如何在基于大规模数据,并且在复杂系统精确模型缺失的前提下,准确地辨识系统变量之间的因果关系和因果网络,成为了包括人工智能在内的科学研究中的焦点问题。林伟教授团队与中国科学院、苏州大学、日本东京大学等团队共同合作,提出了数据驱动的因果网络辨识的新型算法。该方法可以用于大规模复杂动力系统内蕴因果网络的复现,有助于解析实际系统演化的本质机制和规律。研究成果于5月26日在线发表于Nature Communications。研究利用动力系统理论清晰阐明了可分性条件的严格数学机理,并综合利用相空间重构、交叉映射、偏相关系数等动力学与统计学相关算法,建立了新型偏交叉映射方法,实现了非线性动力系统中直接因果与间接因果的区分,从而为在大规模数据中辨识可信的因果网络提供了可靠算法。该算法已被用于生态系统、环境与疾病互作系统以及基因调控网络等多个实际问题中,成功复现了这些复杂动力学演化系统的内蕴因果网络,为进一步理解系统演化的基本机制提供了方法学基础。此项研究进一步完善了现有复杂系统因果分析的理论体系,为多学科共性科学问题提供了有效的数学方法,面向数据驱动的研究领域具有广泛的应用前景,体现了应用数学研究的价值(Nature Communications,2020,11(1):2632,中心署名)。