu.cn/szdw/rcxm/gjxtykzkxyys/00bab8163a0d4938a7219b6e6d2118ec.htm


第二课：统计物理与地球复杂系统

复杂系统常由大量相互作用的个体构成，如何从个体行为推演出系统整体性质，是统计物理的重要使命。本课程将从气体动力学出发，回顾吉布斯建立的平衡态统计力学，并详细讲解陈晓松教授团队建立的本征微观态统计物理学，以及本征微观态的重整化群理论。通过分析大量个体状态演化数据，我们可以识别系统在不同宏观条件下出现的本征微观态，揭示其对应的结构与动力学特征。系统的相变、本征态的涌现、临界现象等宏观行为，均可由这些微观态的概率分布与熵变行为精准刻画。课程将展示该理论在平衡态系统、非平衡态系统和地球复杂系统的应用。


主讲教师：陈晓松

北京师范大学系统科学学院/浙江大学物理高等研究院教授。1982年、1984年获华中师范大学物理学学士、理论物理硕士学位，1992年获德国柏林自由大学自然科学博士学位，1999年度中国科学院“百人计划”入选者，2003年国家杰出青年科学基金获得者。先后在德国柏林自由大学、德国亚琛工业大学、中国科学院理论物理研究所等高校和研究所工作，2018年10月起入职北京师范大学系统科学学院，2024年9月起担任浙江大学物理高等研究院教授。研究领域为液体统计物理、相变与临界现象基本理论、复杂系统和地球系统的统计物理及相变与临界现象。现任《Communication in Theoretical Physics》、《Chinese Physics B》、《Entropy》、《Fundamental Research》期刊编委，曾任《中国科学：物理学 力学 天文学》、《物理》、《现代物理知识》等期刊编委。

https://sss.bnu.edu.cn/szdw/zzjs/js/6202b869e5a74a59aba62a2c8d7f4c7c.htm


第三课：复杂系统与人工智能

人工智能的飞速发展为复杂系统的研究注入了新鲜的活力，特别是在以数据驱动的方式构建复杂系统模型方面，包括复杂系统的动力学学习，复杂网络的重构，以及涌现动力学的重构等问题已取得一些突破。另一方面，人工智能大模型已经演化为一个复杂的系统，用复杂系统的方式研究大模型也成为了一种新的趋势。


主讲教师：张江

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

主页

https://jake.swarma.org/


第四课：群体行为与多主体建模

多主体建模（Agent-Based Modeling, ABM）作为系统科学中的关键建模方法，是连接微观机制与宏观现象的桥梁，是系统科学专业基础课程之一。该课程围绕“个体—群体—系统”之间的演化关系，讲解如何通过模拟异质个体之间的局部相互作用，揭示群体行为的涌现过程。自底向上的建模范式使得我们能够更真实地刻画非线性、异质性、自适应性等复杂特征，并探索协作、分工、群体决策等宏观现象背后的微观驱动机制。本课程将介绍多主体建模的基本理论与关键要素，包括个体行为规则、学习与自适应机制、环境交互与反馈等内容，并进一步探讨群体行为建模在金融系统、市场形成、社会分层与政策制定等典型社会系统中的应用。此外，课程还将引入遗传算法与进化建模思想，讲解其在复杂系统中的优化与学习功能。通过对“熵”“信息熵”“社会层次熵”等宏观量的引入，课程也将探讨系统涌现行为的统计物理刻画。


主讲教师：韩战钢

北京师范大学系统科学学院教授、博士生导师，系统分析与集成实验室主任，国务院学位委员会系统科学评议组成员，联合国教科文组织复杂系统数字校园副主席。长期致力于自然与人工集群系统的交叉研究，围绕集群智能、群体自组织行为及复杂系统建模取得多项具有突破性的成果，涵盖蚁群、鱼群与机器人群体的实验研究与建模分析、对称破缺机制、系统临界态行为等核心科学问题。提出演化算法的收敛复杂性理论，发展新能源转型的多主体建模方法，在Science、Physical Review Letters、PLOS Computational Biology等国际权威期刊发表论文。主持多项国家自然科学基金及企业合作项目，推动多主体建模、人工智能与系统科学交叉融合发展。主讲博士研究生核心课程《多主体建模》，课程获评校级思政优秀课程，培养多名优秀研究生获国家级科研项目及荣誉，推动中国复杂系统研究与教育体系的发展。主页

https://sss.bnu.edu.cn/t/~zhan


第五课：复杂网络理论及其应用

在当今的互联网时代和大数据时代，拥有网络思维以及学会网络分析显得十分重要。本课程简要介绍复杂网络的基础知识与实际应用，内容涵盖复杂网络中的基本概念、网络的拓扑结构性质、复杂网络模型、网络上的动力学等几方面内容，并将会结合一些实际系统案例。


主讲教师：樊瑛

北京师范大学系统科学学院教授、博士生导师。现担任中国系统工程学会系统理论专委会主任、常务理事；中国环境科学学会生态环境复杂系统协同治理专业委员会副主任委员；中国工业与应用数学学会复杂网络与复杂系统专委会委员；中国人工智能学会社会计算与智能专委会委员等。研究方向为复杂系统理论及其在社会经济领域中的应用，特别是复杂网络研究，主持或参与多项国家自然科学基金项目，发表多篇有影响力论文。曾获得2009年度教育部新世纪人才。在中国大学慕课网开设《复杂网络分析》课程多轮次。

主页

https://sss.bnu.edu.cn/szdw/zzjs/js/b3dc1052ae954423a70fc2b6ab22ee0d.htm


第六课：自组织理论

本课程旨在探索复杂系统如何在没有外部指令或中央控制器的情况下，通过其内部组分（子系统）之间的相互作用，自发形成从无序到有序、有结构的状态。该理论挑战了“有序必然来自外部设计”的传统观念，揭示了自然界和社会中“自下而上”形成秩序的普遍规律。本次课程将从热力学系统出发，探讨系统有序行为的形成机制。例如，核心内容之一的耗散结构理论，首次严格证明了在开放且远离平衡的条件下，熵产生能够成为有序之源（“通过涨落达到有序”），为理解生命、地球化学循环乃至社会经济系统的有序演化提供了物理化学基础。


主讲教师：崔晓华

北京师范大学系统科学学院副教授、博士生导师，博士毕业于北京师范大学物理系，并于2007至2009年期间赴美国加州大学洛杉矶分校（UCLA）联合培养。长期从事非线性动力学与复杂系统研究，关注复杂网络结构下的动力学演化，如心脏系统等生命系统中的动力学行为、有网络结构的行为传播及基于数据的动力学建模。

主页

https://sss.bnu.edu.cn/szdw/zzjs/fjs/5acb5633b2fd4551bd93760cd0de15f6.htm


第七课：大脑复杂性中的前沿专题

大脑——一个高耗能，多功能的器官——是一个在长期进化过程中形成的多尺度复杂系统。为了应对复杂多变的进化压力，大脑的设计，如组织结构和信息传递的运行，需要在多个尺度同时满足多种需求，如能量限制，信息传递效率等等。大脑如何在不同尺度上来平衡相互矛盾的需求，探索其设计和运行背后的规则是脑领域重要问题。本课程将首先回顾从宏观，介观到子脑区等不同尺度上，脑区连接设计机制，探索不同尺度上的平衡规则，以及不同尺度之间平衡规则的联系。然后进一步进入更微观的神经元层面，探索其信息流模式与不同功能之间关系。最后进入多尺度、跨物种大脑连接设计的scaling规则。


主讲教师：陈育涵

北京师范大学系统科学学院副教授、博士生导师，博士毕业于香港浸会大学计算神经科学专业。长期从事计算神经科学研究，聚焦灵长类大脑大尺度结构与功能连接组的建模及儿童脑发育的神经机制。通过融合神经解剖学、神经影像学与统计物理、非线性动力学等方法，建立多尺度计算模型，系统揭示脑连接网络形成与信息传递的内在机制。在 PNAS、Cerebral Cortex、PLoS Computational Biology 等国际主流期刊发表多篇高水平研究论文，主持国家自然科学基金面上项目与青年基金项目。现担任 Communications Biology、Neuroimage 等多个国际期刊审稿人。实验室主页：chenlab.tech

主页

https://sss.bnu.edu.cn/szdw/zzjs/fjs/b7ec491716874783ad2248743c4bf378.htm


第八课：生命复杂性

生命是由分子、细胞、组织等不同层次生命物质所构成。其中，细胞作为蛋白质等生物大分子构成的复杂系统，生物大分子在细胞内的运动是代谢、信号传导生命功能的物理基础，揭示它们之间的关系具有极其重要的科学意义。如何精确观测不同层次生命物质的动态过程、刻画其动力学行为、理解其隐藏的功能机理以及多层次间的相互关联，都亟待研究者解决。讲者团队搭建了单分子荧光动态成像平台，提出了特有的测量细胞内扩散、主动运输的动力学研究方法。在分子、细胞尺度开展了一系列复杂动力学研究，发掘其与细胞功能、结构特征以及外界微环境等方面的内在关联，从物理角度理解真实生命过程。


主讲教师：李辉

现任北京师范大学系统科学学院教授，博士生导师。2006年和2012年分获山东大学学士学位和中科院物理研究所博士学位。2012年毕业留所工作，历任助理研究员、副研究员，并先后赴牛津大学、哈佛大学、麻省理工学院进行学术访问。2019年入职北京师范大学。主要从事分子、细胞、组织等多层次生命系统的生物物理实验研究，重点关注复杂动力学过程及相关统计物理问题。研究方向：1. 单细胞内的生物分子复杂动力学；2. 多细胞（组织）的复杂动力学；3. 高精度单分子成像技术。

主页

https://sss.bnu.edu.cn/szdw/zzjs/js/21a80522b50446eba5174e4c1a74ff90.htm


第九课：社会经济系统复杂性探索

课程主要内容包括：（1）阐述社会经济系统作为一类特别复杂系统的基本特征，特别关注个体行为和个体间互动的复杂性；（2）以阿瑟“酒吧问题”为例展现人类参与系统中一些典型的复杂现象；（3）介绍处理复杂社会经济系统的新增方法——基于算法的多主体模型模拟；（4）从复杂系统视角讨论若干经济金融理论以及组织管理与社会治理问题。


主讲教师：李红刚

北京师范大学系统科学学院教授，文理学院系统科学系（珠海校区）主任，金融工程研究中心主任，教育部新世纪优秀人才支持计划入选者。拥有北京师范大学系统科学博士学位，长期从事复杂系统理论及其在经济金融领域的应用研究，特别专注于经济金融系统复杂性、多主体计算金融、金融风险管理以及公共管理与社会治理等方向，积极推动系统科学与金融工程、经济学及社会治理的跨学科融合。教学涵盖系统科学导论、运筹学、系统工程、经济学、金融学、金融工程及风险管理等多个本科和研究生课程。

主页

https://sss.bnu.edu.cn/szdw/rcxm/xsjrcxm/0cf58d09a6694a01a41588ccc04ab7d5.htm


第十课：科学学与复杂系统研究

科技的发展依赖于科学家大量的研究探索行为。科学研究活动本身形成了一个典型的复杂系统，有着上亿篇的文献、千万级的科学家；有着论文引用、科学家合作等各种相互作用；有着知识的发现、领域的形成、团队的组建等涌现行为。借助于复杂系统的分析工具和视角，近年来科学研究中的很多普适性规律被挖掘出来。本次课程主要介绍科学学和复杂社会系统研究之间的关系，具体介绍科学家个体层面上兴趣迁移的行为特征，科学家合作关系中的研究主题选择，科研团队内部结构和颠覆式创新的关系等方面的研究结果。


主讲教师：曾安

北京师范大学系统科学学院副教授，博士毕业于瑞士弗里堡大学物理系。现任《复杂系统与复杂性科学》和《Humanities and Social Sciences Communications》学术编辑。研究方向涵盖复杂网络、科学计量学、信息过滤及其在城市科学和系统性风险中的应用。主持多项国家自然科学基金和北京市自然科学基金项目，在nature human behaviour，nature computational science，nature communications，pnas，prl等期刊发表多篇论文。主讲研究生课程《系统性风险》和本科生课程《信息论与信息挖掘》。

主页

https://sss.bnu.edu.cn/szdw/zzjs/js/8b4c96518e694080a5319f428abe045f.htm


北京师范大学系统科学学院

北京师范大学是中国系统科学学科的重要发源地之一，自20世纪70年代末即开始布局相关研究和教育体系。早在1979年，北师大就成立了非平衡系统研究所，并于1985年设立全国首个系统理论专业，1990年获得博士学位授权，2000年取得系统科学一级学科博士授予权，2013年正式成立系统科学学院。经过四十余年的发展，学院已建立起从本科到博士后完整的人才培养体系，并在复杂系统研究领域形成深厚积淀。

系统科学学院聚焦复杂系统的结构、演化和控制，研究涵盖从自然到社会的多个层面，尤其在复杂系统的涌现行为与控制优化、社会经济系统建模、生命与脑认知系统的自组织行为、多主体系统与智能算法、以及复杂系统的信息建模等方面形成了特色鲜明、国际接轨的研究方向。学院在复杂网络、脑科学、经济系统建模等研究领域取得了一系列有影响力的成果，多篇论文被国际权威期刊选为封面或亮点评述，并受到国内外学术界和主流媒体广泛关注。依托于“复杂性研究中心”、“数学与复杂系统教育部重点实验室”等科研平台，北师大系统科学学院已成为中国高校中系统科学研究与人才培养的重镇之一。


集智学园

集智学园作为集智科学研究中心孕育的商业公司，力图传播复杂科学、人工智能等前沿知识和新兴技术，促进、推动复杂科学领域的知识探索与生态构建。合作伙伴包括腾讯、华为、北京师范大学、湖畔大学、混沌大学等多家知名机构。2019年被评定为“中关村高新技术企业”和“国家高新技术企业”。

🌞 口号：学复杂科学，到集智学园

🌞 使命：梳理复杂知识体系，普及科学理论方法。

https://campus.swarma.org





阅读清单




推荐书目

M.米切尔·沃尔德罗普著，集智俱乐部译,《复杂-诞生于秩序与混沌边缘的科学》，中信出版集团，2024.https://pattern.swarma.org/book/ffb02810-e0d7-11ee-b3e2-0242ac170008


Hiroki Sayama，《Introduction to the modeling and analysis of complex systems》， Published by Open SUNY Textbooks, Milne Library，2015.https://ieeexplore.ieee.org/document/7547403


G.尼科里斯，I.普利高津，罗久里 陈奎宁译，《探索复杂性》，四川出版集团，四川教育出版社，2010年4月。https://book.douban.com/subject/4810028/


樊瑛 狄增如 曾安 周建林主编 《复杂网络分析》北京师范大学出版社，2024.12


菲利普•鲍尔，预知社会：群体行为的内在法则，当代中国出版社，2007.


布莱恩•阿瑟，复杂经济学，浙江人民出版社，2018


亚内尔•巴尔-扬，解困之道：在复杂世界中解决复杂问题，上海科技教育出版社，2021


梅拉妮•米歇尔，复杂，湖南科技出版社，2018.


参考文献

  1. Teng Liu (刘腾)1, Gao-Ke Hu (胡高科)1, Jia-Qi Dong (董家奇)2, et al. Renormalization Group Theory of Eigen Microstates. Chinese Physics Letters, 2022，https://iopscience.iop.org/article/10.1088/0256-307X/39/8/080503/meta

  2. Jingfang Fan, Jun Meng, Josef Ludescher, et al. Statistical physics approaches to the complex Earth system. Physics Reports, 2020，https://www.sciencedirect.com/science/article/pii/S0370157320303458

  3. Yu Sun，Gaoke Hu，Yongwen Zhang，Bo Lu，Zhenghui Lu，Jingfang Fan，Xiaoteng Li，Qimin Deng，Xiaosong Chen. Eigen microstates and their evolutions in complex systems。Commun. Theor. Phys,2021. DOI 10.1088/1572-9494/abf127

  4. Ian Fox, Lynn Ang, Mamta Jaiswal, et al. Deep Multi-Output Forecasting: Learning to Accurately Predict Blood Glucose Trajectories. arXiv:1806.05357, 2018

  5. Alvaro Sanchez-Gonzalez, Nicolas Heess, Jost Tobias Springenberg, et al. Graph networks as learnable physics engines for inference and control. arXiv:1806.01242, 2018

  6. Petar Veličković, Lars Buesing, Matthew C. Overlan, et al. Pointer Graph Networks. arXiv:2006.06380, 2020

  7. Zhang, Z., Zhao, Y., Liu, J. et al. A general deep learning framework for network reconstruction and dynamics learning. Appl Netw Sci,2019. https://doi.org/10.1007/s41109-019-0194-4

  8. Alex Tank, Ian Covert, Nicholas Foti, et al. Neural Granger Causality for Nonlinear Time Series. arXiv:1802.05842, 2018

  9. Thomas Kipf, Ethan Fetaya, Kuan-Chieh Wang, et al. Neural Relational Inference for Interacting Systems. arXiv:1802.04687, 2018

  10. Jason Wei, Yi Tay, Rishi Bommasani, et al. Emergent Abilities of Large Language Models. arXiv:2206.07682, 2022

  11. John J. Nay. 137 emergent abilities

  12. URI Wilensky and William Rand. An introduction to Agent-based modeling.https://www.intro-to-abm.com/

  13. Tamás Vicsek; András Czirók; Eshel Ben-Jacob; Inon Cohen; Ofer Shochet. Novel Type of Phase Transition in a System of Self-Driven Particles. Physical Review Letters, 1994,https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.75.1226

  14. Couzin I D, Krause J, James R, et al. Collective memory and spatial sorting in animal groups.[J]. Journal of Theoretical Biology. 2002, https://www.sciencedirect.com/science/article/abs/pii/S0022519302930651

  15.  Gautrais J, Ginelli F, Fournier R, et al. Deciphering interactions in moving animal groups[J]. 2012.https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1002678

  16. 江世杰,韩战钢.复杂系统研究中基于agent的模型化方法[J].上海理工大学学报,2011,33(2).https://www.cnki.com.cn/Article/CJFDTotal-HDGY201102005.htm

  17. G Lin, Z Han, A Shee, C Huepe, et al. Noise-Induced Quenched Disorder in Dense Active Systems[J]. Physical review letters, 2023.https://sss.bnu.edu.cn/docs/2024-05/3e3e66aa859e4597a744fdca45c6e6ec.pdf

  18. Yuhan Chen, Qixiang Lin, Xuhong Liao, Changsong Zhou, Yong He; Association of aerobic glycolysis with the structural connectome reveals a benefit-risk balancing mechanism in the human brain, Proceedings of the National Academy of Sciences, 2020, 118(1): e2013232118. https://www.pnas.org/doi/10.1073/pnas.2013232118

  19. Yuhan Chen, Zi-Ke Zhang, Yong He, Changsong Zhou; A large-scale high-density weighted structural connectome of the macaque brain acquired by predicting missing links, Cerebral Cortex, 2020, 30(9): 4771-4789. https://academic.oup.com/cercor/article/30/9/4771/5823076

  20. Laura E. Suárez,et al.,A large-scale high-density weighted structural  Brain Networks, Trends in Cognitive Sciences(2020).https://doi.org/10.1016/j.tics.2020.01.008.

  21. van den Heuvel, M.P., Sporns, O. A cross-disorder connectome landscape of brain dysconnectivity. Nat Rev Neurosci20, 435–446 (2019). https://doi.org/10.1038/s41583-019-0177-6

  22. Yuhan Chen, Shengjun Wang, Claus C.Hilgetag, Changsong Zhou; Features of spatial and functional segregation and integration of the primate connectome revealed by trade-off between wiring cost and efficiency, PLOS Computational Biology, 2017, 13(9): e1005776. https://doi.org/10.1371/journal.pcbi.1005776

  23. Zeng, A., Shen, Z., Zhou, J. et al. Increasing trend of scientists to switch between topics. Nat Commun10, 3439 (2019). https://doi.org/10.1038/s41467-019-11401-8

  24. Zeng, A., Fan, Y., Di, Z. et al. Fresh teams are associated with original and multidisciplinary research. Nat Hum Behav5, 1314–1322 (2021). https://doi.org/10.1038/s41562-021-01084-x

  25. H. Li, C.J. Tessone, & A. Zeng, Productive scientists are associated with lower disruption in scientific publishing, Proc. Natl. Acad. Sci. U.S.A. 121 (21) e2322462121, https://doi.org/10.1073/pnas.2322462121 (2024).

  26. A. Zeng, Y. Fan, Z. Di, Y. Wang, & S. Havlin, Impactful scientists have higher tendency to involve collaborators in new topics, Proc. Natl. Acad. Sci. U.S.A. 119 (33) e2207436119, https://doi.org/10.1073/pnas.2207436119 (2022).

  27. Xing, Y., Ma, Y., Fan, Y. et al. Academic mentees thrive in big groups, but survive in small groups. Nat Hum Behav9, 902–916 (2025). https://doi.org/10.1038/s41562-025-02114-8

  28. Deng, N., Gu, X., Fan, Y. et al. The critical role of persistent disruption in advancing science. Nat Comput Sci (2025). https://doi.org/10.1038/s43588-025-00808-7


复杂系统和复杂性简介——经典、前沿论文推荐：https://pattern.swarma.org/article/66

复杂系统自动建模必读论文列表：https://pattern.swarma.org/article/20

面向复杂系统的人工智能读书会论文列表：https://pattern.swarma.org/article/79

复杂网络动力学系统重构文献：https://pattern.swarma.org/article/28

复杂系统中多主体建模入门路径：https://pattern.swarma.org/article/19

「生命—信息—物理」生命复杂性读书会论文清单：https://pattern.swarma.org/article/105

复杂经济学读书会论文清单：https://pattern.swarma.org/article/109




推荐阅读
1. 与网络科学家一起，“集智”学习《巴拉巴西网络科学》
2. 2021重磅新课：探索网络动力学——网络科学第二期
3. 从数学建模到多学科应用——网络科学·集智课堂全新升级
4. 涌现动力学如何用来分析复杂系统？ | 新课上线



点击“阅读原文”，报名课程

内容中包含的图片若涉及版权问题，请及时与我们联系删除