2023年4月21日下午15：00，江苏大学的郑木华教授在科技楼B604会议室做了题目为“self-similar transformation of complex network and is applications”的报告。郑木华教授分享了一个框架来研究不同分辨率的复杂网络中的对称性问题，以及证明了GR模型在按比例缩小的网络中产生了网络的多尺度展开，可用于预测人类连接体的多尺度自相似特性。同时提出了几何分支生长(GBG)模型的逆重整化变换，用于预测真实网络演化中的自相似分支生长，并解释观察到的对称性。讲座由系统科学学院樊京芳老师主持，现场有系统科学学院近20位师生参与了讨论。

郑木华，江苏大学教授，博士生导师，江苏省特聘教授。2017年博士毕业于华东师范大学，2015年至2016年在美国纽约城市大学Hernan Makes教授课题组联合培养，2017年至2020年在巴塞罗那大学Marian Boguna和M.Angeles Serrano教授课题组从事博士后研究工作。研究方向为非线性物理与复杂网络、脑科学、复杂网络在双曲空间中的映射及应用、网络传播动力学等。目前已在PNAS，Nat.Commun.，Natl.Sci.Rev.，Phys.Rev.E等国际著名期刊上发表论文近30篇。相关研究成果被AAAS EurekAlert，News Medical，MedicalXpress，Newswise，Technologynetworks等多家在学术界有重要影响力的杂志和媒体专门报道。先后参与欧盟、西班牙及中国国家自然科学基金5项。目前主持国家青年基金、江苏特聘教授人才项目、江苏大学高层次人才启动基金各1项。

物理理论中的对称性表示在某种变换下的不变性，例如在尺度变化下的自相似性。重整化群为研究这些对称性提供了一个强有力的框架。在这里，我们提供了一个框架来研究不同分辨率的复杂网络。首先，通过降低复杂网络的分辨率，引入几何重正化(GR)。然后，我们证明了GR模型在按比例缩小的网络中产生了网络的多尺度展开，可用于预测人类连接体的多尺度自相似特性。最后，我们提出了几何分支生长(GBG)模型的逆重整化变换，用于预测真实网络演化中的自相似分支生长，并解释观察到的对称性。GBG模型在实际实例中的实际应用包括调整网络大小以获得对外部影响的最佳响应，以及有限大小缩放以评估随机链路故障下的关键行为。

供稿：樊京芳

编辑：郝林青

审核：王大辉