由清华大学脑与智能实验室复杂网络智能中心(CCNI)主任CarloVittorioCannistraci教授指导的一项发表在NatureCommunications上的研究提出了一种快速算法来测量相互关联的复杂变量空间之间的关系系统、它的几何形状和它的可导航性，揭示了这如何能够增强我们对不同年龄和性别的大脑差异的理解。

通过分析网络的隐藏几何结构来理解像大脑这样的复杂系统

许多变量塑造了与人类社会等复杂系统相关的网络的连通性。其中一些变量是已知的——例如，一个人的知名度越高，他们在社交媒体网络中可以拥有的联系数量就越大。

另一个例子是语义或空间接近度等变量。越多的人有共同的兴趣或生活在地理上最接近的区域，他们连接和聚集在一起形成网络中的中小型社区的可能性就越高。

如果流行度和接近度等变量是已知的，那么在复杂系统中塑造网络连通性的许多其他变量是未知的。然而，这些变量在我们称为流形的多维空间中的几何关系仍然作为“痕迹”印在网络结构中。

该研究的第一作者CarloVittorioCannistraci教授说：“如果物理学研究的是外部宇宙的原理和机制，那么脑科学研究的是内部宇宙的原理和机制。我的研究处于这两个学科的交叉点.我处理复杂性和智能的物理和工程：研究自然和人工智能的原理。

在现已发表的NatureCommunications研究中，他与同事兼合著者亚历山德罗·穆斯科洛尼(AlessandroMuscoloni)一起设想并实现了如何构建一种优化算法，将26年的计算时间减少到1周，并能够衡量其中网络拓扑与关联的流形几何形状一致。

流形表示复杂系统中所有有助于形成网络形状的变量之间的几何关联规则，而网络是这种流形的一种离散化。大脑网络结构背后流形的隐藏几何结构是未知的。

“虽然我们在三维空间中可视化大脑网络，但塑造其架构的变量数量更多。其中一些变量例如年龄和性别是已知的，但许多其他变量是未知的，但我们仍然可以在其中找到它们的踪迹大脑网络的形状，因此我们可以尝试测量网络的形状与其隐藏几何形状的一致性。这种测量可以用作区分大脑网络不同状态或条件的标记，因此有助于设想新的理论和措施来设计脑部疾病的标记物，”Cannistraci说。