6月19日，昆明理工大学理学院曾春华教授领衔计算物理团队在Nature旗下权威期刊Communications Physics（中国科学院一区TOP）发表题为“Predicting critical transitions with machine learning trained on surrogates of historical data”的最新研究成果。昆明理工大学为论文第一单位，马智钦博士为第一作者，导师曾春华教授为第一通讯作者，加拿大麦吉尔大学Thomas M. Bury博士为共同通讯作者，中北大学张翼成教授参与此项工作。

临界行为是复杂系统的一个基本特征，从生态或生物系统到金融市场和气候等复杂系统，都会存在临界点，在临界点上可能会发生突然转变，临界点的预测是当前面临的艰难和复杂的科学问题。临界突变这种行为无论有利还是无利，及早识别预警信号都有利于对复杂系统进行干预和控制，可以促进或阻止这类行为发生。统计物理和人工智能的结合为解决复杂系统临界行为提供了新途径。

在真实复杂系统中，一是往往数据量小，二是使用数学模型的分岔类型预测临界突变是理想情况。针对以上两个关键科学问题，曾春华教授领衔计算物理团队持续攻关十余年，提出了基于替代数据方法增强数据（真实数据和生成数据特征相似），训练机器学习分类器来区分远离和接近临界两类数据。当分类器 “接近临界”类别较高概率时，这作为临界突变的早期预警信号。基于替代数据的机器学习 (SDML)预测框架如图1所示，23个真实样本数据中80%做模型训练和20%做测试（图1A），生成2000个样本数据（图1B），结合多种机器学习的分类器方法（图1C）。在生态学、生物学、气候学、地质学、社会学等实证数据上测试了基于替代数据的机器学习方法，相比基于临界慢化传统预警方法(方差和滞后1自相关等)，该方法更具有可靠性、实用性、准确性（图1D）。基于替代数据的机器学习方法的优势在于它不需要理想的数学模型，只要满足特定系统：预测临界突变动力学特征曾经发生过，接近和远离临界突变具有不同动力学特征。临界突变在自然界是普遍存在的，包括森林火灾、山体滑坡、地震、太阳耀斑、癫痫、基因突变、金融危机等，该论文提出SDML框架预测复杂系统临界突变的早期信号，为管理者制定减灾对策和战略决策提供科学依据和重要信息。

图1：基于替代数据的机器学习预测框架。

此外，计算物理团队提出弛豫时间预测自组织系统临界突变以题为“Relaxation Time as Early Warning Signal of Avalanches in Self-Organizing Systems” 发表于美国物理学权威期刊Phys. Rev. Research，被美国物理学会（APS）以 “Researchers Quantify Avalanche Predictability Using Model Systems（研究人员使用模型系统量化雪崩的可预测性）” 为题对该工作进行重点报道。

近五年来，计算物理团队先后在Commun. Phys、Phys. Fluids(Letter)、Phys. Rev. Research、Phys. Rev. B、New J. Phys、Phys. Rev. E等发表十余篇高水平系列论文，彰显了昆明理工大学在系统科学、物理学等领域的学术影响力。理学院将继续发展基础研究，鼓励和培育更多具有国际影响的原创性科研成果，提升系统科学博士点人才培养质量，助力学校“双一流”创建。相关研究工作受到国家自然科学基金委、云南省自然科学杰出青年基金项目的大力支持。

Communications Physics论文链接：https://www.nature.com/articles/s42005-025-02172-4

Physical Review Research论文链接：https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.6.013013

（供稿：理学院）