人工智能与复杂系统
面向复杂系统结构、动力学与预测问题，融合机器学习、储备池计算、物理引导建模和临界现象分析，发展可解释、稳定且可迁移的智能复杂系统方法。
- 2 篇成果
- 2026
- Nature Machine Intelligence
人工智能为复杂系统研究提供了新的表示、推断与预测工具。复杂系统通常具有高维变量、非线性耦合、多时间尺度演化和强噪声背景，传统解析模型难以完整捕捉其动力学过程；机器学习模型则可以从观测数据和物理先验中学习有效表征，帮助识别系统状态、预测未来演化并解释关键机制。
这一主题关注人工智能与复杂系统理论的双向结合：一方面，将储备池计算、深度回声状态网络、图学习等方法用于气候模态、ENSO 预测和复杂动力系统建模；另一方面，从临界现象、普适性、稳定性和可解释性角度理解机器学习模型本身。相关工作强调物理约束与数据驱动的协同，让智能模型不仅追求预测精度，也服务于复杂系统机制理解。
