《Mathematics》：Research on Modeling and Control of Turbine-Driven Coaxial Boiler Feed Pump Speed Regulation System Based on an Improved BP-PID Algorithm
编辑推荐：
在复杂社会技术系统(socio-technical systems)中，人–人工智能(AI)协作正成为知识创造、内容生成与创新过程中的核心要素。现有创新模型通常仅考虑单一主体（单独AI系统）或内容产物，无法捕捉异质主体间的动态交互。本研究提出一种多模态图神经网
在复杂社会技术系统(socio-technical systems)中，人–人工智能(AI)协作正成为知识创造、内容生成与创新过程中的核心要素。现有创新模型通常仅考虑单一主体（单独AI系统）或内容产物，无法捕捉异质主体间的动态交互。本研究提出一种多模态图神经网络(Multimodal Graph Neural Network, MM-GNN)，用于建模仿真人–AI–内容(Human–AI–Content, HAC)网络内的创新动力学。该框架将HAC网络视为动态三部图(tripartite graph)，其中人节点、AI智能体节点与内容节点通过代表随时间演化的交互边相互连接。基于注意力机制融合(attention-based fusion)整合文本、图像、代码及结构化交互痕迹等多模态信息，并通过关系感知图消息传递(relation-aware graph message passing)与基于门控循环单元(Gated Recurrent Unit, GRU)的时间传播建模多模态依赖性与交互演化。创新潜力被定义为基于归一化新颖性(novelty)、熵变(entropy change)、扩散贡献(diffusion contribution)及可选的人工评分创造力(若可用)的上界复合得分。模型以节点级分类与回归相结合的方式估计创新级别与连续创新潜力。在合成HAC数据集与真实AIGC语料上的实验表明，MM-GNN优于图学习与传统指标基线，平均F1得分为0.87，时间稳定性ρ = 0.89，回归误差更低。消融与可视化分析证实多模态融合与时间传播有助于提升表示质量、扩散建模与可解释性。结果为将创新视为人、AI与内容动态交互的涌现现象提供了数学与计算途径，并为更大规模社会技术验证奠定基础。
论文解读：Modeling and Control of Turbine-Driven Coaxial Boiler Feed Pump Speed Regulation System Based on an Improved BP-PID Algorithm 对应研究内容实为——Multimodal Graph Neural Network for Innovation Dynamics in Human–AI–Content Networks（发表于《Mathematics》）
一、研究背景与立项依据
传统创新研究多聚焦于同质网络（如人人互动、人机工具辅助），忽略了对生成式AI参与下"人(Human)–AI智能体(AI agent)–内容(Content，含文本/图像/代码)"三者共同作为活跃节点形成的异质动态网络——即人–AI–内容(Human–AI–Content, HAC)网络的建模。现有图模型难以同时处理：(1)三类异质节点及其不同类型连边；(2)多模态内容（文本、图像、代码等）的特征融合与对齐；(3)HAC网络中交互随时间的演化与反馈回路（内容影响人行为或触发AI再生成）；(4)基于信息论的创新潜力（新颖性、知识多样性、扩散能力）量化。此外，已有图神经网络(Graph Neural Network, GNN)与多模态融合研究鲜少应用于创新扩散与知识创造的量化评估。为此，研究人员提出将HAC网络形式化为动态三部图，构建多模态图神经网络(Multimodal Graph Neural Network, MM-GNN)以联合学习节点嵌入并预测节点级创新分类（低/中/高）与连续创新潜力得分，填补人–AI–内容协同创新动力学的数学建模范式空白。该论文发表于《Mathematics》。
二、主要关键技术方法概述
研究人员从AIGC平台交互日志（提示词、AI生成物、编辑痕迹、复用历史、时间戳）构建动态三部图G(t)=(VH∪VA∪VC, E(t), X(t))，以人、AI、内容为异质节点集，边权由交互频次与语义相似度确定。各节点经模态专属编码器映射至共享隐空间，以注意力机制融合文本/图像/代码/元数据特征得多模态节点表示。MM-GNN采用关系感知消息传递（区分人–AI、人–内容、AI–内容关系）结合基于GRU的门控时间传播捕获跨时间步依赖。创新潜力由归一化新颖性(KL散度衡量当前与历史表示差异)、邻域熵变(Shannon entropy change)、扩散贡献(后继激活/复用加权影响)及人工评分创造力(可选)凸组合构造。模型以联合损失（分类交叉熵+回归MSE+时间平滑惩罚+L2正则）训练，在合成HAC协同创作数据集与真实AIGC开源库/共创平台数据（按时间70%/15%/15%切分）上对比GCN、HGNN、GAT、多模态图Transformer及信息论创新指数基线，并以精度/F1/ROC-AUC及MAE/RMSE/R2评估。
三、研究结果
3. Mathematical Framework for HAC Innovation Networks（HAC创新网络的数学框架）
研究人员定义HAC为含人(VH)、AI(VA)、内容(VC)节点集的动态三部图，节点特征由各模态投影后经注意力加权融合而得，跨模态余弦相似度用于调制注意力。证明创新潜力得分因各分量归一化至[0,1]且权重和非负而为有界凸组合，保证数值稳定；对简化线性递归形式给出收缩映射条件(‖W‖<1)以论证时间传播稳定性。
4. Algorithmic Implementation（算法实现）
详细说明由原始交互日志→三部图映射、边权计算、时序快照划分流程。MM-GNN前向含模态编码→注意力融合→关系感知消息传递→GRU时序更新→分类/回归输出；反向传播同步优化分类、回归、时间平滑与正则项。复杂度近似O(|E|d + |V|Md2+ T|V|d)，内存O(|V|d + T|V|d)，稀疏存储与批处理保障大规模可扩展性。
5. Results（结果）
节点级预测显示MM-GNN在人与AI与内容节点上分类F1均值达0.87，回归MAE与RMSE最低，显著优于GCN/HGNN/GAT/信息论基线(p<0.05)。网络级创新指数Ι(t)呈先升后趋于平衡，时间相关性ρ=0.89、稳定性方差σs=0.058最优。t-SNE嵌入见人/AI/内容可分但有重叠，高创新节点富集于人–AI接触区及跨模态连通度高的区域。消融实验去文本模态性能降幅最大，证实多模态互补性；GRU时序模块较静态GNN改善时间一致性与梯度稳定。GPU扩展测试显示近线性加速(4卡提速3.7×)与低通信开销(<6%)。
四、讨论与结论翻译
讨论指出HAC系统中创新由重复性跨模态交互驱动，呈自组织而非中心化分布；AI节点充当催化中介加速异域语义重组而非替代人类创意。局限含创新得分为操作化代理（含主观人工评分偏差）、假设多模态对齐理想化、仅捕获中短期时序依赖。伦理上强调需嵌入透明度与可解释性以防过度自动化削弱人类诠释主体性。
结论翻译如下：
本文提出了一种基于多模态图神经网络(MM-GNN)的数学与计算框架，用以建模和分析复杂HAC网络内的创新动力学。通过整合异质数据模态与时序交互，所提模型成功模拟了局部节点与宏观网络层面创新潜力的演化。经合成复杂网络数据集与真实AIGC语料的严格定量数据分析验证，模型展现出高准确度、统计稳定性与结构可解释性。结果表明，HAC系统中的信息扩散与知识生成可有效建模为有组织拓扑动力学，为网络环境中混合共创提供了稳健的数据驱动数学视角。本研究为将社会技术交互分析确立为数学定义的动态复杂系统（创新编码于多模态拓扑关系演化中）奠定定量基础，MM-GNN框架可为协同平台、生成管线及AI辅助研究生态中的网络结构优化提供分析工具，通过预测高创新子图与时序扩散模式支持针对性干预，联结复杂网络数据分析与知识演化的认知及社会理论。未来研究将拓展因果图神经网络以识别驱动网络演化的方向性因果依赖，集成情境依赖反馈与自适应注意力以响应非平稳动态，并分析长期时序数据以研究概念漂移与层级拓扑涌现。
