研究方向：研究方向为复杂网络与非线性动力学，复杂系统与网络科学。研究兴趣涵盖计算神经科学、机器学习、全脑动力学、复杂网络上的流行病传播和社会传播等领域。致力于用统计物理、网络科学以及机器学习的工具来研究复杂系统的动力学行为以及其背后的微观机制。
近五年主持国家级课题1项、校级1项，参与国家级课题5项。
学习工作经历：
2024-02 至今, 威廉希尔体育, 讲师
2022-07 至 2024-01, 香港浸会大学理公司物理系 博士后
2016-09 至 2021-07, 华东师范大学物理与电子科学公司, 理论物理, 博士
2012-09 至 2016-07, 华中师范大学物理科学与技术公司, 物理学, 学士
代表性论文
[1] Lin, Z., Han, L., Feng, M., Liu, Y. & Tang, M. Higher-order non-Markovian social contagions in simplicial complexes. Communications Physics 7, 175 (2024). Nature旗下期刊，中科院一区，TOP期刊，影响因子: 5.50
诸如科学家合作网、大脑网络等实际网络中存在着许多n-单纯形结构（n>1），例如2-单纯形（三角形）、3-单纯形（四面体），这些结构被称为高阶结构。过去，人们通常简化其中的高阶相互作用。基于此，该工作主要是研究具有非马尔科夫传播特征的高阶结构内的高阶相互作用对传播的影响。通过理论证明和模拟验证了高阶非马尔科夫与高阶马尔科夫社会传播的等价关系；并发现非马尔科夫恢复能提升系统在面对较小范围或较大范围感染时的弹性能力。
[2] Lin, Z.-H., Feng, M., Tang, M., Liu, Z., Xu, C., Hui, P. M., Lai, Y.-C. Non-Markovian recovery makes complex networks more resilient against large-scale failures. Nature Communications 11, 2490 (2020). Nature子刊，中科院一区，TOP期刊，影响因子: 16.60
该工作主要研究关于实际网络中级联故障的一个重要问题，即非马尔科夫自发恢复对级联故障系统动力学的影响，并发现了有趣的现象：节点恢复中的记忆性可以违反直觉使网络的弹性能力更强，更好地帮助系统抵抗大规模故障。研究意义：可用于解释真实世界中系统具有更高弹性的原因之一；在工程设计中适当引入非马尔科夫特性来提升产品性能。
[3] Han, L., Lin, Z., Yin, Q., Tang, M., Guan, S., Boguñá, M. Non-Markovian epidemic spreading on temporal networks. Chaos, Solitons & Fractals 173, 113664 (2023). 中科院一区，影响因子：7.80
[4] Han, L., Lin, Z., Tang, M., Liu, Y. & Guan, S. Impact of human contact patterns on epidemic spreading in time-varying networks. Physical Review E 107, 024312 (2023).
[5] Han, L., Lin, Z., Tang, M., Zhou, J., Zou, Y., Guan, S. Impact of contact preference on social contagions on complex networks. Physical Review E 101, 042308 (2020).
