报告摘要

复杂动力学系统广泛存在于广泛存在于自然与工程领域，表现出非线性、高维、混沌及临界转变等特性，对其进行精确预测与控制是基础理论与工程应用的核心挑战。本报告将汇报在生态系统建模方面，通过降维技术，将复杂的互惠网络简化为二维模型，成功预测系统的临界转变点。以及，通过提出的生态可行控制策略，通过维持关键物种丰度，能够有效管理和恢复系统的稳定性，消除迟滞效应等，具有广泛的应用潜力。另一方面，在机器学习应用方面，利用储备池计算方法，实现了对混沌系统长期状态演化的预测，揭示了网络谱半径对预测误差的影响，发现了预测误差最小的“山谷”区域，为优化神经网络参数提供了理论依据。其次，通过引入稀疏时间依赖输入，显著延长了预测时间，超越了传统方法的限制。此外，还将报告将控制理论应用于生物启发的运输网络设计中。通过在自适应网络中施加小范围控制信号，优化了网络结构，显著降低了流动耗散，提升了网络的整体效率。

报告人介绍

蒋俊杰，现为西安交通大学生命科学与技术学院，特聘研究员，博士生导师，2014年本科毕业于兰州大学萃英学院物理专业，2020年博士毕业于美国亚利桑那州立大学电子工程系，并获得该年度Palais '优秀博士生奖。于2020-2021年在美国纽约大学神经科学中心从事计算神经科学方向的博士后研究。迄今为止发表SCI论文十余篇，其中包括PNAS, Nature Commun., eLife, Research, Biosensors and Bioelectronics等国际著名期刊。作为项目负责人获得了自然科学基金青年基金项目的支持，作为任务负责人参与了科技部“科技创新-2030：脑科学与类脑智能”重大项目。