香港大学（港大）研究团队在理解复杂网络“可预测性”方面取得理论突破，为分析复杂系统提供了全新的理论支撑。是项研究由港大同心基金数据科学研究院（HKU IDS）及港大李嘉诚医学院张清鹏教授的研究团队，联同浙江大学及罗马第一大学的研究人员共同完成，并由其博士后研究员荆飞博士担任论文第一作者。

研究成果已于国际顶尖学术期刊《美国国家科学院院刊》(PNAS) 正式发表，研究通讯作者包括浙江大学张子柯教授以及2021年诺贝尔物理学奖得主、罗马第一大学 Giorgio Parisi 教授。

突破复杂系统的预测瓶颈

从人工智能（AI）模型、生物分子结构到社交网络，复杂系统与现代社会息息相关。研究团队利用统计物理学概念，成功将网络预测问题映射至经典的“自旋玻璃”（Spin Glass）模型，建立了一套严谨的理论体系，解决了科学界对复杂系统内在可预测性的长期疑问。

从“整体”到“局部”：提升运算效率

研究的一项重要成果在于证明大型网络的整体可预测性，可以分解为个别连结的局部贡献。这一发现大幅降低了运算难度，为分析超大规模网络提供了更高效的算法基础。基于此理论突破，团队进一步提出一套高效的局部采样演算法。该算法仅需提取邻域资讯，即可实现高精准度的预测，显著提升了网络预测方法的可扩展性与运算效率。

是项研究成果对多个尖端领域具备深远影响，例如在AI领域为评估及优化模型架构提供新思维，有效提升模型的运行效率及可解释性；而在生物医学方面，相关框架则有助加速预测分子间的交互作用，从而大幅推动新药研发的进程，展现了数据科学在跨学科应用中的巨大潜力。