集智斑图顶刊论文速递栏目上线以来，持续收录来自 Nature、Science 等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「我的集智」推送论文信息。
扫描下方二维码，关注 " 我的集智 " 服务号，即可订阅 Complexity Express：
Complexity Express 一周论文精选
以下是 2022 年 12 月 12 日 -12 月 18 日来自 Complexity Express 的复杂性科学论文精选。如果 Complexity Express 列表中有你感兴趣的论文，欢迎点赞推荐，我们会优先组织解读 ~
目录：
1. 随机种子场的超分辨率生成对抗网络
2. 量子变分算法充斥着陷阱
3. 蛋白质表达深度学习模型的精度和数据效率
4. 基于多模态深度学习的单细胞多组学数据聚类
5. 在长期草地试验中，生物多样性与稳定性的关系随着时间推移加强
6. 类睡眠的无监督回放减少人工神经网络中的灾难性遗忘
7. 模拟松弛强化学习的高速四足运动
1. 随机种子场的
超分辨率生成对抗网络
论文题目：Super-resolution generative adversarial networks of randomly-seeded fields
论文来源：Nature Machine Intelligence
论文链接：https://www.nature.com/articles/s42256-022-00572-7
从稀疏测量中重建场量是广泛的应用场景中都会出现的问题，当稀疏测量和场量之间的映射是以无监督的方式进行时，这项任务就变得特别具有挑战性。移动传感器和 / 或随机开关状态进一步增加了复杂性。在这种情况下，最直接的解决方案是将分散的数据插值到规则网格上。然而，通过这种方法实现的空间分辨率最终受到稀疏测量之间的平均间距的限制。
在这项工作中，我们提出了一个超分辨率生成对抗网络框架，来估计来自随机稀疏传感器的场量。该算法利用随机抽样来提供高分辨率底层分布的不完整视图。它被称为随机种子超分辨率生成对抗网络（RaSeedGAN）。这项研究所提出的技术在流体流动模拟的合成数据库、海洋表面温度分布测量数据、以及零压力梯度湍流边界层的粒子图像测速的数据上进行了测试。即使在具有高稀疏度或噪声水平的情况下，结果也显示出出色的性能。这种生成对抗网络算法从随机种子的场提供全场高分辨率估计，而不需要全场高分辨率表示进行训练。
图：RaSeedGAN 架构示意图。
2. 量子变分算法充斥着陷阱
论文题目：Quantum variational algorithms are swamped with traps
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-35364-5
经典神经网络最重要的特性之一是具有惊人的可训练性，尽管它们的训练算法通常依赖于对复杂的、非凸的损失函数进行优化。以前的结果表明，与经典神经网络的情况不同，变分量子模型往往是不可训练的。研究最多的现象是这些量子模型的训练景象中出现了贫瘠高原（barren plateaus），通常是在模型非常深的时候。对贫瘠高原的关注使得这一现象几乎成为量子模型可训练性的同义词。
在这里，我们表明贫瘠高原只是故事的一部分。我们证明，在来自全局最小值的任何恒定能量内，一大类变分量子模型——它们很浅，并且没有表现出贫瘠高原——只有超多项式量级的小部分的局部极小值，如果对最优参数没有很好的初始猜测，这些模型将无法训练。我们还从统计查询框架研究了变分量子算法的可训练性，并表明各种量子模型的噪声优化在亚指数级的查询次数下是不可能的。最后，我们在各种问题实例上用数字证实了我们的结果。尽管我们在这里排除了各种各样的量子算法，但对某些类别的变分算法给出了乐观的理由，并讨论了在展示这些算法的实际效用方面的潜在途径。
图：损失景观的典型形状，这里将损失景观绘制成（a）曲面和（b）等高线图。参数不足的量子变分算法的损失情况通常显得 " 崎岖不平 "，充满了各种局部极小值和陷阱。
3. 蛋白质表达深度学习模型的
精度和数据效率
论文题目：Accuracy and data efficiency in deep learning models of protein expression
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-34902-5
下一篇：全国市长研修学院扎实推进网络培训
