论文：Self-organized Criticality in Aquatic Robot Swarm

单位：清华大学深圳国际研究生院、清华大学深圳研究院

发布日期：2026.05

请索引第95篇论文

顶刊速递 | 水面机器鱼群暗藏宇宙法则？Science子刊揭秘“自组织临界”的终极浪漫

做科研的你，一定对这两个词不陌生：复杂系统（Complex Systems）与非线性动力学（Nonlinear Dynamics）。

从沙堆的崩塌、森林的火灾，到大自然的生态系统，乃至我们大脑中千亿神经元的放电，自然界处处隐藏着一种神秘而优雅的规律——自组织临界性（Self-Organized Criticality, 简称 SOC）。

简单来说，SOC 描述的是一个动态系统无需外部精细调参，仅靠内部个体的局部相互作用，就能自发演化到一个“临界状态”。在这个状态下，系统会产生尺度不变性（Scale Invariance），各种物理量的统计分布呈现出优美的幂律分布（Power-law）。

听起来很美，但在可编程的人工系统中真正实现它，却难如登天。传统实验平台要么过于孤立（如超冷原子气），要么个体缺乏自主性与真实的物理环境耦合（如磁控微集群）。

破局者在 2026 年出现了。

近期，来自清华大学深圳国际研究生院和深圳清华大学研究院的科研团队，在《Science Advances》上发表了题为 “Self-organized criticality in aquatic robot swarm”的重磅论文。他们创造性地在实验室的水槽里，造出了一群会发光、会吐水波的小机器人，不仅完美复现了 SOC，还为未来自适应集群系统的开发提供了全新范式。

今天，我们就来深度扒一扒这篇顶刊背后的硬核科学与极致浪漫。

01. 极简主义的设计：光与波的“爱恨情仇”

要在实验室里无中生有地创造出大自然的临界态，第一步就是设计一套足够聪明、又足够简单的底层交互规则。

研究团队开发了名为“水面机器人集群（Aquatic Robot Swarm, ARS）”的实验平台。每个体积仅约 80 立方厘米的微型机器人，都是一个拥有独立计算、感知和移动能力的“智能体”。

它们是如何互动的呢？机制堪称极简，却充满辩证法的智慧：光学吸引 + 流体动力排斥。

• “爱”的吸引力（光学耦合）：每个机器人的侧面都装有 LED 灯，同时配备了光敏电阻。它们天生具有“趋光性”，通过对比不同方向的光强，机器人会调整自己的运动方向，主动向其他发光的同伴靠近。这种隐性的光学通信促成了集群的聚集（Positive Feedback）。

• “恨”的排斥力（水动力耦合）：机器人底部装有振动薄膜，通过拍打水面产生水波来获得前进的动力。但这股水波对邻近的机器人来说，就是一种物理扰动和排斥力。当大家聚得太近时，水波会无情地把彼此推开，从而抑制无限聚集的趋势（Negative Feedback）。

  
  

一吸，一斥

正是这种长距离的非线性相互作用，在环境与机器人之间构建了一个天然的、物理实现的非线性反馈闭环。这就是整个系统通向自组织临界性的物理基底。

(a) 机器人硬件设计与尺寸；(b) 振动薄膜驱动水面波产生推进力与排斥力；(c) 机器人的均方位移 MSD 显示其呈弹道运动，平均速度约 1.7 cm/s；(d) 基于光强的方向感知与趋光运动机制；(e) 机器人群落从分散、聚集再到受水波排斥离散的动态演化过程。

02. 寻找 SOC 的“指纹”：相关簇与幂律分布

在复杂系统研究中，空谈“涌现”是没有意义的，我们需要严格的数学和统计学证据。

在自然界中，SOC 最典型的“指纹”就是雪崩效应（Avalanches）——即系统中局部的小扰动引发全局或大范围的连锁反应。为了量化这种现象，研究团队提出了“相关簇（Correlated Cluster）”的概念。

如果两个机器人在空间上足够接近（距离小于阈值 ε），且速度方向足够相似（夹角小于 θ），它们就被定义为“直接相关”。而这种相关性是可以传递的，通过一条直接相关的链条连接起来的最大个体集合，就是一个“相关簇”。这非常类似于图论中的连通分量（Connected Components）算法。

(a) 由 4 个机器人组成的相关簇判定示意（红色圆点连接的个体属于同一簇）；(b) 稳定状态下（N=64）系统相关簇的典型构成（颜色代表簇的大小）；(c) 实验过程中不同规模相关簇数量随时间的演化；(d) 相关簇大小的经验概率密度分布呈完美幂律分布，拟合指数 τ=1.68；(e) 相关簇持续时间的分布也服从幂律，指数 α=1.54；(f) 相关簇的平均持续时间与其大小呈幂律关系。

实验结果令人震撼。

如图 2D 和 2E 所示，无论是相关簇的空间规模（大小），还是时间尺度（持续时间），它们的统计分布都完美贴合了幂律分布（Power-law distribution）。其标度指数（τ和 α）与大脑神经元网络、森林大火等天然 SOC 系统的指数惊人地一致。

不仅如此，研究人员还发现相关簇的平均持续时间与其大小之间也存在幂律关系（图 2F）。这意味着，无论你从哪个尺度去观察这个机器人群，它都展现出完全一致的统计特征——这就是苦苦寻觅的时空尺度不变性（Spatiotemporal Scale Invariance）。毫无疑问，这个人工系统已经跨入了 SOC 的殿堂。

03. 顶刊的严谨：有限尺度缩放与参数的“鲁棒性”

如果仅仅是做出了一个漂亮的幂律分布，还不足以登上《Science Advances》。这项工作的真正深度，在于它对复杂系统理论的全面验证。

第一板斧：有限尺度缩放的普适性（Finite-size Scaling Universality）

自然界的临界现象往往不依赖于系统的绝对大小。为了验证这一点，团队构建了基于二维晶格的计算机模拟，将系统规模 N从 100 放大到 10,000（整整 100 倍）。

结果如图 3 所示，尽管绝对数量剧增，但系统依然保持着完美的幂律分布，且标度指数基本保持稳定（标准差极小）。这证明了该机制具有极强的跨尺度普适性，其底层逻辑不受系统规模的限制。

(a) 大规模晶格仿真 (N=1000) 的激发场分布与相关簇构成；(b)-(d) 随着系统规模 N增大 (100→1000→10000)，相关簇大小、持续时间的幂律分布特征，以及大小与持续时间的幂律关系均保持不变，展现了极佳的有限尺度缩放普适性。

第二板斧：初值与参数的“无依赖性”

经典的相变系统（比如铁磁体转变）通常需要极其精密地调控外部参数（例如刚好把温度调到临界温度 Tc）。但真正的 SOC 系统，应该具有极强的鲁棒性。

研究团队在物理实验和模拟中，将个体的发光强度（吸引力）和群体密度同时激增至原来的 4 倍。面对如此剧烈的参数扰动，系统依然稳如泰山，不仅维持了幂律分布，连标度指数也几乎没有改变（图 4）。

(a) 物理实验与仿真中的参数剧烈改变（发光强度和密度增至 4 倍）；(b) 即使参数大幅改变，相关簇大小的分布依然严格遵循幂律分布。

这直接锤实了该系统的“自组织”属性：无论初始条件和环境参数如何剧烈波动，系统都能通过内部的非线性反馈，自发地“吸引”并稳定在那个唯一的临界状态。

04. 给科研人的一点启发：从实验室走向星辰大海

读到这里，你可能会问：搞明白这一堆水面机器人有什么用？

除了在基础物理学层面为我们提供了一个难得的可编程、可观测的 SOC 实验平台之外，这项研究最具颠覆性的潜力在于下一代自适应集群智能体（Autonomous Swarm Systems）。

目前的集群算法（如蚁群算法、粒子群优化）大多依赖于中央控制器或极其严苛的全局通信。而这项研究向我们展示了一种全新的可能：功能可以从无到有地“涌现”（Emergence）。

当研究人员在系统中引入外部刺激（比如水面上放置一个障碍物）时，机器人群不仅没有被打乱节奏，反而自发形成了定向结构，表现出类似集体推动的自适应行为（Adaptive Behaviors）。它们像一个有机的生命体一样，利用最底层的局部规则，化解了外部的宏观挑战。

对于正在与复杂系统、多智能体强化学习、机器人学打交道的硕博们来说，这无疑是一个极具启发性的思路：

也许未来的无人机群救灾、纳米级靶向送药，甚至是对大脑神经元网络的逆向工程，都不需要我们去编写几万行的复杂代码，而只需要找到那对像“光与水波”一样简单而优雅的底层物理交互法则。

大道至简，万物皆流。

科学的终极浪漫，不就在于用最极致的简洁，去解释和最深刻的复杂吗？