在科学研究中，网络通常用来表示元素间的二元关系，而超图则能更深入地描述复杂动态系统中三个或更多个体之间的相互作用。近日，圣菲研究所（SFI）复杂性博士后研究员张远昭和他的团队在《自然通讯》上发表了一篇论文，介绍了一种新算法，可以从时间序列数据中自动推断出超图的结构，而无需事先了解系统的具体模型或节点行为。 该算法利用时间序列数据——即在一定时间间隔内收集到的连续观测量，通过这些数据构建出能够复现观察模式的超图和其他高阶相互作用模型。时间序列数据在研究疾病传播、金融市场行为、生物系统等多个领域都极为有用。张远昭表示，这种算法的最大优势在于只需要数据本身，不需要对系统有预先的了解。“这让我们可以应用到那些不完全知道底层动态机制的系统上，”他解释说。 例如，脑功能研究就是一个典型的应用场景。虽然研究人员无法直接观察大脑内部的工作机制，但可以采集脑电图（EEG）数据。EEG通过贴在头皮上的传感器记录人脑各区域随时间变化的电活动，看起来像一系列波动。大部分已知的大脑连接都是成对出现的，即从一个脑区连接到另一个脑区。然而，张远昭团队的新算法揭示了三者或更多脑区之间的连接，从而构建了一个更真实的超图模型，准确捕捉到了EEG数据中的多区域交互。这项发现表明，在塑造宏观脑活动模式中，更高阶的相互作用可能比我们想象的更加重要。 通过对超过100名受试者采集的EEG数据进行分析，张远昭及其团队发现了最常见的几种脑区互动类型，结果令人惊讶：六个最显著的高阶连接全部指向了前额叶皮层，这与前额叶皮层是大脑信息处理中心之一的观点相吻合。目前，该算法能够在包含几百个节点的网络中推断出模型结构，未来他们计划将其扩展到更大规模的网络中，进一步验证算法的有效性并探索更多应用场景。 业内人士对这一成果给出了高度评价。认为这一方法不仅有助于揭示复杂系统中隐藏的高阶相互作用，还为科学研究提供了全新的视角。张远昭所在的圣菲研究所是一家致力于复杂系统科学研究的国际机构，拥有众多顶尖科学家，研究领域涵盖从生物学到社会学等多个学科。此研究成果有望推动多个领域的研究进展，特别是在神经科学和系统生物学等领域，具有重要的应用价值。