在本研究工作中，該團隊利用信息論和統計物理兩個領域中熵的相關理論，對網絡結構預測極限進行了研究。直觀地說，一個可以僅用幾個詞描述的網絡結構意味著它很簡單，其邊也很容易預測。例如二維晶格或一維鏈狀結構。相反，如果一個網絡需要很長的語言才能描述清楚，那么它應該具有非常復雜的結構，其結構很難預測。在計算機領域，任何網絡的結構都可以被編碼成二進制字符串。這啟發了團隊探尋最短二進制編碼字符串長度，也就是熵，和可預測性之間的關系。

       通過研究，該團隊發現來自不同領域，很多大小不一的網絡，其結構的最短壓縮長度和可預測性之間存在一個普遍的線性關系。基于香農信源編碼定理，該團隊在隨機網絡上證明了這種線性關系。

       進一步，利用這一線性關系，該團隊推導出網絡結構預測算法的性能上界，揭示出包括機器學習在內的預測算法性能尚存在多大的提升空間。因此，該性能界可用于指導未來在線商業推薦系統、蛋白質相互作用探測等場景中的算法設計。另外，該理論的一個有趣的用途是，可以實現在無需任何預測算法的情況下，通過網絡結構壓縮數據大小來估計一個網絡數據集的商業價值。