多者异也：破缺的对称性与科学知识层级结构的本质

时间：2024-10-10 12:19:32

科学学，无论如何比其他任何人文科学比较相对于框架的层面再加见性研究课题。该课题之同一时间长期存在非无奇的*有用再加见性（non-trivial complexities），于是，我们开始构想一个泛化的深入研究方法，来知道明从子系统性到定再加见性的演进是如何引发的。这一深入研究方法构想，被统称“不变再加见性破缺（broken-symmetry）*”深入研究方法，无论如何有助于让转化自由主义的至上——紧密结合自由主义——的残余比较加明了。我将计算出一新来这些论述的框架且尚不充实的暗示，然后将计算出一新来关于其他行政组织起来的多种各不不同成因的比较泛化的推断再加见性暗示。

*non-trivial 在高等数学，科学与计算科学之同一时间被广泛常用描绘出对研究课题员来讲不简单或者不容易证明的疑问，non-trivial与trivial间并不一定能显着界限。

*不变再加见性破缺可以粗略认知为本来很强较较高不变再加见性的子系统，出一新现不对角因素，其对角程度自发减较高的成因。

首先只能澄清一段距离上：

一，当我知道自由度演进随之而来根本再加见性演进时，我并不一定是在知道那个广为人知的论述，即一新自由度下的成因遵循实质上各不不同的大躯物理现象——比如，地球人自由度遵循相对论，质子自由度遵循广义相对论力学。我想大家不应都声称，所有大多颗粒都遵循有趣的和光动力学和广义相对论论，这也是我所咨询的范畴。（正如我所知道的，我们必须从我们深信不疑的转化论出一新发。）

误解之二是从原子科学学家转作了不变再加见性破缺这一只不过的真实原因，不过他们对该用语的使用只是一个类比，其表达的是深层词语还是刺力词语仍确实商榷。

我将用一个尽确实有趣的行政组织起来之同一时间的示例开始我的咨询，我在读研的时候接触过它：硫物理键。那个时候，每个人都对硫相当程度探究，并用其来测定自己的深入研究方法和仪器，我也不一般来说。有机物理家亦会知道硫“是”一个三棱柱，硫质子隙负和光，锂质子隙正和光，因此硫有一个和光科学再加见特殊性（μ），且正向指称向棱柱的顶端。我没法认知有机物理家的论述，因为在此之同一时间的老师告诉我不长期存在有和光科学再加见特殊性的颗粒。那位名誉教授或许证明了质子质子不确实有科学再加见特殊性，因为他是名誉教授质子科学学，不过，因为他的咨询是基于幻境不变再加见性的，所以他应发放了很强再加见再加见性的论点。

上图2：很强科学再加见特殊性的硫物理键

我便发掘出，科学学家的这些论述是恰当的（或者比较吻合的知道法是这些论述不是错误的），因为名誉教授的阐释比较行事：不能任何子系统的定基态（stationary state，即不随星期演进的锥形基态）长期存在和光科学再加见特殊性。如果硫物理键开始时是上述的非对角基态（即很强科学再加见特殊性的锥形基态），它没有保持该基态极短的星期。由于长期存在广义相对论隧道效应，硫质子可以通过锂质子合组的三角形泄露到另一侧，将棱柱颠倒，这个每一次实质上引发地比较快。这也就是所谓的“正向（inversion）”，引发频率为每秒 3 X 10_10 。真正的定基态只能是不对角棱柱和其正向的等权转换。那种混杂锥形基态不长期存在科学再加见特殊性。（读者比如说的是，这里是高度简化的知道法，详细素材叮嘱翻阅编译馆。）

我不想要描绘出整个证明每一次，但论点就是，如果一个子系统锥形基态是定基态，那么它一定保有与管控它运动的动力学一样的不变再加见性。缘故很有趣：在广义相对论力学之同一时间，除非长期存在不变再加见性的限制，子系统总是长期存在从一个基态演进到另一个基态的方法。因此，如果我们从任何非对角基态出一新发，子系统将演进为其他基态，所以只有以对角的方式为转换所有确实的非对角基态，我们才能得不到定基态。硫物理键限于的不变再加见性是CPT（parity，即密闭反演对角）——CPT的原子右手再加见性与食指称再加见性同构。（关于大躯原子实验室技术人员发掘出的特定相悖CPT成因的先决条件和本疑问或多或少；那些先决条件能造成的冲击太弱了以至于没有冲击大多颗粒。）

我们早已知道了硫物理键如何满足不能科学再加见特殊性看似的深入研究方法深入研究，从前我们开始再一直考虑其他的原因，特别是当子系统二阶连续性时，以判断基态和不变再加见性到底总是特别的。其本质界之同一时间长期存在着和硫多种各不不同的金表字塔锥形的物理键，由质子量比较大的成份合组。硫化锂，PH3，是硫的两倍助于，也亦会正向，不过频率是硫的十分之一。三碲硫之同一时间，PF3，比较助于的氟质子引入了锂质子，尽管深入研究方法上我们可以确定正向的引发，但是我们没有在总括水平之同一时间观测到三碲硫的正向。

在此之后我们再一直考虑比较有用的物理键，比如含 40 个质子的牛奶物理键。在这种自由度下，期待物理键正向是不能意义的。生命体有机躯随之而来的牛奶物理键都很强平衡的同一螺旋一段距离（左旋），此时牛奶物理键右手再加见性与食指称再加见性不同构，也就不兼顾CPT不变再加见性。并且，无论是广义相对论力学隧道效应还是吸湿性的刺云系都没有使其正向。此时研究课题牛奶物理键的再加见特殊性必须抛开正向的确实再加见性并忽略CPT不变再加见性（parity symmetry）：不变再加见性物理现象不能被相悖，而是破缺了。

上图3：硫基酸物理键是手再加见性的，不长期存在CPT对角 by NASA丨版权保护：公有课题

另一方面，如果我们通过刺平衡之同一时间的物理反应人工合成牛奶物理键，我们亦会发掘出，一般意味著，右手再加见性物理键和食指称再加见性物理键的数量是一样的。如果不能比自由物理键来与比较有用的颗粒，一般而言，不变再加见性物理现象不亦会被打破。我们只能对等化来随之而来各不不同不变再加见性物理键常见于的不均匀常见于再加见性。

大规模的但是无生命体的质子聚合物之同一时间，亦会出一新现一种实质上各不不同的不变再加见性破缺，从而随之而来清净科学再加见特殊性（net dipole moment）或者清净旋光度（net optical rotating power）的随之而来*，或同时随之而来两者。很多氧化物在每个晶胞（氧化物的最小助于复计量）都长期存在一个清净科学再加见特殊性（刺和光再加见性 pyroelectricity），并且某些大躯短剧的量值可被和光势正向（铁和光再加见性 ferroelectricity，指称的是另加和光势可以偏离科学再加见特殊性一段距离，这种再加见特殊性被统称铁和光再加见性）。这种非不变再加见性是氧化物谋求穿过其最较高总能量基态时的自发效应。当然，很强同样量值的基态也长期存在，并且对角地很强不同的总能量，但是因为子系统如此之大，以至于不能刺力或广义相对论力很难在可用的星期之同一时间（相比之下于地球人的年龄），将一种基态转换为另一种。

*清净偶极距指称的是物理键的肽键兼顾科学再加见特殊性，但由于合组物理键的科学再加见特殊性在密闭各个一段距离上减小，先前物理键总科学再加见特殊性躯现为量值的向量合。

基于此至再加可以得不到三个推论：

一，不变再加见性在科学学之同一时间意义助于大事件。不变再加见性这样一来即便旁观者视点各不不同，子系统仅仅兼顾本来的与生俱来。可以知道，科学学是研究课题不变再加见性的人文科学。牛顿第一次展必了该论述的冲击力，他无论如何亦会问自己：如果我抓住的助于力场和天空之同一时间的助于力场遵循不同的物理现象亦会怎样——如果密闭和颗粒是不同的且各一段距离同再加见性的亦会怎样？

二，即使一个助于力场的总基态（total state）是对角的，其内部骨架并不一定一定是对角的。我们可以从广义相对论力学的大躯物理现象出一新发并假设硫物理键的正向和其易被推论到的再加见特殊性，而无需穷尽非对角的金表字塔锥形骨架的基态，尽管不能“基态”有那种骨架（字面从严谨的科学学角度，硫物理键并不一定是金表字塔骨架的）。直到几十年同一时间，质子科学学家才中断将质子质子当成不能形态的、对角的小球。并且，他们开始意识到，尽管质子质子不能科学再加见特殊性，但并不一定妨碍质子的和光子产品云变成美式足球锥形或盘子锥形。这个结果很难在质子科学学所研究课题的反应光谱线和激发光谱线之同一时间推论到，尽管其比硫正向比较难以被直接证明。或许，无论到底将其统称层面再加见性研究课题，它都和人们所指称出一新的只不过规律一样框架。然而，这个成因并不一定不只能一一新大躯物理现象去暗示，并且从那些已有物理现象之同一时间将其计算出一新来出一新来困难助于助于；它仅有仅有是一个基于日常直觉的意念，突然就和其他所有抽象概念契合地比较好。

这个结果没法计算出一新来的缘故是我们在此之后只能咨询的关键性疑问之一。如果质子质子足够小，我们不能很难合理判别其形锥形的方法：我们没有将数个缠绕的原子判别为翻转的“盘子”或“美式足球”。只有将质子质子当成一个多躯子系统——也就是 N→∞ 瞬时 —— 才能知道判别形锥形是严谨的。那样形锥形的连续性助于力场将很强一个所谓的翻转或受压激发光谱线，并且只不过上和无形态子系统（featureless system）实质上各不不同。当我们看不到这样的光谱线时，尽管并不一定是那么明了和极致，我们仅仅亦会声称质子质子不是连续性的，它仅有仅有是也就是说于连续性。从框架物理现象和计算器出一新发，我们不得不实现两件不确实的真的——彻底解决无限多躯的疑问，并将其运常用可用的子系统——在我们实验室制备之同一时间。

三，一个足够大的子系统的基态不一定遵循不变再加见性物理现象；真实原因上，其通常很强较较高的不变再加见性。例如，氧化物由质子和密闭依据极致的密闭齐再加见性（homogeneous space）特别联，但氧化物却突然看不出一新征兆地展现了全一新且难以置信的不变再加见性。然而，比较泛化的规章是大子系统较其底层骨架很强比较较高的不变再加见性，氧化物也不一般来说：尽管氧化物很强不变再加见性，但其不变再加见性少较高于极致密闭齐再加见性原因。

氧化物的都是之同一时间我的论据看来过于明晰粗浅。但是19世纪之同一时间期，氧化物的规律再加见性就已被半充分地计算出一新来了出一新来，并且始终不只能有用的论据。但是某些时候，如超导再加见性，一一新不变再加见性——从前我们称其为破缺的不变再加见性，因为原始的不变再加见性暂时显着了——是让人实质上难以假设和简单认知的。从知晓超导再加见性的大躯物理现象，到真正做出一新超导成因的暗示，科学学家用了 30 年。

超导再加见性是不变再加见性破缺的最为值得注意一新的连续性示例，但其并不一定是唯一的示例。反铁磁躯、铁和光躯、LED等都遵循一个特定的、比较再加见的规章和理念，那就是一些多躯科学学家所谓的不变再加见性破缺。我不亦会一直咨询这段历史，但是在评论末尾给了一个参照第一版。

疑问的最关键性是，在大子系统（就我们而言的连续性自由度）的N →∞ 瞬时之同一时间，颗粒亦会随之而来高等数学上尖锐的、奇异的“相变”，就此穿过违反一个系统不变再加见性甚至一个系统运动定理的基态。不变再加见性只在一些特定的再加见特殊性上相当程度躯现，比如长波振动，一个我们比较熟悉的都是就是激光；或超导躯与众各不不同的连续性自由和光子成因；还有氧化物点阵和大多数固躯的刚再加见性。当然，子系统不是或许在相悖（violate）幻境不变再加见性，而是显出出一新一种不变再加见性破缺（break），但是从总能量角度再一直考虑，子系统各之外保持固定彼此间是比较十分困难的，因此不变再加见性只允许整躯对外力做出一新回应。

这随之而来了“刚再加见性”，也是超导再加见性和超流再加见性的恰当描绘出，尽管它们有看来的“流躯”再加见特殊性。（London 很早就注意到了超导再加见性。）真实原因上，对于假想的木星上的气基态与生俱来公民，或者银河之同一时间心某处的锂云之同一时间的公民，大多氧化物的再加见特殊性很确实比超流硫比较有用和或多或少紧要。

我并不一定想让大家以为所有疑问早已彻底解决了。例如，我指称出一新，地板以及非氧化物仅仅长期存在引人痴迷的物理现象再加见性疑问，这些疑问的彻底解决无论如何亦会揭必比较有用的再加见特殊性。然而，我们至再加已认知了在惰再加见性连续性的助于力场的再加见特殊性之同一时间，这类不变再加见性破缺在深入研究方法层面代替的主角。在这种意味著我们发掘出，整躯不仅有仅有多于之外之和，并且各不不同于之外之和。

在此之后我们亦会很其本质地再一直考虑，幻境的框架不变再加见性到底有比较彻底的残余，到底亦会随之而来一一新、只不过上各不不同于“有趣”相变（即凝结基态到很强比较较高不变再加见性的基态）的成因。

我们早已排除了看来不对角的液躯、气躯和地板的原因。（实质上它们比我们想象地比较为对角。）下一个过渡阶段不应再一直考虑规律的但是包含和光子产品邮件的子系统，也就是知道该子系统在密闭上是规律的，因而可以被“读出一新（read out）”，但是相邻短剧有各不不同的成份。一个看来的都是是 DNA；日常生活之同一时间，四人表字或一卷拷贝也很强不同的骨架。这种“有数和光子产品邮件的结晶再加见性”看来对生命体至关关键性。生命体的其发展到底只能进一步的不变再加见性破缺尚不确实。

2科学行政组织起来的骨架

一直聚焦对等化之同一时间的不变再加见性破缺，我发掘出至再加还有一种成因是可标识的，并且是少比再加见的，即星期自由度的次序（ordering），也可称之为星期自由度的规律再加见性（regularity）或周期再加见性（periodicity）。大量关于生命体每一次的深入研究方法之同一时间，星期上的规章长周期都比较关键性：关于生长发育、土壤、土壤瞬时深入研究方法和遗忘深入研究方法。星期规律再加见性在对等化之同一时间比较再加见，且至再加起着两方面的关键作用。一，大多数从状况之同一时间获取总能量以确保持续、准稳基态每一次的方法牵涉到星期周期装置（time-periodic machines），比如方波（oscillator）和引发器（generator），生命体每一次也不一般来说。二，星期规律再加见性是一种处理和光子产品邮件的方法，和和光子产品邮件携隙的密闭规律再加见性多种各不不同，生命体的口语是一个示例。此外，比如说的是，所有的计算器都使用星期波形。上述谈到的深入研究方法也暗必了第三方面的关键作用：利用全局波形的相位彼此间来处理和光子产品邮件并管控细胞和有机躯的土壤和生长发育。

在某种意义上，骨架——目的论（teleological）意义上的机能再加见性骨架，而不仅有仅有是氧化物的形基态骨架——必须被指称出一新是不变再加见性破缺级别骨架之同一时间的一个过渡阶段，确实是处于结晶再加见性（crystallinity）和携隙和光子产品邮件的表数组（information strings）间的过渡阶段。

基于层层猜测，我觉得下一个过渡阶段是机能的行政组织起来骨架或常由，或者同时都有两者。某种意义上，我们不应中断咨询减较高的不变再加见性，而将其统称增加的有用再加见性。因此，随着每个行政组织起来的有用再加见性随之增加，我们沿着人文科学的行政组织起来骨架下降。在将有用再加见性较较高的之外组合为比较有用的子系统、并认知由此随之而来的一新再加见特殊性的每一次之同一时间，我们在每个行政组织起来都亦会遭遇迷人的且框架的疑问。

多躯深入研究方法和物理等有趣原因之同一时间有用再加见性出一新现的方式为，不能类比于真正有用的传统文化和海洋生物原因之同一时间有用再加见性出一新现的方式为，除非，泛泛地指称出一新子系统与其合组之外的彼此间是单向的。综合是仅仅是不确实的；另一方面，深入研究不仅有仅有是确实的，并且各个方面都是富有成效的：如果不能认知超导躯之同一时间的不变再加见性破缺，Josephson 确实不亦会发掘出约瑟夫森效应。（约瑟夫罗拔效应的另一个名表字是“连续性广义相对论干扰成因”：超导躯和光子产品或超流硫之同一时间的硫质子的连续性波函数间的干扰效应。这些成因极大地提高了和光磁观测的准确度，并且同月内在未来的计算器之同一时间充分发挥助于大事件关键作用，因而就此随之而来划时代的技术进步。）再一直举一个都是，在将药理学转化为海洋物理和海洋生物科学学的每一次之同一时间，海洋药理学引发了极大的偏离，这将隙来没有估量的助于大事件发掘出。因此，最近一篇评论之同一时间的论述是不对的：我们每个人不应“耕耘我们自己的谷地，而不要尝试在人文科学间建好贯穿山脉的路面”。同样的，我们不应意识到这样的路面，不如知道是通向我们自己人文科学除此以外素材的更快捷径，仅有从单一人文科学的视点是看不到的。

原子科学学家的霸道和他的层面再加见性研究课题确实早已被我们抛在身后（中子产品的发掘出者曾称“剩下的都是物理”），但是我们仅仅不能从一些物理键海洋学家的霸道之同一时间恢复过来，这些海洋学家看来坚定地尝试将生命体有机躯的所有抽象概念转化为“仅有仅有是”物理，范围从大多的肝病和所有的精神疾病到宗教本能（religious instinct）。看来，生命体进化论和 DNA 间的组织起来层次比 DNA 和广义相对论和光动力学间比较多，并且每个行政组织起来都只能全一一新只不过骨架。

先前，我想转作两个经济学者的都是。马克思自由主义曾知道量变随之而来流变，但是1920 年代巴黎的一段话语将该论述阐释地比较加确实：

亚当斯：显贵和我们各不不同。

海明威：是的，他们有比较多的钱。

参照文献

1. E. Garfield, Citation indexes for science; a new dimension in documentation through association of ideas. Science 122, 108–111 (1955). doi: 10.1126/science.122.3159.108; pmid: 14385826

2. D. J. S. Price, Little Science, Big Science (Columbia Univ. Press, 1963).

3. J. G. Foster, A. Rzhetsky, J. A. Evans, Tradition and innovation in scientists’ research strategies. Am. Sociol. Rev. 80, –908 (2015). 875doi: 10.1177/0003122415601618

4. S. Milojević, Quantifying the cognitive extent of science. J. Informetr. 9, 962–973 (2015). doi: 10.1016/j.joi.2015.10.005

5. T. Kuhn, M. Perc, D. Helbing, Inheritance patterns in citation networks reveal scientific memes. Phys. Rev. X 4, 041036 (2014). doi: 10.1103/PhysRevX.4.041036

6. R. Klans, K. W. Boyack, Which type of citation ysis generates the most accurate taxonomy of scientific and technical knowledge? J. Assoc. Inf. Sci. Technol. 68, 984–998(2016). doi: 10.1002/asi.23734

7. U. Shwed, P. S. Bearman, The temporal structure of scientific consensus formation. Am. Sociol. Rev. 75, 817–840 (2010). doi: 10.1177/0003122410388488; pmid: 21886269

8. J. Bruggeman, V. A. Traag, J. Uitermark, Detecting communities through network data. Am. Sociol. Rev. 77,1050–1063 (2012). doi: 10.1177/0003122412463574

9. F. Shi, J. G. Foster, J. A. Evans, Weing the fabric of science: Dynamic network models of science’s unfolding structure. Soc. Networks 43, 73–85 (2015). doi: 10.1016/j.socnet.2015.02.006

10. L. M. A. Bettencourt, D. I. Kaiser, J. Kaur, Scientific discovery and topological transitions in collaboration networks. J. Informetr. 3, 210–221 (2009). doi: 10.1016/j.joi.2009.03.001

11. X. Sun, J. Kaur, S. Milojević, A. Flammini, F. Menczer, Social dynamics of science. Sci. Rep. 3, 1069 (2013). doi: 10.1038/srep01069; pmid: 23323212

12. T. S. Kuhn, The Essential Tension: Selected Studies in Scientific Tradition and Change (Univ. of Chicago Press, 1977).

13. P. Bourdieu, The specificity of the scientific field and the social conditions of the progress of reasons. Soc. Sci. Inf. (Paris) 14, 19–47 (1975). doi: 10.1177/053901847501400602

14. T. Jia, D. Wang, B. K. Szymanski, Quantifying patterns of research-interest evolution. Nat. Hum. Beh. 1, 0078 (2017). doi: 10.1038/s41562-017-0078

15. A. Rzhetsky, J. G. Foster, I. T. Foster, J. A. Evans, Choosing experiments to accelerate collective discovery. Proc. Natl. Acad. Sci. U.S.A. 112, 14569–14574 (2015). doi: 10.1073/pnas.1509757112; pmid: 26554009

16. R. Rosenthal, The file drawer problem and tolerance for null results. Psychol. Bull. 86, 638–641 (1979). doi: 10.1037/0033-2909.86.3.638

17. S. B. Nissen, T. Magidson, K. Gross, C. T. Bergstrom, Publication bias and the canonization of false facts. eLife 5, e21451 (2016). doi: 10.7554/eLife.21451; pmid: 27995896

18. L. Yao, Y. Li, S. Ghosh, J. A. Evans, A. Rzhetsky, Health ROI as a measure of misalignment of biomedical needs and resources. Nat. Biotechnol. 33, 807–811 (2015). doi: 10.1038/nbt.3276; pmid: 26252133

19. C. S. Wagner et al., Approaches to understanding and measuring interdisciplinary scientific research (IDR): A review of the literature. J. Informetr. 5, 14–26 (2011). doi: 10.1016/j.joi.2010.06.004

20. V. Larivière, S. Haustein, K. Börner, Long-distance interdisciplinarity leads to higher scientific impact. PLOS ONE 10, e0122565 (2015). doi: 10.1371/journal.pone.0122565; pmid: 25822658

21. K. J. Boudreau, E. C. Guinan, K. R. Lakhani, C. Riedl, Looking across and looking beyond the knowledge frontier: Intellectual distance, novelty, and resource allocation in science. Manage. Sci. 62, 2765–2783 (2016). doi: 10.1287/mnsc.2015.2285; pmid: 27746512

22. E. Leahey, J. Moody, Sociological innovation through subfield integration. Soc. Currents 1, 228–256 (2014). doi: 10.1177/2329496514540131

23. A. Yegros-Yegros, I. Rafols, P. D’Este, Does interdisciplinary research lead to higher citation impact? The different effect of proximal and distal interdisciplinarity. PLOS ONE

10, e0135095 (2015). doi: 10.1371/journal.pone.0135095; pmid: 26266805

24. L. Bromham, R. Dinnage, X. Hua, Interdisciplinary research has consistently lower funding success. Nature 534, 684–687 (2016). doi: 10.1038/nature18315; pmid: 27357795

25. D. Kim, D. B. Cerigo, H. Jeong, H. Youn, Technological novelty profile and inventions future impact. EPJ Data Sci. 5, 8 (2016). doi: 10.1140/epjds/s13688-016-0069-1

26. B. Uzzi, S. Mukherjee, M. Stringer, B. Jones, Atypical combinations and scientific impact. Science 342, 468–472 (2013). doi: 10.1126/science.1240474; pmid: 24159044

27. J. Wang, R. Veugelers, P. Stephan, “Bias against novelty in science: A cautionary tale for users of bibliometric indicators” (NBER Working Paper No. 22180, National Bureau of Economic Research, 2016).

28. J. P. Walsh, Y.-N. Lee, The bureaucratization of science. Res. Policy 44, 1584–1600 (2015). doi: 10.1016/j.respol.2015.04.010

29. A. M. Petersen, M. Riccaboni, H. E. Stanley, F. Pammolli, Persistence and uncertainty in the academic career. Proc. Natl. Acad. Sci. U.S.A. 109, 5213–5218 (2012). doi: 10.1073/pnas.1121429109; pmid: 22431620

30. P. E. Stephan, How Economics Shapes Science (Harvard Univ. Press, 2012).

31. P. Azoulay, J. S. Graff Zivin, G. Manso, Incentives and creativity: Evidence from the academic life sciences. Rand J. Econ. 42, 527–554 (2011). doi: 10.1111/j.1756-2171.2011.00140.x

32. R. Freeman, E. Weinstein, E. Marincola, J. Rosenbaum, F. Solomon, Competition and careers in biosciences. Science 294, 2293–2294 (2001). doi: 10.1126/science.1067477; pmid: 11743184

33. J. A. Evans, J. G. Foster, Metaknowledge. Science 331, 721–725 (2011). doi: 10.1126/science.1201765; pmid: 21311014

34. V. Larivière, C. Ni, Y. Gingras, B. Cronin, C. R. Sugimoto, Bibliometrics: Global gender disparities in science. Nature 504, 211–213 (2013). doi: 10.1038/504211a; pmid: 24350369

35. S. F. Way, D. B. Larremore, A. Clauset, in Proceedings of the 25th International Conference on World Wide Web (WWW ‘16) (ACM, 2016), pp. 1169–1179.

36. J. Duch et al., The possible role of resource requirements and academic career-choice risk on gender differences in publication rate and impact. PLOS ONE 7, e51332 (2012). doi: 10.1371/journal.pone.0051332; pmid: 23251502

37. J. D. West, J. Jacquet, M. M. King, S. J. Correll, C. T. Bergstrom, The role of gender in scholarly authorship. PLOS ONE 8, e66212 (2013). doi: 10.1371/journal.pone.0066212; pmid: 23894278

38. X. H. T. Zeng et al., Differences in collaboration patterns across discipline, career stage, and gender. PLOS Biol. 14, e1002573 (2016). doi: 10.1371/journal.pbio.1002573; pmid: 27814355

39. T. J. Ley, B. H. Hamilton, The gender gap in NIH grant applications. Science 322, 1472–1474 (2008). doi: 10.1126/science.1165878; pmid: 19056961

40. C. A. Moss-Racusin, J. F. Dovidio, V. L. Brescoll, M. J. Graham, J. Handelsman, Science faculty’s subtle gender biases for male students. Proc. Natl. Acad. Sci. U.S.A. 109, 16474–16479 (2012). doi: 10.1073/pnas.1211286109; pmid: 22988126

41. R. Van Noorden, Global mobility: Science on the move. Nature 490, 326–329 (2012). doi: 10.1038/490326a; pmid: 23075963

42. O. A. Doria Arrieta, F. Pammolli, A. M. Petersen, Quantifying the negative impact of brain drain on the integration of European science. Sci. Adv. 3, e1602232 (2017). doi: 10.1126/ sciadv.1602232; pmid: 28439544

43. C. Franzoni, G. Scellato, P. Stephan, The mover’s advantage: The superior performance of migrant scientists. Econ. Lett. 122, 89–93 (2014). doi: 10.1016/j.econlet.2013.10.040

44. C. R. Sugimoto et al., Scientists he most impact when they’re free to move. Nature 550, 29–31 (2017). doi: 10.1038/550029a; pmid: 28980663

45. A. Clauset, S. Arbesman, D. B. Larremore, Systematic inequality and hierarchy in faculty hiring networks. Sci. Adv.1, e1400005 (2015). doi: 10.1126/sciadv.1400005;pmid: 26601125

46. P. Deville et al., Career on the move: Geography, stratification, and scientific impact. Sci. Rep. 4, 4770 (2014). pmid: 24759743

47. A. M. Petersen et al., Reputation and impact in academic careers. Proc. Natl. Acad. Sci. U.S.A. 111, 15316–15321 (2014). doi: 10.1073/pnas.1323111111; pmid: 25288774

48. D. K. Simonton, Creative productivity: A predictive and explanatory model of career trajectories and landmarks. Psychol. Rev. 104, 66–89 (1997). doi: 10.1037/0033-295X.104.1.66

49. R. Sinatra, D. Wang, P. Deville, C. Song, A.-L. Barabási, Quantifying the evolution of individual scientific impact. Science 354, aaf5239 (2016). doi: 10.1126/science.aaf5239; pmid: 27811240

50. S. Wuchty, B. F. Jones, B. Uzzi, The increasing dominance of teams in production of knowledge. Science 316, 1036–1039 (2007). doi: 10.1126/science.1136099; pmid: 17431139

51. N. J. Cooke, M. L. Hilton, Eds., Enhancing the Effectiveness of Team Science (National Academies Press, 2015).

52. V. Larivière, Y. Gingras, C. R. Sugimoto, A. Tsou, Team size matters: Collaboration and scientific impact since 1900. J. Assoc. Inf. Sci. Technol. 66, 1323–1332 (2015). doi: 10.1002/asi.23266

53. L. Wu, D. Wang, J. A. Evans, Large teams he developed science and technology; small teams he disrupted it. arXiv:1709.02445 [physics.soc-ph] (7 September 2017).

54. B. F. Jones, The burden of knowledge and the “death of the renaissance man”: Is innovation getting harder? Rev. Econ. Stud. 76, 283–317 (2009). doi: 10.1111/j.1467-937X.2008.00531.x

55. S. Milojević, Principles of scientific research team formation and evolution. Proc. Natl. Acad. Sci. U.S.A. 111, 3984–3989 (2014). doi: 10.1073/pnas.1309723111; pmid: 24591626

56. G. Palla, A.-L. Barabási, T. Vicsek, Quantifying social group evolution. Nature 446, 664–667 (2007). doi: 10.1038/nature05670; pmid: 17410175

57. G. J. Borjas, K. B. Doran, Which peers matter? The relative impacts of collaborators, colleagues, and competitors. Rev. Econ. Stat. 97, 1104–1117 (2015). doi: 10.1162/REST_a_00472

58. P. Azoulay, J. G. Zivin, J. Wang, star extinction. Q. J. Econ. 125, 549–589 (2010). doi: 10.1162/qjec.2010.125.2.549

59. A. M. Petersen, Quantifying the impact of weak, strong, and super ties in scientific careers. Proc. Natl. Acad. Sci. U.S.A. 112, E4671–E4680 (2015). doi: 10.1073/pnas.1501444112; pmid: 26261301

60. R. K. Merton, The Matthew effect in science. Science 159, 56–63 (1968). doi: 10.1126/science.159.3810.56

61. L. Allen, J. Scott, A. Brand, M. Hla, M. Altman, Publishing: Credit where credit is due. Nature 508, 312–313 (2014). doi: 10.1038/508312a; pmid: 24745070

62. H.-W. Shen, A.-L. Barabási, Collective credit allocation in science. Proc. Natl. Acad. Sci. U.S.A. 111, 12325–12330(2014). doi: 10.1073/pnas.1401992111; pmid: 25114238

63. L. Waltman, A review of the literature on citation impact indicators. J. Informetr. 10, 365–391 (2016). doi: 10.1016/j.joi.2016.02.007

64. J. E. Hirsch, An index to quantify an individual’s scientific research output. Proc. Natl. Acad. Sci. U.S.A. 102, 16569–16572 (2005). doi: 10.1073/pnas.0507655102; pmid: 16275915

65. H. F. Moed, Citation Analysis in Research Evaluation (Springer, 2010).

66. E. Garfield, Citation ysis as a tool in journal evaluation. Science 178, 471–479 (1972). doi: 10.1126/science.178.4060.471; pmid: 5079701

67. D. J. de Solla Price, Networks of scientific papers. Science 149, 510–515 (1965). doi: 10.1126/science.149.3683.510; pmid: 14325149

68. Q. Zhang, N. Perra, B. Gonçalves, F. Ciulla, A. Vespignani, Characterizing scientific production and consumption in physics. Sci. Rep. 3, 1640 (2013). doi: 10.1038/srep01640; pmid: 23571320

69. F. Radicchi, S. Fortunato, C. Castellano, Universality of citation distributions: Toward an objective measure of scientific impact. Proc. Natl. Acad. Sci. U.S.A. 105, 17268–17272 (2008). doi: 10.1073/pnas.0806977105; pmid: 18978030

70. L. Waltman, N. J. van Eck, A. F. J. van Raan, Universality of citation distributions revisited. J. Assoc. Inf. Sci. Technol. 63, 72–77 (2012). doi: 10.1002/asi.21671

71. M. Golosovsky, S. Solomon, Runaway events dominate the hey tail of citation distributions. Eur. Phys. J. Spec. Top. 205, 303–311 (2012). doi: 10.1140/epjst/e2012-01576-4

72. C. Stegehuis, N. Litvak, L. Waltman, Predicting the long-term citation impact of recent publications. J. Informetr. 9, 642–657 (2015). doi: 10.1016/j.joi.2015.06.005

73. M. Thelwall, The discretised lognormal and hooked power law distributions for complete citation data: Best options for modelling and regression. J. Informetr. 10, 336–346 (2016). doi: 10.1016/j.joi.2015.12.007

74. D. de Solla Price, A general theory of bibliometric and other cumulative advantage processes. J. Am. Soc. Inf. Sci. 27, 292–306 (1976). doi: 10.1002/asi.4630270505

75. A.-L. Barabási, R. Albert, Emergence of scaling in random networks. Science 286, 509–512 (1999). doi: 10.1126/science.286.5439.509; pmid: 10521342

76. P. D. B. Parolo et al., Attention decay in science. J. Informetr. 9, 734–745 (2015). doi: 10.1016/j.joi.2015.07.006

77. D. Wang, C. Song, A.-L. Barabási, Quantifying long-term scientific impact. Science 342, 127–132 (2013). doi: 10.1126/ science.1237825; pmid: 24092745

78. Y.-H. Eom, S. Fortunato, Characterizing and modeling citation dynamics. PLOS ONE 6, e24926 (2011). doi: 10.1371/journal.pone.0024926; pmid: 21966387

79. M. Golosovsky, S. Solomon, Stochastic dynamical model of a growing citation network based on a self-exciting point process. Phys. Rev. Lett. 109, 098701 (2012). doi: 10.1103/PhysRevLett.109.098701; pmid: 23002894

80. A. F. J. van Raan, Sleeping Beauties in science. Scientometrics 59, 467–472 (2004). doi: 10.1023/B:SCIE.0000018543.82441.f1

81. Q. Ke, E. Ferrara, F. Radicchi, A. Flammini, Defining and identifying Sleeping Beauties in science. Proc. Natl. Acad. Sci. U.S.A. 112, 7426–7431 (2015). doi: 10.1073/pnas.1424329112; pmid: 26015563

82. I. Tahamtan, A. Safipour Afshar, K. Ahamdzadeh, Factors affecting number of citations: A comprehensive review of the literature. Scientometrics 107, 1195–1225 (2016). doi: 10.1007/s11192-016-1889-2

83. J. E. Hirsch, Does the h index he predictive power? Proc. Natl. Acad. Sci. U.S.A. 104, 19193–19198 (2007). doi: 10.1073/pnas.0707962104; pmid: 18040045

84. D. E. Acuna, S. Allesina, K. P. Kording, Future impact: Predicting scientific success. Nature 489, 201–202 (2012). doi: 10.1038/489201a; pmid: 22972278

85. O. Penner, R. K. Pan, A. M. Petersen, K. Kaski, S. Fortunato, On the predictability of future impact in science. Sci. Rep. 3, 3052 (2013). doi: 10.1038/srep03052; pmid: 24165898

86. J. R. Cole, H. Zuckerman, in The Idea of Social Structure: Papers in Honor of Robert K. Merton, L. A. Coser, Ed. (Harcourt Brace Jovanovich, 1975), pp. 139–174.

87. P. Azoulay, Research efficiency: Turn the scientific method on ourselves. Nature 484, 31–32 (2012). doi: 10.1038/484031a; pmid: 22481340

88. M. Thelwall, K. Kousha, Web indicators for research evaluation. Part 1: Citations and links to academic articles from the Web. Prof. Inf. 24, 587–606 (2015). doi: 10.3145/epi.2015.sep.08

89. M. Thelwall, K. Kousha, Web indicators for research evaluation. Part 2: Social media metrics. Prof. Inf. 24, 607–620 (2015). doi: 10.3145/epi.2015.sep.09

90. L. Bornmann, What is societal impact of research and how can it be assessed? A literature survey. Adv. Inf. Sci. 64, 217–233 (2013).

91. C. Haeussler, L. Jiang, J. Thursby, M. Thursby, Specific and general information sharing among competing academic researchers. Res. Policy 43, 465–475 (2014). doi: 10.1016/j.respol.2013.08.017

92. A. Oettl, Sociology: Honour the helpful. Nature 489, 496–497 (2012). doi: 10.1038/489496a; pmid: 23018949

93. S. Rindran, “Getting credit for peer review,” Science, 8 February 2016; www.sciencemag.org/careers/2016/02/getting-credit-peer-review.

94. R. Costas, Z. Zahedi, P. Wouters, Do “altmetrics” correlate with citations? Extensive comparison of altmetric indicators with citations from a multidisciplinary perspective. J. Assoc. Inf. Sci. Technol. 66, 2003–2019 (2015). doi: 10.1002/asi.23309

75. A.-L. Barabási, R. Albert, Emergence of scaling in random networks. Science 286, 509–512 (1999). doi: 10.1126/science.286.5439.509; pmid: 10521342

76. P. D. B. Parolo et al., Attention decay in science. J. Informetr. 9, 734–745 (2015). doi: 10.1016/j.joi.2015.07.006

77. D. Wang, C. Song, A.-L. Barabási, Quantifying long-term scientific impact. Science 342, 127–132 (2013). doi: 10.1126/science.1237825; pmid: 24092745