Re
In terms of related original research in image processing and art in general, a nice recent review is Beauty in artistic expressions through the eyes of networks and physics, Interface 17,20190686 (2020), while related original research in terms of image creation/processing with advanced computer algorithms is Particle swarm optimization for automatic creation of complex graphic characters, Chaos Solitons & Fractals 73,29-35 (2015).
就图像处理和艺术方面的相关原始研究而言，最近的一个不错的评论是《通过网络和物理学的眼光看艺术表现形式中的美》，界面17,20190686（2020），而有关使用高级计算机算法进行图像创建/处理的原始研究成果是用于自动创建复杂图形字符的粒子群优化，《混沌孤子与分形》 73,29-35（2015）。
题目：Beauty in artistic expressions through the eyes of networks and physics
通过网络和物理学的眼光看艺术表现形式中的美
摘要
美是主观的，因此，它当然不能用绝对的术语来定义。但是我们都知道或感觉到什么东西对我们个人而言很美。在这种情况下，可以使用统计物理学和网络科学的方法来量化和更好地理解什么是令人愉悦的感觉，无论是看书还是看画。确实，最近对数字数据的大规模探索揭开了我们艺术表现形式许多方面的面纱，这些方面将永远隐藏在较小的样本中。从确定美术作品的复杂性和熵性到创建风味网络和食物配对原理，艺术，物理学和网络科学之间的联系引人入胜。在这里，我们回顾现有的文学，尤其是烹饪，视觉，音乐和文学艺术。我们还涉及文化历史和文化学，以及物理学与一般社会科学之间的联系。审查表明，这些领域之间的协同作用产生了非常有趣的结果，外行和专家通常都可以享受到。除了具有更广泛的吸引力外，经过审查的研究还具有许多应用，从改进推荐到剽窃检测。
简介
在过去的十年中，数据科学已成为研究领域中的新流行语。 2012年，《哈佛商业评论》的Thomas H. Davenport和D. J. Patil称自己为数据科学家“ 21世纪最性感的工作”。 尽管有人认为数据科学只不过是具有现代风格的古典统计学，但当今的数字数据在数量，多样性和变化速度[1]方面的丰富性需要超越学科界限的协同作用。 数据科学使用数学，物理学，计算机科学，信息科学以及当然是统计学的方法和技术来理解每天添加到全球计算机服务器中的大量数字数据。 可视化巫术同样是数据科学闪耀的关键，这与在核心统计书中经常发现的一维且常常是乏味的表示相反。
正是这种大量的数字数据通常是社会科学与自然科学之间的桥梁，正如我们将在下文中回顾的，艺术与自然科学之间，尤其是艺术与物理学以及网络科学之间也是如此。也许有人会怀疑古典物理学是否与社会挑战和现代人类社会有关。然而研究表明，总体上，我们在物质上的行为通常与粒子没有什么不同[2]。当然，不完全正确，但足够接近，足以使统计物理学方法有效地应用于诸如交通[3]，犯罪[4]，流行病[5]，疫苗接种[6]，合作[7]，气候不作为[ 8]，以及抗生素滥用[9]和道德行为[10]。不管名称标签如何，在过去的几十年中，社会系统的物理学，社会物理学的[11]或社会物理学的[12]都具有出色的增长方式，这是由于统计和计算物理学的进步，数据，以及诸如网络科学[13-16]和计算社会科学[17]等相关研究领域的发展。
从历史上看这一发展，实际上可以断言，物理科学与社会科学之间的协同作用已经存在了数百年。当然，它们不像现在那样精确和有用，但是。早在17世纪，托马斯·霍布斯（Thomas Hobbes）就根据运动定律，特别是基于惯性原理建立了他的国家理论，然后由他的当代伽利略·伽利莱（Galileo Galilei）推论得出。亚当·史密斯（Adam Smith）在18世纪下半叶提出的“看不见的手”也与当今著名的经济和社会自组织概念[18,19]极为相似，在当时被认为是可靠的。操作作为引力定律[20]。在19世纪，不断发展的物质物理理论是由大量的原子和分子组成的，这激发了人们对社会及其可预测平均值的统计观点。法国政治和经济理论家圣西蒙（Henri de Saint-Simon）确实提出，可以用类似于物理学中的定律来描述社会。就像气体中分子的随机运动产生了数学上简单的气体定律一样，人们也发誓，集体中的社会可能是可预测的。因此，正如菲利普·鲍尔（Philip Ball）恰当地争论[21]一样，早期的社会学可能是基于一种不言而喻的信念而构建的，即存在着一种“社会物理学”，但它仍在星空中存在。
但是，调查和数学描述人类社会中可测量的现象是一回事，而尝试对艺术做同样的事情则是另一回事。 绝对有一件艺术作品将永远无法被度量和科学的冷酷所触及。 但是，尽管了解得非常透彻，我们仍可能永远无法理解所有情况，但许多人已经尝试并成功弥合了这种鸿沟，并且对科学和艺术常常产生了令人满意的结果。 计算美学[22]是这种研究的一个例子，它起源于二十世纪上半叶，当时美国数学家乔治·D·伯克霍夫（George D. Birkhoff）提出了将序数和复杂度之间的比率作为一种美学度量[23]。 实际上，计算美学的主要任务是开发量化美感和模拟人类审美感知的科学方法[24]，尽管它也影响计算机生成的艺术。
作为中间立场，可以涉及对人类集体行为的研究，这是由于艺术，尤其是由于重金属音乐引起的。 Silverberg等。 [25]研究了人类在重金属音乐会上的集体运动，表明这种社交聚会产生了极端的行为，从无序的气体状状态到有序的漩涡状状态，如图1所示。 植绒模拟中可以复制出所谓的“沼泽和圆坑”，从而证实即使是相对非常简单的数学模型也可以准确地描述人类集体行为的本质。
在下文中，我们回顾了针对烹饪艺术，视觉艺术和音乐艺术的研究，并在适当的情况下还涉及了文化史[26,27]和文化学[28]，并描述了物理学与社会科学之间的联系。 最后，我们对已审查的研究进行了讨论，并对未来的研究进行了展望。
烹饪艺术
烹饪是否是艺术还有些争议。 在麦当劳将汉堡包放在一起比任何东西都更加自动化，这当然不是艺术。 但是，为亲人创造一顿美味的饭菜可能是一种艺术，而烹饪艺术尤其与食物的准备和烹饪有关。 但是，这与物理和网络有什么关系？
乍一看也许不多，但这是欺骗。大约八年前，Ahn等人。 [29]发表了一篇论文，他们介绍了风味网络，以发现食物搭配的基本原理。风味网络的骨干如图2所示。他们认为，鉴于诸如Cookpad.com和foodpairing.com等食品制备信息的可用性越来越高，数据驱动的方法可以开辟一条新的途径来对烹饪艺术有系统的了解。他们的研究表明，北美和西欧美食具有在配方成分中共享风味化合物的统计学显着趋势。相比之下，东亚和南欧的食谱中很少有具有风味成分的成分。反之亦然，两种成分共有的化合物越多，它们在北美食谱中出现的可能性就越大，而在东亚美食中出现的可能性就越小。在探索造成这些差异的机制时，Ahn等人（2003）。 [29]发现，配对食物的作用仅是由于某些特殊食物中经常使用的几种成分。例如，在北美，这将是牛奶，黄油，可可，香草，奶油和鸡蛋，在东亚，这将是牛肉，姜，猪肉，卡宴，鸡肉和洋葱。这些发现与著名的“风味原理” [30]产生共鸣，根据该原理，区域性美食仅源于一些关键成分，例如亚洲的酱油或匈牙利的辣椒粉和洋葱。
然而，在风味网络研究之前[29]，Kinouchi等人。 [31]研究了来自巴西多纳·本塔，英国新企鹅烹饪书，法国拉鲁斯美食家和中世纪的普莱恩·德利特的配料和食谱的统计数据。 他们观察到了具有尺度不变行为的成分的普遍分布，这种行为激发了一种类似于网络增长和偏好依恋的数学模型[32]，或更普遍的是马修效应[33]。 事实证明，所谓的烹饪进化复制突变模型非常适合经验数据。 作者还认为，该模型表明了一个世纪以来控制着菜谱演变的进化动力学，其中以与奠基者效应相似的方式保存了特有成分[34]。
近年来，随着网络科学，物理学和相关方法的研究，一些研究工作得以跟进。例如，滕等人。 [35]展示了如何基于成分网络改进食谱建议。他们的研究表明，通过成分网络和营养信息的功能可以很好地预测食谱评分。还提出了食品桥接假说，假设如果两种成分不具有很强的分子或经验亲和力，则它们可能通过成对的亲和力链成为亲子关系[36]。连同食物配对假说[29]，可以区分出四类美食。即，倾向于避免食物搭配和食物架桥的东亚美食，倾向于食物搭配和食物架桥的拉丁美洲美食，倾向于避免食物搭配但包含食物架桥和西方美食的东南亚美食包含食物配对但避免食物桥接[36]。
相对而言，还进行了较小规模的研究，例如，专门研究阿拉伯美食以及它是否符合食物搭配假说[37]。还研究了中世纪欧洲美食的风味配对[38]，作者在历史上研究了风味配对假说，尤其着重于数据不完整和错误的作用。为此，使用了两个单独的具有不同清洁度水平的化合物数据集，这表明它们在中世纪欧洲的风味配对假设方面得出了相互矛盾的结论。还提出并讨论了当许多新成分突然出现时有关烹饪技术发展的可能推论。还研究了中国区域美食的地理和相似性[39]。研究表明，地理上的接近而不是气候上的相似性是决定中国区域美食相似性的关键因素。继Kinouchi等。 [31]烹饪进化的复制突变模型，也专门针对不同的印度美食提出了类似的模型[40]。作者认为，除了确定的地区之间的相似性和差异之外，在风味化合物水平上对这些模型进行比较可能会开辟一条将分子水平研究与特定成分与诸如糖尿病等非传染性疾病相关联的途径。
除了地域利益和分期，在烹饪艺术和更艰巨的科学领域进行的研究还产生了一些宝石，例如“告诉我吃什么，我会告诉你你来自哪里：数据科学方法网页[41]，其中消息正好位于标题中。它也引起了食物计算[42]，它从不同的来源获取并分析了异类食物数据，以进行食物的感知，识别，检索，推荐和监测。然后可以将计算方法应用于解决医学，生物学，美食和农学中与食物相关的问题。还基于来自网络上大型食谱平台的服务器日志数据，探索了在线食物偏好[43]。研究表明，配方偏好在某种程度上受配料驱动，配方偏好分布比配料偏好分布表现出更大的区域差异，而且工作日偏好明显不同于周末偏好。同样地，人们还通过推特[44]研究了食物的消费和饮食方式，恰当地总结了“你在推特上吃什么”，以及通过网络使用记录[45]。
在本节的结尾，我们参考一本名为《每个人都吃的人》的当代书[46]，该书探讨了我们为什么吃我们所吃的东西，为什么有些人喜欢香料，糖果和咖啡，以及为什么大米在整个东亚如此大的地区成为主食 。 着眼于我们选择食物的社会和文化原因，这本书可能是进一步探索这一引人入胜的物理和网络之外的主题的好伴侣。
视觉艺术
大自然中的图案是常见的，往往是美丽而有趣的[47]。 因此，可以预期，模式形成在物理，化学和生物学研究中也很普遍，其中涌现的有序和无序的结构经常需要量化[48-54]。 自从艾伦·图灵（Alan Turing）对形态发生的化学基础进行开创性研究以来，该主题确实充满活力并广受欢迎[55]。 因此也许不足为奇，物理学中经常使用的许多量化和研究模式的方法也可以用于几乎没有任何修改的艺术研究。
直到最近，挑战仍然是如何将视觉艺术转化为高质量的数字形式，以及如何将大量艺术品转化为高质量的数字形式。通过wikiart.org，这一挑战得到了完美解决，这为使用物理方法进行大规模分析开辟了道路。使用这些数据，Sigaki等。 [56]通过熵和复杂性的角度研究了艺术绘画的历史。这项研究涵盖了将近一千年的艺术史的近14万幅画作。有趣的是，结果表明，复杂度-熵平面反映了艺术史上的传统概念，例如沃尔夫林的线性与绘画的对偶概念以及Riegl的触觉与视觉二分法[57,58]。线性艺术品由清晰且轮廓鲜明的形状组成，而绘画艺术品的轮廓则微妙而模糊，以融合图像部分并传递流畅性。同样，触觉艺术品将对象描绘为有形的离散实体，相互隔离并加以限制，而光学艺术品则通过利用光，彩色和阴影效果来创建一个开放的空间连续体的概念，从而将对象描绘为深空中相互联系的对象。与此相关的是复杂性和熵，结果表明，线性/触觉艺术品通过较小的熵H值和较大的复杂度C来描述，而绘画/光学艺术品预计将产生较大的H值和较小的C值。
这些事实使Sigaki等人得以接受。 [56]通过艺术史来量化艺术品的演变。 为此，计算了按日期对图像进行分组后的H和C的平均值。 图3所示的结果表明，与19世纪至20世纪中叶创作的作品相比，9世纪至17世纪之间创作的艺术品平均而言更具规则性/有序性。 另外，1950年以后生产的艺术品比前两个时期的艺术品更具规律性/订购性。 可以进一步观察到，在19世纪以后，复杂度-熵平面的变化速度加快了。 值得注意的是，这一时期确实与几种艺术风格的出现相吻合，例如新古典主义和印象派。 此外，三个轮廓区域与艺术史的主要部分非常吻合，如图3所示。
更进一步，复杂性和熵也可以用来区分H-C平面中的不同艺术风格[56]。 由于H和C的值捕获了与图像像素的局部排序有关的艺术风格之间的相似程度，因此可以针对该局部排序测试样式的可能层次结构。 为此，可以将复杂度-熵平面中一对样式之间的欧几里得距离视为它们之间的相异性度量。 因此，两种艺术风格之间的距离越近，它们之间的相似性就越明显，反之亦然。 通过此程序获得的结果如图4所示，根据查尔斯·达尔文（Charles Darwin）在他的《物种起源》一书中提出的隐喻，可以将其解释为一棵类似于生物学中的生命之树的艺术树。
当然，Sigaki等人的研究。 [56]既不是该研究的第一个也不是最后一个。金已经等了四年。 [59]对绘画艺术进行了大规模的定量分析，旨在弥合艺术与科学之间的鸿沟，重点是使用各种颜色，各种颜色以及亮度的粗糙度。他们的研究表明，古典绘画和照片在色彩使用上存在差异，并且在中世纪时期色彩种类明显减少。据报道，与该时期的历史情况相一致，在诸如明暗对比法和sfumato之类的绘画技术中，粗糙度指数也有所增加。后来，该小组还研究了现代图像中色度距离的异质性[60]，他们正确地指出，聚集统计量对于画家个性的衡量不佳，因为差异可能源于不同画家或同样的画家只是采用不同的风格。来自[60]的有见地的分析如图5所示，其中对代表性的独立画家进行了详细描述。文体个性的两个截然不同但相辅相成的方面，即其职业生涯的演变以及相对于该时期主导风格的独特性。最终，这项研究为定义现代的创造性多样性和个性的非凡扩展提供了见识的宝库。
除了上面审查的量化视觉艺术的大规模研究尝试之外，还需要注意的是，这一想法本身可以追溯到1933年，当时美国数学家乔治·D·伯克霍夫（George D. Birkhoff）出版了《审美测量》 [23]。 ]，这也引起了计算美学[22]。其中，他建议使用图像中发现的规律性数量与图像中元素数量之间的比率作为定量的美学度量。但是，只有在21世纪初，Taylor等人的工作才开始应用。 [61]表明，波洛克的绘画在其艺术生涯的过程中具有越来越大的分数维特征。随后，这激发了将分形分析应用于绘画的真实性[62–66]，艺术家的进化[67,68]，绘画[69]和艺术家[70–72]的统计属性以及艺术运动的应用[73]和其他视觉表达[74-76]。分形艺术本身就是一门引人入胜的主题，这让我们无奈了[77]。它在伊斯兰文化中很常见，例如在土耳其塞利米耶清真寺的主要圆顶上以及世界各地的印度教寺庙中。最近还有一项创新的研究，侧重于通过估计平均亮度和饱和度来分析绘画和其他视觉艺术表现形式的大规模数据集[78,79]。
在结束关于视觉艺术的部分时，我们注意到，除了艺术绘画外，雕塑，陶瓷，摄影，录像，电影制作，设计，手工艺和建筑当然也属于这一类。值得注意的是，已经根据演员网络对电影制作进行了研究-如果两个演员一起出现在电影中，则两个演员会相互联系。在这个方向上的最新尝试之一是在《星际之门》和《星际迷航》电视连续剧中对角色互动进行社交网络分析[80]。研究表明，这两个系列的角色网络都具有小世界属性，并且情节的底层网络结构可以告诉我们有关该情节中故事情节复杂性的信息。情节网络被发现是封闭的网络，或者是具有瓶颈的网络，这些网络将原本不连贯的集群连接在一起，或者是两者的混合，在更详细的阅读中可以链接到相应的故事情节。但是其他形式的视觉艺术尚未获得与物理学和网络的联系。
音乐艺术
在这篇评论中，将音乐艺术与科学联系起来的研究具有最长的传统。 因此，我们仅关注于相对较新的研究成果，这些研究主要建立在物理学和网络科学之间，作为这两个学科之间的桥梁。
我们从Park等人开始。 [81]，他研究了西方古典音乐作曲家网络的拓扑和演变。根据arkivmusic.com和allmusic.com的数据，创建了一个由CD和作曲家组成的两部分网络作为两个节点类。具体来说，当作曲家的作品录制在CD上时，在两个节点之间绘制了一条边。还制作了仅作曲家的单模投影，其中两个作曲家（如果已在CD上共同拍摄）则连接在一起。基于此，Park等人。 [81]报道了很多结果，包括网络表现出许多现实世界网络所共有的特征，例如小世界财产，巨型组件的存在，高聚类和重尾度分布。他们还通过集中性，分类混合和社区结构探索了作曲家的全球交往模式，这表明音乐家网络与我们对西方音乐传统的音乐学理解之间的有趣互动。此外，对CD构成者二分网络随时间增长的研究表明，超线性优先附着是解释顶级节点周围边缘浓度增加和幂律度分布的强有力候选。
据此，我们回顾了与社区结构有关的结果，如图6所示。描述了六个较大的社区，它们占已知周期的878个节点的99％。 令人着迷的是，这些社区大致对应于不同的音乐时期，例如文艺复兴时期和巴洛克早期（1A），巴洛克晚期和古典（1B），浪漫主义（2）和现代（剩下三个社区）。 原始作品还列出了每个社区中的著名作曲家，从而很好地展示了网络科学以有见地的方式探索艺术的力量。
Corrêa等人的论文，尽管仍然基于网络，但在物理学启发的方法方面是相对较新的经典。 [82]中，作者通过从复杂的网络表示中探索基于节奏的特征，探索了音乐自动分类的问题。具体而言，提出了一个马尔可夫模型来分析节奏符号事件的时间顺序，并使用主成分分析和线性判别分析进行特征分析。前者是一种无监督的多元统计方法，而后者是一种有监督的方法。还应用了两个分类器来识别节奏的类别，即在高斯假设下的参数贝叶斯分类器和聚集层次聚类。图7显示了如何创建用于分析的图。可以观察到，仅注意音符的持续时间（考虑到它们在样本中的出现顺序）才被用于创建有向图。有向图的每个顶点表示一个可能的节奏符号，例如四分音符，半音符，八分音符等。边缘反映了随后的音符对。例如，如果从以四分音符表示的顶点i到以八分音符表示的顶点j有一条边，则意味着四分音符之后至少有八分音符一次。此外，边缘越厚，这两个节点之间的链接越牢固。
最近，同一组作者的一部分使用递归量化分析研究了巴洛克作曲家约翰·塞巴斯蒂安·巴赫（Johann Sebastian Bach）的十种作品是否来自马尔可夫链[83]。 也许并非令人惊讶的是，研究发现，巴克的大脑是马尔可夫链的相当难以置信的假设可以用足够详尽的代理人一贯否定。
除了上面列举的例子，这些例子展示了如何通过网络和物理学来研究音乐艺术的不同方面，类似的研究还包括应用复杂性-熵因果平面来区分歌曲[84]，通用模式的识别 在歌曲和音乐流派的声音振幅中[85]，通过网络中的社区相关性来提取音乐节奏模式[86]，以及对人类聚集的音景动态进行量化[87]。 结合音乐理论的基础研究，例如关于音乐和弦的几何学[88]，希望这种跨学科的研究可以对更好地理解音乐及其在流派，地理区域和时间上的流行做出重要贡献[89]。
文学艺术
艺术的数字化可能对文学艺术产生最大的影响。 以前仅在纸上存在的内容可以按位和字节使用。 诸如books.google.com/ngrams [28]上的Google n-gram浏览器和gutenberg.org上的Gutenberg项目之类的网站，以及Twitter和Facebook等社交网站，都极大地促进了对大量书面文本的定量研究查询。 标度[90-101]。 但是，这项研究的大部分主要与统计属性有关，与寻找模因或文本中的相似或不同之处有关，而不与艺术内容有关。
里根（Reagan）等人进行了一项有趣的，专注于内容的研究工作。 [102]，他研究了古腾堡计划小说集的1327个故事的过滤子集的情感弧线。作为主要的三种独立分析方法，作者使用了奇异值分解（一种标准的线性代数技术，沃德方法来生成故事的层次聚类），该过程通过最大程度地减少书籍丛集之间的差异来实现[103]。自组织图[104]-一种无监督的机器学习方法来聚类情绪弧。通过使用hedonometer.org和labMT数据集[105,106]分析滑动的10000个单词窗口的情感来构建情感弧。图8显示了J.罗琳（J. K. Rowling）的《哈利·波特与死亡圣器》的结局。正如作者在论文中指出的那样，整个七本书系列都可以归类为“杀死怪物”情节[107]，而它们之间的许多子情节和联系使每本书的情感弧度变得复杂。但是，该方法不会吸收仅在单个段落或句子中简短讨论的情感时刻。图8中显示的结果是否与读者的体验相符，取决于许多因素，但是作为我们家庭中“哈利波特”系列所有书籍和DVD的骄傲拥有者，这的确看起来非常合适。我十几岁的女儿Ela和她的朋友们认为，最幸福的应该是“永远幸福”，而不是“ Weasleys的哈利”，但这是一群人在一起的。其他人可能会有所不同，并完全同意图8所示。
在更大的画面中，里根等人的主要发现。 [102]论文认为，他们研究中所有故事的情感弧线都由不超过六个基本形状决定。 这些是“破布致富”（上升），“悲剧”或“破布致富”（下降），“人在洞里”（下降上升），“伊卡洛斯”（上升下降），“灰姑娘”（上升 -fall-rise）和“俄狄浦斯”（fall-rise-fall）。 重要的是，通过前面提到的三种独立方法的结果，通过观察它们从所有可能的弧中获得了相同的六个情感弧，每种方法都有自己的优势。 即，奇异值分解找到了所有情感弧的基础，聚类将情感弧分为不同的组，并且自组织映射使用随机过程从噪声中生成类似于语料库中的弧。 因此，结果是真正可靠的，并得到了所提供证据的充分支持。
在较小的规模上，Markovič等人 [108]最近研究了斯洛文尼亚佳丽字母的文本的结构和复杂性，重点是评估不同年龄段文本的差异。 研究表明，单词的句法连通性形成了以信息有效传递为特征的复杂且异构的网络。 研究还表明，随着读者推荐年龄的增长，文本的长度，单词的平均长度，短语的不同组合以及文学人物之间社交互动的复杂性都在增加。 相反，唯一词的分数显示减少。
在语言网络方面，如图9所示，Markovič等人。 [108]发现，尽管网络规模存在显着差异，但度分布是所有四个年龄组的幂律，并且指数相似。显然，尽管所研究网络的规模相对较小，但语法模型的某些属性对于不同年龄组并没有太大差异，因此无法进行更精确的比较。值得注意的是，先前已在其他几篇著作中报道了观察到的语言网络的无标度特性[110]。从网络属性的角度来看，研究表明，平均程度和平均聚类系数会随着读者的推荐年龄而增加。该结果与唯一单词密度的降低趋势相一致。即，对于较高年龄组，成比例地将较少的唯一单词用于较长的文本，因此，更多的单词组合是可能的并且确实存在，这反过来导致各个单词之间的更多连接以及更高的粗俗度。出于同样的原因，在推荐读者年龄的情况下，网络的模块化程度也有所降低。由于连接数量的增加，尽管网络规模大大增加，但平均最短路径长度却随着建议的使用期限的增加而逐渐减小。反过来，这引起了所提取句法网络的小世界拓扑特征。有趣的是，尽管平均连接性，平均最短路径长度和网络大小发生了变化，但网络的直径在各个年龄段之间基本保持不变。综上所述，网络科学使人们对斯洛文尼亚的钟声有了更深入的理论探索，在不同年龄组之间的统计属性上有着明显的区别，从而以一种互惠互利的方式将艺术与精确科学联系在一起。
为了进一步推动这一主题，Ferraz de Arruda等人。 [111]最近指出，尽管完善的单词邻接或共现网络成功地掌握了书面文本的句法特征，但它们无法捕获主题结构。 为了解决这个问题，他们提出了一种网络模型，其中相邻的段落充当节点，然后只要它们共享最小的语义内容，它们就被连接起来。 例如，对刘易斯·卡罗尔（Lewis Carroll）的《爱丽丝梦游仙境》进行了研究，研究表明，这种方法可以揭示文本的许多语义特征，而这些特征本来会隐藏起来。 从“正义的单词”和短语转变为不同程度的介观结构（例如句子，段落或章节），可能是使文学艺术更接近网络科学和物理学方法的下一步。
结论
我们回顾了最近的研究，旨在弥合不同艺术表现形式与网络科学和物理学之间的鸿沟。 尽管我们涵盖的大多数作品都不是关于美感的，但回想起来，它们的确使我们能够量化并了解当我们受到某种特定艺术形式的影响时，我们发现什么是吸引人的或美的。
当我们喜欢的食物时，我们现在可以欣赏到哪些食物搭配让我们更受一餐，以及哪些食材之间的桥梁使我们重新体验了餐厅。 从广义上讲，当既不进行食物搭配也不进行食物桥接时，东亚美食就是我们的果酱，而东南亚美食则吸引了那些不喜欢食物搭配但喜欢食物桥接的人。 西方美食全都与食物搭配有关，几乎没有食物搭桥，而拉丁美洲美食对于那些喜欢食物搭配和食物搭桥的人来说应该很好。
当我们看到一幅我们发现美丽的画时，可以将这种美丽与熵和复杂性联系起来。如果我们喜欢有序和重复的模式，那就是低熵和高复杂度，而所有的“恶意”都是高熵和低复杂度。这两个物理量可以很好地与艺术史上的传统观念联系起来。由截然不同的轮廓部分形成的图像会产生一些序数模式的许多重复，因此，线性/触觉艺术作品的熵值较小而复杂度较大。另一方面，由相互关联的部分组成的图像由受污染的边缘定界，从而产生更多的随机图案，因此，绘画/光学艺术品有望产生较大的熵值和较小的复杂度值。可能会更进一步，认为沃尔夫林关于线性与绘画的对偶概念以及Riegl对触觉与视觉的二分法实际上是限制了表示所有可能性范围的表示形式，并且在这方面，熵和复杂度值可以帮助艺术史学家对该比例进行更精细的分级。
当我们听到一首歌，然后重复播放时，在物理和网络科学的交界处进行的研究可以帮助我们确定其超出经典音乐理论范围或超出其范围的某些属性。 从网络角度来看，基于节奏的功能，不同作曲家和流派的社区以及复杂性-熵因果关系平面都可以帮助我们确定在特定歌曲中发现美丽的含义，改善个性化的音乐推荐， 并提高我们对周围其他人在特定音乐中发现吸引力的理解。 这些方法还可用于尝试和预测几位杰出艺术家的未来，并解读音乐网络的发展动力。 为了不偏离古典音乐理论，和弦的几何形状以及类似概念，我们试图提出的观点仅仅是网络科学和物理学也可以发挥非常有用的作用。
最后，当我们读到一个真正使我们感动的故事时，我们可以查看其情感弧线是类似于“灰姑娘”的上升下降，还是仅仅是“伊卡洛斯”的上升下降。 我们还可以欣赏我们是喜欢偏爱几乎难以追踪的纠缠角色，还是只喜欢两个或三个主角来推动故事发展的角色。 网络科学的观点还将使我们对故事的模块化有深入的了解，即故事的某些部分是否特别从其他部分中删除，以及它们是否在某个时候融合在一起。 在这里，介观文本结构（例如句子，段落或章节）的概念可能成为定量语言学的新领域，不仅在统计方面，而且在内容，讲故事和情感方面也是如此。
从更大的角度来看，促成上述艺术发展的人员，知识，工艺和技术的根本运动与我们的文化历史有关。在这方面，网络科学和物理学的方法近年来也为推动该学科的发展发挥了重要作用[26-28]。 Michel等人的文化论文。 [28]这个勇敢的标题是使用数百万本数字化书籍对文化进行定量分析，对于我们从这种对文化的“大数据”探索中究竟能学到什么，甚至可能过于乐观。后来，在线评论和研究很快指出了基于此类数据进行社会文化和语言演变的推论的局限性[112]，因此这也意味着相当多的研究工作，例如[113,114]，可能赶紧赶上文化学潮流[115]。但这通常是快速发展的领域的本质。最初的过度热情和积极性被后来采取的更加谨慎和谨慎的方法所抑制，直到最终进入成熟阶段，随后不可避免的下降。
但是，近年来，这种研究的流行以及通过计算美学与人工智能的联系[22]一直在稳步增长，也触及了科学生产[116-118] —参见matjaz-perc.com/aps -和同行评议[119]来补充我们在引言中已经提到的对我们社会许多其他方面的研究，包括本文所评论的艺术。 我们希望这篇评论对从事本质上不同但又互补的研究领域的引人入胜的研究人员，特别是对寻求在艺术与定量科学之间产生互惠互利的协同作用的方法的研究人员，将有所帮助。
网友评论