在南京大学新开设的《复杂网络与人工智能》课程中，广告学专业本科生司伟和地理信息系统方向研究生易俊帆（旁听生），在尚可可副教授的指导下完成了一项针对复杂网络社团检测的研究项目。该项目通过将机器学习技术与微观和介观统计物理方法相结合，显著提升了复杂网络中的社区检测准确性，。该研究成果已发表在目前已于美国物理联合会(AIP)旗下的SCI Q1区期刊《Chaos》上发表（Yijun Ran, Junfan Yi, Wei Si, Michael Small, Ke-ke Shang; Machine learning informed by micro- and mesoscopic statistical physics methods for community detection. Chaos 1 July 2025; 35 (7): 073103. https://doi.org/10.1063/5.0268930）。
该研究创新性地提出提出的低复杂度框架，能够在不直接学习真实社团信息的前提下，利用网络的统计物理规律高效地识别实际社团。这种方法不仅提高了结构一致性和检测准确性，还在实验评估中展示了优异的表现更是表现优异。
传统社区检测方法通常依赖于优化全局目标函数，（如模块度等），。这些此类方法主要关注网络拓扑结构，但往往忽略了节点对之间的相似性关系。为了克服这一局限，在课堂研讨中尚老师尚可可副教授提出了一种创新的非监督式机器学习框架：
算法框架图
1、微宏观结合：通过集成学习模型将微观层次的节点对相似性（链路预测原理）嵌入到介观层面的社区结构分析中。这种结合使得每个节点在网络中的表示更加丰富，能够捕捉到更细微的节点间关系。
2、无需预学习网络结构：该方法用机器学习结合了经典的启发式算法，不需要预先学习网络的具体社团信息，而是利用网络内部的统计物理规律进行社团检测。具体来说，它基于节点对之间的相似性来辅助推断社区边界，从而实现高效的社团检测。
3、性能提升：实验结果表明，在模块度、NMI和ARI等评价指标上，这一方法显著超越了传统方法及当下先进的基于嵌入和图神经网络的方法。即使在没有真实社团信息的情况下，该方法也能显著提高算法的准确性。
《复杂网络与人工智能》课程不仅让学生掌握了前沿的人工智能技术和复杂网络分析方法，还激发了他们的创新思维和科研能力，。该课程期间，也有部分来自大四的计算机专业的四年级学生同样做出了创新性研究，但因为由于临近毕业等原因未能有足够的时间将研究发表出来完成成果的发表。尚可可副教授表示：“南京大学的AI+‘Y’层次课程旨在培养学生基于AI的跨学科研究能力，很高兴看到学生们能够利用所学知识解决实际问题，并取得了一定的科研成果。”