《Frontiers in Physics》：Interdisciplinarity as a centripetal force: physics-based methods for complex systems to artificial intelligence
编辑推荐：
源自非线性动力学与动力系统理论的解析工具，如相空间重构（phase-space reconstruction）与递归量化分析（Recurrence Quantification Analysis, RQA），为跨科学域复杂系统研究提供了有力框架。这些方法可在异
源自非线性动力学与动力系统理论的解析工具，如相空间重构（phase-space reconstruction）与递归量化分析（Recurrence Quantification Analysis, RQA），为跨科学域复杂系统研究提供了有力框架。这些方法可在异源时间序列数据中辨识递归、非线性及状态间转移等动力结构。科学研究常受两种类物理动力学力量塑造：与日益专门化相关的离心力，以及与跨学科性相关的向心力。技术与解析方法的快速发展催生了高度专门化的语言与框架，在推进科学进步的同时也造成学科间碎片化与沟通壁垒。相对而言，跨学科性作为一种向心力，促进跨域共享解析框架的识别。在此语境下，方法迁移不仅是数学便利性的后果，更反映了受相似物理原理支配的共同动力性质之存在。人工智能在物理信息计算框架内集成，为分析复杂、高维、异构数据集提供了强力工具，同时保留底层系统的动力结构。这种汇聚不止于技术层面：支配生理与认知系统的同一非线性动力原理，似乎亦在人工系统中运作，表明人工智能并非外在于本手稿所涉现象，而是与之连续。这种内在跨学科性将人工智能定位为向心力，围绕共享动力核心将原本疏离的学科之方法、语言与发现汇聚起来。
研究背景与问题提出
当代科学在伽利略确立实验方法论后，经历了从通才式知识掌握到高度专门化的转向。19至20世纪初相对论与量子力学颠覆经典物理，费米（Enrico Fermi）被视为“最后知晓一切的人”象征通识时代的终结；此后知识爆炸使学科裂解为子领域，各子领域拥有专属术语、方法与仪器，导致学科间沟通成本陡增，形成“离心力”式的碎片化。与此同时，生物、物理、认知系统等虽表面异质，却共享非线性、递归、远离热力学平衡等动力属性。如何在专门化不可避免的前提下，重建知识统一性，成为关键认识论问题。研究人员指出，基于非线性动力学与动力系统理论的解析工具（如相空间重构、时间延迟嵌入、RQA）可跨域抽取隐藏结构，而人工智能（AI）作为物理信息计算框架下的互补工具，具备汇聚异源数据、显影跨学科结构相似性的潜力。鉴于此，研究人员以《Frontiers in Physics》为发表载体，探讨“跨学科性作为向心力”的命题：即共享动力核心（而非表面类比）如何将疏离学科拉向共同方法与问题。
主要关键技术方法
研究人员采用递归量化分析（RQA）及其扩展交叉递归量化分析（Cross-RQA）与按段递归量化分析（RQE），结合假近邻法（False Nearest Neighbors, FNN）确定嵌入维数m，依据Takens嵌入定理（m ≥ 2d+1）重构相空间；以主成分分析（Principal Component Analysis, PCA）分解协方差结构提取主导方差方向，形式类比相空间主轴辨识。样本队列来源于既往已发表研究：肥胖人群、年轻运动员、心脏患者（心电RR间期/心率变异性HRV）、晚期非小细胞肺癌与脑转移患者、边缘型人格障碍心理治疗医患双方心电记录、成人听力损伤者瞬态诱发耳声发射（TEOAE）信号等。AI部分不作独立算法实现，而是作为物理信息计算框架的方法论对象，与连接主义网络动力学及大语言模型跨学科映射能力进行概念对照。
研究结果
2 复杂系统解析方法：RQA与多变量路径
2.1 RQA作为跨学科工具
研究人员指出RQA首发于混沌理论时间序列分析，后拓展至生物学、金融、地震学、医学、运动科学；PCA与之互补，二者均不依赖预设顶层理论模型，而从数据结构自底向上涌现定量模型。领域无关性根植于共享动力属性。
2.2 RQA方法与参数
单变量观测x(t)经延迟嵌入向量y(t)=[x(t), x(t?τ),…,x(t?(m?1)τ)]重构成轨迹，FNN定m；递归图（Recurrence Plot, RP）为二值矩阵，从中提递归率（REC）与确定性（DET）。RQE分段滑动窗口追踪递归属性随时间演变。
2.3 跨学科应用
生理与地球物理系统皆具递归与状态转移。HRV的RQA/PCA可辨代谢阈值，自动化Python流程用于心脏患者；RQA心跳复杂度预测肺癌与脑转移预后；心理治疗医患心电同步揭示联盟破裂修复；TEOAE的RQA变量经PCA得RAD2D参数提升听力损失分类灵敏性/特异性。图1与表1统摄物理可观测量（相空间轨迹、递归性、嵌入维、熵、本征模）与计算工具映射。
3 脑作为物理信息系统
研究人员强调人脑优势不在速度/存储而在内建物理世界因果模型：通过发展内化守恒律、连续性、初值敏感性，婴儿18月已具因果推理。脑以机制迁移实现泛化，而非统计最近邻检索。
4 人工智能
连接主义视智能为简单单元集体动力学涌现。当前AI无因果物理模型，属统计关联引擎，但大语言模型同频遍历全学科语料，秒级显影概念地貌与跨域结构类比，使神经科学家速通非线性动力学、物理学家速读临床数据成为可能——AI于方法论层（非本体层）成向心力：令学科连接可见、可导航。深度学习训练展现远离平衡的自组织特征（局域熵减、临界态、无序参空间涌现结构表征），与脑网络非线性动力学描述同构。
5 讨论
研究人员立三层逻辑链释“跨学科性即向心力”：i）生理/认知/人工域非线性系统共享递归、标度、熵产生等不变数学结构，因受同类物理约束（远离平衡）；ii）数学相似是共享物理原理之果，授权跨域同工具；iii）向心力特指共同物理核（非松散家族相似）将远域拉向共享方法。碎片化由专门化致，非线性动力学提供重连语言。AI扩异源数据整合，但需域知识与跨学科视野平衡。
5.1 局限
技术效度取决于专精度与跨学科度平衡，深域知识不可废。
5.2 未来展望
共享分析框架桥接学科，非线性统计+神经科学洞察+AI算力转化复杂数据为统一知识。
结论部分翻译
研究人员期冀本工作促成关于知识未来的更宽讨论：科学进步不仅由技术演进与专门化应用驱动，亦由跨域共享方法空间之探寻驱动。于此视角，基于物理学之方法与人工智能非应用关系而是识别关系：二者皆属同一现象类——开放、耗散、抗全局熵增生序系统之例示。AI因而既为新知对象亦为新知工具：其自身是可施以本手稿全程动力分析之复杂系统，亦是能辨识疏离物理/生物/计算系统间共享动力结构之框架。研究人员信此类取径若由批判性思维与跨学科视野引导，可助科学经共享动力语言重获更深知识统一，将数据驱动法转为物理接地理解，将碎片化转为整合。
（全文约1520汉字）
