传统复杂系统研究多聚焦于成对交互，但现实中高阶交互（如多人协作）的影响更为深远。一项发表于《Nature Communications》的研究首次揭示，高阶交互对系统集体行为的塑造效果，会因使用超图或单纯复形这两种不同的建模框架而产生截然相反的结果，为精准预测复杂系统行为提供了关键视角。
智能速览
高阶交互在复杂系统中普遍存在，其影响无法简单拆解为成对关系。
超图与单纯复形是两种主流建模框架，但此前常被混用。
研究发现高阶交互对同步稳定性的影响高度依赖于建模框架。
在单纯复形中，高阶交互会加剧网络异质性，从而抑制同步。
在超图中，高阶交互通常能降低异质性，从而促进系统同步。
该研究挑战了两种框架可互换的传统认知，强调了精准建模的重要性。
精华内容
从描述神经元协同到解析物种共生，复杂系统研究正从简单的成对交互，迈向更贴近现实的非线性高阶交互。然而，如何选择恰当的数学框架来精确刻画其影响，成为一个悬而未决的关键问题。
两种框架的本质区别
在复杂系统建模中，超图与单纯复形是描述高阶交互的两大核心数学工具，二者存在本质约束差异。
超图的定义极为灵活，允许多个节点在没有两两连接的前提下直接构成一个高阶交互组（超边）。例如，一个三人协作小组可以被直接建模，无需考虑他们之间是否存在个人联系。
而单纯复形则遵循严格的层级约束，任何高阶交互都必须以所有低阶连接的存在为前提。这意味着，要形成一个三节点交互，这三个节点之间必须先存在完整的两两连接关系。这种结构上的根本不同，为后续动力学行为的差异埋下了伏笔。
同步稳定性实验
为量化两种框架的差异，研究团队选取“同步”这一典型的集体行为作为研究对象，同步现象广泛存在于生物钟、大脑神经活动和电力网络中。
团队将经典的Kuramoto同步模型进行了扩展，使其能同时包含一阶（成对）和二阶（三节点）交互。通过调整参数α来控制两种交互的强度比例，其中α=0代表纯成对交互，α=1代表纯高阶交互。
同步的稳定性通过计算系统的最大横向李雅普诺夫指数λ_max来衡量，该值越小，系统同步状态越稳定。通过在两种框架下运行模型并对比λ_max的变化，可以清晰地揭示高阶交互的不同作用。
单纯复形的抑制效应
实验结果表明，在单纯复形框架下，高阶交互的引入会持续削弱系统的同步稳定性。
随着高阶交互强度参数α从0增大到1，最大横向李雅普诺夫指数λ_max呈现单调上升趋势。其核心机制在于“富节点更富”效应：向网络添加三节点交互时，原本连接密集的节点会获得更多的高阶交互机会，导致网络度分布的异质性显著增强。
研究通过量化异质性比率R_k/ R_2k，证明单纯复形中高阶交互的度异质性始终高于成对交互，且这种差异在基础成对网络越稀疏时越明显，最终破坏了同步的稳定性。
超图的增强效应
与单纯复形相反，在随机超图框架中，高阶交互通常扮演着“促进者”的角色，能够增强系统的同步稳定性。
当α介于0和1之间时，即成对与高阶交互共存时，λ_max与α的关系曲线呈现出U形，存在一个最优的α值能使同步稳定性达到最佳。当α=1，即系统仅由高阶交互驱动时，同步稳定性同样得到增强。
这得益于超图结构中更低的度异质性。理论推导显示，超图中二阶度的相对波动远小于一阶度，使得归一化后的二阶拉普拉斯谱更加集中，从而降低了对同步的阻碍作用。
脑网络验证与启示
为验证理论发现的普适性，研究团队利用真实的脑网络数据进行了实证分析。
他们将6个不同的脑网络数据集首先转化为单纯复形，然后通过随机重排其中的高阶连接，构建出一系列与单纯复形“距离”不同的超图。
结果清晰地显示，随着超图结构与单纯复形相似度的降低（即距离增大），系统的同步稳定性持续提升。这有力地证明了，框架选择对高阶交互效果的决定性作用，并暗示在脑科学等实际应用中，选择合适的建模框架对于理解神经协调等功能至关重要。
