中学生复杂科学大会是由高中生冯睿洋发起并主策划，林燕盈、吴雨峻、董九川、岑纯熙、兰正阳参与策划，集智俱乐部发起的「拯救2050」项目支持和赞助下的中学生学术活动。集智俱乐部致力于普及复杂科学相关知识，通过开展各项学术分享活动，鼓励对复杂科学感兴趣的中学生交流互动、共同学习，并协助中学生在学者指导下完成相关科研项目，为中学生群体提供高质量的学术交流展示平台。
复杂性科学（Complexity Science，简称复杂科学）是研究复杂系统普遍规律的学科。复杂系统是包含多个互动单元、既有秩序又不失灵活的系统，包括物理系统、生命生态系统、社会经济系统等。复杂系统的关键特性是复杂性（Complexity），具体表现为非线性、非平衡、自组织、涌现、突变、适应等。复杂性科学根植于系统科学，倡导超越还原论的研究范式，融合并发展了来自不同领域的研究方法，探索各种复杂系统背后的统一性，代表着21世纪的科学发展趋势。简单分子如何稳定形成有机大分子，有机物如何涌现出生命，生命又如何涌现出智能，人类又怎样去设计智能机器？为什么雪花、花椰菜、血管、河流、海岸线等不同尺度的事物中普遍存在着分形结构？为什么南美洲一只蝴蝶煽动翅膀可能引发太平洋的飓风？蚁群、鸟群、人群等不同社会中存在怎样的相似性？股市是否可以用超级计算机预测？为什么在地震、雪崩、财富积累、粉丝数量等等现象中都能看到幂律分布？这些都是复杂科学所关心并研究的问题。它们跨越不同学科领域，背后却有深刻的联系。此次大会主要面向高中生开展。我们十分欢迎各位来自国际学校及普高的同学参加本次大会。参会的同学需要具备一定的数学基础、计算机基础、英语文献阅读能力及书面语言表达能力。不过别担心，只要具备普通高中生有的一些知识储备就没问题啦。在进行线上研究时，具体的专业学科内容将会有老师进行讲解，如果对讲座内容有疑惑，也可以找老师进行答疑指导。本届中学生复杂科学大会由三个阶段组成：线上讲座、分组研究与线下汇报。线上讲座时间为自7月30日开始，至8月15日结束，共计六次。8月15日后，同学们根据课题进行分组研究并撰写论文。在国庆假期期间，将举办线下的中学生复杂科学大会汇报与交流活动。在线上讲座阶段，同学们将在教授们的带领下开展一系列的主题学习，学习复杂科学研究的基本知识和流程，为后续的研究打下基础。在前两节线上讲座中，教授们将会介绍复杂科学的概念与方法，之后的三节专题讲座将会侧重于专业知识。且考虑到同学们对论文写作较为陌生，特安排一次科研论文写作讲座。讲座将直播进行，且均会提供回放。所有同学将会按照研究方向分为三个大组，同时在大组内自由结合成四至六人的小组并进行讨论研究。每个大组会有一位硕博士生作为导师，在选题开题、研究中期和论文写作三个阶段分别提供三次Office hour指导。每个阶段表现最出色的小组，将获得与教授单独交流的机会。
国庆节期间，将会举办线下的中学生复杂科学大会。同学们会在现场报告并交流在第二阶段的研究成果，与科研大牛以及优秀学长学姐面对面交流，并开展一系列学术分享活动。
包括：
北京师范大学系统科学学院教授，珠海校区复杂系统国际科学中心主任，国际系统与控制科学院院士。曾任国务院学位委员会系统科学学科评议组召集人；教育部高等学校教学指导委员会管理科学与工程类专业委员会委员；中国系统工程学会副理事长；中国指挥与控制学会复杂网络专业委员会副主任等。主要研究领域为系统理论与应用、大数据分析、复杂网络及其在复杂系统中的应用等。2016年由于在复杂系统分析、复杂网络等方面的成就获中国系统工程学会第三届系统科学与系统工程科学技术奖理论贡献奖。个人主页：https://sss.bnu.edu.cn/~zdi/在20世纪科学发展的基础上，超越还原论，探索复杂系统涌现性，发展系统科学，已成为21世纪科学探索的重要领域。在这一方向上的科学发展表明，纷繁多样的复杂现象背后，可能存在着简单的、普适的规律。探索各类系统的结构、环境与功能的普适关系以及演化与调控的一般规律，并在系统范式的基础上形成科学认识，是系统科学研究的重要任务。本报告在介绍系统科学基本科学内涵的基础上，结合心脏动力学等相关研究成果，介绍系统科学研究的基本线路，展现各领域复杂现象背后的普适性规律。香港城市大学讲座教授， 北京大学长江讲座教授。1981年获广州中山大学计算数学硕士学位，1987年获美国Texas A&M 大学应用数学博士学位，其后在美国Rice和Houston大学任教。自2000年起，他接受香港城市大学讲座教授职位工作至今。陈关荣教授于1997年被选为IEEE Fellow，2008年、2012年和2016年分别获得国家自然科学二等奖，2011年获俄罗斯圣彼得堡国立大学授予荣誉博士学位和俄罗斯欧拉基金会颁发欧拉金质奖章，2014年获法国诺曼底大学授予荣誉博士学位并当选为欧洲科学院院士，2015年当选为发展中国家科学院院士。长期从事非线性动力系统分析与控制以及复杂网络研究。http://www.ee.cityu.edu.hk/~gchen/brief.html我们生活在缤纷多彩的网络世界中。从科学的角度看，网络科学涉及工程、物理、数学、生物、计算机以至金融经济和社会科学，其影响广泛而深远。网络科学研究的典型对象包括互联网、无线通信网、交通网、物流网、生物生态网、脑神经网、金融经济网、社会关系网等等。关于各种复杂网络的基本理论及其工程技术应用的研究方兴未艾，正在广泛深入展开和延伸发展。我们将简单回顾网络科学这门交叉学科的形成、发展和现状，简单介绍两种典型复杂网络模型及其基本概念和特征，并以技术、生物和社会网络为例子解释这些模型、概念和应用，从中展示一些网络科学研究的前沿和远景，启发同学们思考如何把网络知识与自己的生活和学习相结合，并开始探讨网络科学研究和应用。博士毕业于香港城市大学媒体与传播系，现任南京大学新闻传播学院副教授（博士生导师）、计算传播学实验中心主任、集智俱乐部成员，兼任香港城市大学互联网挖掘实验室研究员；曾任中国新闻史学会计算传播学专委会秘书长（2018-2020）。王成军致力于采用计算社会科学视角研究人类传播行为，内容包括社交媒体上的信息扩散、注意力流动和计算叙事，研究成果发表于SSCI和SCI索引的期刊，例如Internet Research、Cyberpsychology、Telematics and Informatics。合著《计算传播学导论》(2018)、《社交网络上的计算传播学》(2015)、参与翻译《社会网络分析：方法与实践》(2013)。2014年创建计算传播网。主要讲授《计算社会科学导论》（本科课程）、《大数据挖掘与分析》（硕士课程）、《计算传播研究方法》（博士课程）等课程。大数据和机器学习为社会科学插上了计算的翅膀。在人工智能时代，如何理解人类社会所面临问题？本次讲座将从英雄的旅程开始讲起，重申计算社会科学应该有的一种认识论：以自己作为方法，认识人类自身，点燃内心火焰。在此基础上，本次讲座将介绍三个方面的问题：1. 计算中心的逻辑；2. 数据科学的编程工具；3. 计算社会科学的案例、方法和问题。北京化工大学信息学院副教授，城市网络实验室主任，北京师范大学系统科学博士，博士期间在MIT市政环境工程系与Boston University物理系进行博士联合培养，本科就读于电子科技大学国际化软件人才实验班。主要研究方向为城市科学、复杂网络与流行病传播动力学。目前发表SCI、SSCI论文近二十篇，引用340余次，相应工作发表在《自然》子刊Nature Communications、Physical Review E、Scientific Reports、IEEE Access、Journal of Cleaner Productions、Computer, Environment and Urban Systems、Chinese Physics B、Sensors、PLoS One、Physica A等SCI与SSCI期刊，并在Statphys25/26、Conference of Complex Systems (CCS)、NetSci、NetSciX等多个国际大会上作报告，曾荣获第十二届社会网与社会资本研究年会最佳论文奖。目前是中国系统工程学会系统理论专委会委员，Nature Human Behaviour、Expert Systems with Applications、Scientific Reports、Technological Forecasting & Social Change、Habitat International、Cities、IEEE Access、TheWebConf (former WWW)、IEEE VIS、CCS、PLoS One、Physica A、IJMPC、Journal of Systems Science and Complexity等SCI、SSCI期刊与重要学术会议的审稿人或程序委员会成员。城市是一个典型的复杂系统，人类创造了城市，多种多样的人群交互活动塑造着城市的形态、也同时受到城市自身发展规律的影响，我们虽然置身城市，却难以断言我们完全理解城市。城市当中川流不息的人群、错综复杂的道路、流光溢彩的灯火，它们各自有些怎要样的规律？它们之间是否又会有隐藏着的内在关联？动态的车流与静态的路网如何共同影响城市的效率？时而堆积遍地、时而踪迹难寻的共享单车又可能存在着怎样有趣的内在规律？大数据能为我们理解城市提供怎样的视角和助力？人工智能又可能会怎样改变我们的城市空间？本次讲座会涉及对于城市研究的发展历程，城市起源及本质的思考，多源异构大数据对于城市研究的助力以及城市科学目前主要的一些研究方向。同时将从关联与交互的系统视角出发，对于城市交通效率、城市动力学进行剖析，最后会深入到复杂城市现象背后的基本原理，揭示影响城市演化的简单规律；并会针对一个具体研究案例进行深入分析，介绍整体研究的思路、过程以及触及到的更深层次科学问题。
北京师范大学系统科学学院教授、博士生导师，集智俱乐部创始人，集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。个人主页：https://jake.swarma.org/要理解真实复杂系统，建立计算机中的模型是一种极为重要的手段。本讲座将介绍两种复杂系统建模的方式，一种是根据人类的经验，抽象出复杂系统底层的相互作用规则和行为规律，从而构建模型；另一种则是从真实复杂系统的观测数据出发，利用机器学习算法反推出复杂系统的运行机理。我们比较了这两种建模方式的优劣。ComplexityAI: 复杂系统自动建模综述与展望2021：https://pattern.swarma.org/path?id=131https://pattern.swarma.org/path?id=28本次分享将从科学论文的历史、科学论文写作的目标与作用、投稿期刊的选择、论文一般的结构及每部分的写作要点进行讲解，并会根据具体的论文来进行细致解读。研究课题一：基于时间序列数据搭建神经网络模型预测北京的雾霾数据来源：https://archive.ics.uci.edu/ml/datasets/Beijing+PM2.5+Data，此数据包括日期、PM2.5 浓度，以及天气信息，包括露点、温度、气压、风向、风速和降水时长。[1] Liang, X., Zou, T., Guo, B., Li, S., Zhang, H., Zhang, S., Huang, H. and Chen, S. X. (2015). Assessing Beijing's PM2.5 pollution: severity, weather impact, APEC and winter heating. Proceedings of the Royal Society A, 471, 20150257.[2] 代码参考：https://pytorch-forecasting.readthedocs.io/en/latest/tutorials/stallion.html研究课题二：基于占领华尔街推特数据预测被警察逮捕人数需要了解的内容：大数据的读取、清洗、文本挖掘的基础、机器学习的基本使用、基于时间序列的机器学习的逻辑。[1] 代码参考: https://pytorch-forecasting.readthedocs.io/en/latest/tutorials/stallion.html[2] Mooijman, M., Hoover, J., Lin, Y. et al. Moralization in social networks and the emergence of violence during protests. Nat Hum Behav 2, 389–396 (2018). https://doi.org/10.1038/s41562-018-0353-0本次课题设计非常鼓励大家自主命题，尤其是对于能够获取相对独特的城市数据的同学，希望相应的研究题目可以从实际系统中来，最终也能对于实际系统产生新的认识或改善。另外也有几个备选科研题目：数据来源：https://biendata.com/competition/mobike/data或 https://pan.baidu.com/s/1bdYLk20A1u1y5h-Uk-8vpw[1] Girvan, M. & Newman, M. E. Community structure in social and biological networks.Proc. national academy sciences99, 7821–7826 (2002).Newman, M. E. & Girvan, M. Finding and evaluating community structure in networks. Phys. review E69, 026113 (2004)[2] Radicchi, F., Castellano, C., Cecconi, F., Loreto, V. & Parisi, D. Defining and identifying communities in networks. Proc.national academy sciences101, 2658–2663 (2004).[3] Blondel, V. D., Guillaume, J.-L., Lambiotte, R. & Lefebvre, E. Fast unfolding of communities in large networks.J.statistical mechanics: theory experiment2008, P10008 (2008)研究课题二：Let location speaks – 基于地点语义信息的移动预测word2vec [推荐阅读4、5或网上的一些高质量博客]:[1] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient estimation of word representations in vector space. ICLR Workshop, 2013[2] T. Mikolov, I. Sutskever, K. Chen, G. Corrado, and J. Dean. Distributed Representations of Words and Phrases and their Compositionality. NIPS 2013[3] Le Q, Mikolov T. Distributed representations of sentences and documents[C]//International Conference on Machine Learning. 2014: 1188-1196.[4] Goldberg Y, Levy O. word2vec Explained: deriving Mikolov et al.'s negative-sampling word-embedding method[J]. arXiv preprint arXiv:1402.3722, 2014.[5] Rong X. word2vec parameter learning explained[J]. arXiv preprint arXiv:1411.2738, 2014.[6] Feng J, Li Y, Zhang C, Sun F, Meng F, Guo A, Jin D. Deepmove: Predicting human mobility with attentional recurrent networks. InProceedings of the 2018 world wide web conference 2018 Apr 10 (pp. 1459-1468).[1] Song, Chaoming, Tal Koren, Pu Wang, and Albert-László Barabási. 'Modelling the scaling properties of human mobility.' Nature physics 6, no. 10 (2010): 818-823.[2] Simini, Filippo, Marta C. González, Amos Maritan, and Albert-László Barabási. 'A universal model for mobility and migration patterns.' Nature 484, no. 7392 (2012): 96-100.[3] Yan, Xiao-Yong, Chen Zhao, Ying Fan, Zengru Di, and Wen-Xu Wang. 'Universal predictability of mobility patterns in cities.' Journal of The Royal Society Interface 11, no. 100 (2014): 20140834.[4] Yan, Xiao-Yong, Wen-Xu Wang, Zi-You Gao, and Ying-Cheng Lai. 'Universal model of individual and population mobility on diverse spatial scales.' Nature communications 8, no. 1 (2017): 1-9.[5] Alessandretti, Laura, Ulf Aslak, and Sune Lehmann. 'The scales of human mobility.' Nature 587, no. 7834 (2020): 402-407.参考文献：Bassolas, Aleix, Hugo Barbosa-Filho, Brian Dickinson, Xerxes Dotiwalla, Paul Eastham, Riccardo Gallotti, Gourab Ghoshal et al. 'Hierarchical organization of urban mobility and its connection with city livability.' Nature communications 10, no. 1 (2019): 1-10.研究课题五：引力模型与城市标度律之间的关系（开放式问题）研究课题六：空间尺度与人口分布及其吸引力之间的内在关系（开放式问题）参考文献：Ruiqi Li, Shuai Gao, Ankang Luo, Qing Yao, Bingsheng Chen, Fan Shang, Rui Jiang, H. Eugene Stanley. Gravity model in dockless bike-sharing systems within cities. Physical Review E, 2021, 103: 012312.研究课题：利用鸟群模型或floy模型生成的飞行轨迹，学习一个图网络模型，能够预测其轨迹。
参考资料：
[1] 鸟群模型：https://campus.swarma.org/course/1104
[2] Ha, Seungwoong, and Hawoong Jeong. 'Deep learning reveals hidden interactions in complex systems.' arXiv preprint arXiv:2001.02539 (2020). https://arxiv.org/abs/2001.02539
牛津大学心理学与哲学专业在读，牛津新冠政府政策追踪数据库志愿者，世界哲学奥林匹克大赛2019届银牌获得者。北京八中素质班毕业生，即将于清华大学就读化学生物学与高分子材料及工程。人大附中高三毕业生，即将于多伦多大学就读数学和天体物理方向，曾获IMMC中华赛区特等奖国际一等奖、PhysicBowl Top 100、COMC加拿大数学奥林匹克竞赛金奖。杭州高级中学高三毕业生，正在gap year，准备出国就读哲学系。北京十一学校国际部在读，北师大系统科学学院实验科学锦标赛二等奖获得者。
