- 学术相关
- Learning decouples accuracy and reaction time for rapid decisions in a transitive inference task
- Balancing the costs and benefits of resilience-based decision making
- Beyond complements and substitutes: a graph neural network approach for collaborative retail sales forecasting
- When big data enables behavioral manipulation
- Percolation of temporal hierarchical mobility networks during COVID-19
- 娱乐
学术相关
Learning decouples accuracy and reaction time for rapid decisions in a transitive inference task1
Balancing the costs and benefits of resilience-based decision making2
Beyond complements and substitutes: a graph neural network approach for collaborative retail sales forecasting3
When big data enables behavioral manipulation4
Percolation of temporal hierarchical mobility networks during COVID-19 5
娱乐
A travelling-wave strategy for plant–fungal trade 6
大约在4.5亿年前，菌根真菌Mycorrhizal Fungi就已经建立了用于向植物根系收集与交易营养资源的网络。
由于菌根真菌对宿主衍生碳的依赖，这些真菌在构建网络时面临着平衡空间覆盖与长距离资源运输之间的矛盾。
本文作者构建了一个高通量时间延时成像机器人对丛枝菌根Arbuscular Mycorrhizal进行研究。
研究发现菌根真菌以一种自我调节的行波策略构建网络——即生长尖段的脉冲拉动吸收营养的菌丝体以波浪形式扩张，同时又通过融合的形式自我调节网络密度，实现空间覆盖与资源运输效率的平衡。
该方案使用较少的碳资源突破资源枯竭区域，寻找广泛的营养资源，并且随着时间推动，网络保持高效地向根部运输资源并逐渐向潜在的新交易伙伴靠近。
具体地说，AM真菌以单一的空间填充菌丝波的形式生长，该菌丝波由生长尖段和菌丝细丝两个紧密偶合的群体组成。
生长尖段在空间中作为脉冲引领菌丝波，尖段的密度峰值首先出现在距离生长起点较近的地方，然后随着时间推移靠近生长起点的尖段密度降低，峰值向远处推进，如同脉冲。
菌丝细丝则在脉冲的尾迹中使空间更加密集，菌丝细丝的密度会在脉冲后的空间中饱和到一个恒定值，波速也与时间无关。
作者构建了一个the branching and annihilating range expansion (BARE) wave model来量化这一过程：
$\left\{\begin{array}{l}\frac{\partial n}{\partial t}=b(n)-a(n,\rho)+\nabla\cdot \mathbf{J}(n)\\ \frac{\partial \rho}{\partial t}=vn\end{array}\right.$
其中$n$为尖段密度，$\rho$为菌丝细丝密度。
分支化$b(n)$决定尖段的出生率，接合$a(n,\rho)$会导致尖段消失。$\mathbf{J}(n)$是由尖段生长和次尖段分支驱动的尖段运动产生的尖段空间通量，$\nabla$算子点乘通量即为散度。
$v$是尖段的生长速度。
这一对偶合的等式具有可以捕获观察到的菌丝行波动力学的解，其中波速$c$和表和密度$\rho_{sat}$都是恒定的。
分支与湮灭范围扩张(BARE)行波模型解释了共生的AM真菌菌根网络如何在非常低的网络密度下（低一个数量级）饱和，而非像其他典型的种群波动中表现出的种群生长到环境承载力施加的密度上限，诠释了AM真菌对平衡空间覆盖与长距离资源运输矛盾的权衡。
这一思路或许可以对新市场供应链网络构建与迭代提供启示。【不要拘泥于实物流，也可以是信息流，如将营养视作目标客户，宿主是KOL/分销渠道，一些品牌需要面临追求更广泛的客户触达和向宿主投入资源之间的权衡，宿主与目标消费者亚群体之间的心智距离越远，资源投入效率越低，在长期维度上还要考虑目标客户的变动（即资源枯竭产生的转移宿主的需求），研究最大的挑战是数据集的构建——如何在网络空间上找到一个干净的“培养皿”】
-
Munoz, F., Jensen, G., Shinn, M., Alkan, Y., Murray, J. D., Terrace, H. S., & Ferrera, V. P. (2025). Learning decouples accuracy and reaction time for rapid decisions in a transitive inference task (p. 2025.02.11.636952). bioRxiv. https://doi.org/10.1101/2025.02.11.636952 ↩
-
Ardila-Rueda, W., Savachkin, A., Romero-Rodriguez, D., & Navarro, J. (2025). Balancing the costs and benefits of resilience-based decision making. Decision Support Systems, 114425. https://doi.org/10.1016/j.dss.2025.114425 ↩
-
Liu, J., Wang, G., Zhao, H., Lu, M., Huang, L., & Chen, G. (2025). Beyond complements and substitutes: A graph neural network approach for collaborative retail sales forecasting. Beyond Complements and Substitutes: A Graph Neural Network Approach for Collaborative Retail Sales Forecasting. https://doi.org/10.1287/isre.2023.0773 ↩
-
Acemoglu, D., Makhdoumi, A., Malekian, A., & Ozdaglar, A. (2025). When big data enables behavioral manipulation. American Economic Review: Insights, 7(1), 19–38. https://doi.org/10.1257/aeri.20230589 ↩
-
He, H., Deng, H., Wang, Q., & Gao, J. (2022). Percolation of temporal hierarchical mobility networks during COVID-19. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 380(2214), 20210116. https://doi.org/10.1098/rsta.2021.0116 ↩
-
Oyarte Galvez, L., Bisot, C., Bourrianne, P., Cargill, R., Klein, M., Van Son, M., Van Krugten, J., Caldas, V., Clerc, T., Lin, K.-K., Kahane, F., Van Staalduine, S., Stewart, J. D., Terry, V., Turcu, B., Van Otterdijk, S., Babu, A., Kamp, M., Seynen, M., … Shimizu, T. S. (2025). A travelling-wave strategy for plant–fungal trade. Nature. https://doi.org/10.1038/s41586-025-08614-x ↩