题目：
文献来源: Nature Communications | (2023) 14:1560
代码：https://github.com/csabath95/NeuLay
简介：在网络可视化中使用的图形布局算法是揭示复杂网络的内部结构和行为的第一个和最广泛使用的工具。目前的网络可视化软件依赖于强制定向布局（FDL）算法，该算法的高计算复杂度使得大型真实网络的可视化在计算上被禁止，并将大型图形陷阱到高能量配置中，导致难以解释的“hairball”布局。在这里，作者使用图神经网络（GNN）来加速FDL，这表明深度学习可以解决FDL的两个限制：它提供了10到100倍的速度提高，同时也产生了信息更丰富的布局。我们解析地推导了GNN提供的加速，并将其与邻接矩阵特征谱中的异常值数联系起来，预测了GNN对于具有社区和局部规律的网络特别有效。最后，通过使用GNN生成互联网的三维布局，并引入额外的措施来评估布局质量及其可解释性，探索算法分离社区和链接长度分布的能力。深度神经网络的新应用也可以帮助加速其他基于网络的优化问题，应用从反应扩散系统到流行病。
主要内容：
-------------------------------------------
欢迎点赞收藏转发！
下次见！