复杂系统解体中的机器学习拆解与早期预警信号

从物理学到工程、生物学和社会科学，自然与人工系统的特征在于相互连接的拓扑结构，其特性——如异质连通性、中尺度组织、层级性——影响它们对外部扰动（例如对其单元的有针对性攻击）的鲁棒性。识别使复杂网络解体所需攻击的最小单元集合，即网络拆解，是一个计算上具有挑战性（NP 难）的问题，通常借助启发式方法求解。在此，我们展示一个经训练以拆解较小系统的机器能够识别高阶拓扑模式，从而比基于人类的启发式方法更有效地拆解大规模社会、基础设施和技术网络。值得注意的是，该机器评估下一次攻击将使系统解体的概率，提供了一种量化系统性风险并检测系统崩溃早期预警信号的定量方法。这表明机器辅助分析可有效用于政策与决策，以更好地量化复杂系统及其对冲击响应的脆弱性。