近日,上海自主智能无人系统科学中心严钢教授团队在复杂系统隐含随机动力学的可解释推理方面取得新进展,研究成果以“Learning interpretable dynamics of stochastic complex systems from experimental data”为题发表于《自然·通讯》(Nature Communications)。实际复杂系统不仅表现出高动态和非线性,而且具有内稟随机性,其动力学行为适宜用随机微分方程(SDE)进行定量描述。然而,很多实际复杂系统的内在动力学机制尚不清楚,因此需要从观测数据中逆向推断隐含的SDE。这是一个具有挑战性的反问题。近年来,数据驱动的动力系统方程推理得到了快速发展,已成为科学智能(AI for Science)的一个重要方向,但仍存在诸多不足。例如,很多方法仅关注单体动力学或确定性的动力学,较少考虑系统的随机性,且主要在模拟的标准数据集上进行方法性能比较,鲜少应用于实际复杂系统的实验数据。为此,严钢教授团队将前期提出的方法框架进行了拓展,新得到的朗之万图网络(Langevin Graph Network, LaGNA)能够对具