不同于传统的基于图像识别的深度学习算法，本文首次利用网络的拉普拉斯矩阵作为卷积神经网络的训练集，成功预测了网络的热输运行为，提高了算法效率，为“AI for Science”提供了一种全新的算法策略。

图1. 深度学习对非晶复杂网络传热性质的预测。上图：该工作所采用的5层卷积AlexNet神经网络架构。左下：将复杂非晶网络的拉普拉斯矩阵作为输入，取代传统的图片数据，用于训练神经网络。下中：复杂网络热输运示意图，底部节点预设高温，顶部节点预设低温，节点颜色代表平衡态下温度分布。右下：AlexNet模型对网络热导性质的预测结果，横轴为标签值，纵轴为预测值，R²=0.99，表明预测十分准确。

如今，得益于纳米技术的进步，真实的纳米线/纳米管网络已可在实验室大规模制备。然而，预测这类网络结构的热输运对物理学和材料学来说都是一个巨大的挑战。这一挑战源于网络结构和热导参数之间复杂的相互作用，包括连通性、网络拓扑、网络几何形状、节点不均匀性等。深度学习 (Deep Learning, DL) 因其能够处理庞大而复杂的数据集、识别复杂模式和预测材料行为，有望帮助研究人员预测出复杂网络的热输运特性。在利用深度学习算法时，为提高预测准确性并减轻过拟合，构建更深的卷积神经网络(Convolutional Neural Network, CNN)架构是常见的做法。然而，更复杂的 CNN 模型需要更大的数据集和更多的计算资源。尤其是当数据样本的采集需要大量的实验和算力消耗时，使用深度学习算法的成本无疑会加剧。因此，确定一个合适的 CNN 模型，在保证高预测精度的前提下提高运算效率、节省资源消耗，对于利用深度学习预测复杂系统的物理特性至关重要。

CPL Express Letters栏目简介