🤖 machine learning

Inferring hidden forcing in a biological oscillator using Kolmogorov-Arnold networks

Diese Arbeit zeigt, dass Kolmogorov-Arnold-Netzwerke die verborgene muskuläre Kraftanstrengung in der aviären Respirationsdynamik aus partiellen Luftsackdruckbeobachtungen rekonstruieren können, wobei ein nichttriviales zweiphasiges Aktivierungsmuster aufgedeckt wurde, das unabhängig durch elektromyographische Aufzeichnungen validiert wurde.

Ursprüngliche Autoren: Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

Veröffentlicht 2026-06-09

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen herauszufinden, wie ein Musiker ein komplexes Stück spielt, aber Sie können nur den Klang hören, der aus dem Lautsprecher kommt. Sie können nicht sehen, wie seine Hände sich bewegen, Sie können nicht sehen, welche Tasten er drückt, und Sie können nicht die Noten sehen. Alles, was Sie haben, ist die Audio-Wellenform.

Normalerweise, wenn der Klang wie ein einfaches, rhythmisches „Wusch“ klingt, könnten Sie annehmen, dass der Musiker nur eine Taste drückt und sie dann ausklingen lässt (eine einfache „Entspannungs“-Bewegung). Aber was wäre, wenn der Musiker tatsächlich zwei verschiedene Tasten in einem ganz bestimmten, verborgenen Muster drückt, um genau denselben Klang zu erzeugen?

Genau das haben die Forscher in dieser Arbeit getan, aber anstatt eines Musikers untersuchten sie das Atmungssystem eines Vogels.

Das Geheimnis des Vogelschnaufens

Vögel haben eine einzigartige Art zu atmen. Sie haben keine flexiblen Lungen wie Menschen; stattdessen haben sie starre Lungen, die mit einem System von Luftsäcken (wie Ballons) verbunden sind, die als Reservoirs dienen. Wenn der Vogel atmet, drücken Muskeln diese Luftsäcke zusammen, um Luft durch die Lungen zu drücken.

Die Wissenschaftler konnten den Druck in diesen Luftsäcken leicht messen (so als würde man auf den Lautsprecher hören). Sie konnten jedoch nicht ohne Weiteres die Muskelkraft messen, die die Säcke zusammendrückt (die Hände des Musikers). Sie wollten wissen: Welches exakte Muster des Muskelzusammendrückens erzeugt den Druck, den wir sehen?

Das Problem mit alten Werkzeugen

Früher versuchten Wissenschaftler, die Antwort zu erraten, indem sie eine mathematische Gleichung mit ein paar „Reglern“ (Paramikern) aufschrieben und diese Regler so lange drehten, bis die Mathematik zu den Druckdaten passte.

Der Fehler: Das ist so, als würde man versuchen, das Lied zu erraten, indem man nur versucht, die Lautstärke anzugleichen. Wenn das echte Lied eine komplexe Melodie hat, könnte Ihre einfache Vermutung zwar die Lautstärke treffen, aber die Melodie völlig verfehlen. Man muss bereits vorher annehmen, wie die Antwort auszusehen hat, was einen blind für die Wahrheit machen kann.

Das neue Werkzeug: Die „transparente“ KI

Die Forsler verwendeten eine neue Art von Künstlicher Intelligenz namens Kolmogorov–Arnold-Netzwerke (KANs).

Betrachten Sie eine Standard-KI (wie ein tiefes neuronales Netz) als eine Black Box. Sie geben Daten hinein, und ein Ergebnis kommt heraus, aber Sie haben keine Ahnung, was im Inneren passiert ist. Es ist wie ein Zaubertrick, bei dem der Magier den Mechanismus verbirgt.

Ein KAN hingegen ist wie eine gläserne Box.

Im Inneren einer Standard-KI sind die „Regeln“ in Millionen von winzigen, verwirrenden Zahlen verborgen.
Im Inneren eines KAN sind die Regeln aus einfachen, ein-dimensionalen Kurven aufgebaut, die man tatsächlich sehen und zeichnen kann. Es ist, als würde der Magier Ihnen Schritt für Schritt zeigen, wie der Kartentrick funktioniert, direkt vor Ihren Augen.

Die Entdeckung: Zwei Phasen, nicht eine

Die Wissenschaftler speisten die Druckdaten des Vogels in diese „gläserne Box“-KI ein. Die KI lernte die verborgene Mathematik, die die Atmung steuert.

Was sie erwarteten: Basierend auf dem Drucksignal allein sah es wie ein einfaches, einmaliges Zusammendrücken der Muskeln aus (eine relaxationsähnliche Oszillation).

Was die KI fand: Die „gläserne Box“ enthüllte, dass die Muskeln tatsächlich etwas viel Komplexeres tun. Die KI zeigte, dass die Muskeln innerhalb eines einzigen Atemzugs in zwei deutlichen Phasen aktiv werden:

Ein starker Stoß ganz zu Beginn der Ausatmung.
Ein weiterer starker Stoß gegen Ende der Ausatmung.

Das Drucksignal sah glatt und einfach aus, aber die Kraft, die es erzeugte, war tatsächlich ein Doppel-Stoß-Muster. Das Drucksignal „versteckte“ diese Komplexität.

Der Beweis: Den Muskeln lauschen

Um zu beweisen, dass die KI nicht einfach Dinge erfindet, gingen die Wissenschaftler zurück und zeichneten die tatsächliche elektrische Aktivität der Atemmuskulatur des Vogels auf (mit winzigen Elektroden, so wie ein Arzt auf das Herz hört).

Das Ergebnis: Die Muskelaufzeichnungen stimmten perfekt mit der Vorhersage der KI überein! Die Muskeln feuerten tatsächlich zweimal pro Atemzug, genau so, wie die „gläserne Box“-KI dies allein aus den Druckdaten hergeleitet hatte.

Die wichtigste Erkenntnis

Diese Arbeit zeigt, dass man, wenn man ein komplexes System hat, bei dem man nur das „Ergebnis“ (den Druck) sehen kann, eine spezielle, transparente Art von KI nutzen kann, um die verborgenen „Regeln“ des Systems zu rekonstruieren.

Dadurch haben sie nicht nur die Zukunft vorhergesagt; sie haben ein verborgenes Geheimnis darüber aufgedeckt, wie der Körper des Vogels funktioniert. Sie bewiesen, dass die „Muskelkraft“, die den Atem des Vogels antreibt, weita viel komplexer ist, als das Drucksignal vermuten lässt, und enthüllten einen zweistufigen Tanz, der für das bloße Auge unsichtbar, aber durch die Mathematik sichtbar war.

Kurz gesagt: Sie nutzten eine durchsichtige KI, um dem Atem eines Vogels zu lauschen, und fanden heraus, dass die Muskeln des Vogels einen komplexen Doppel-Schritt-Tanz vollführen – eine Tatsache, die im Klang des Atems selbst völlig verborgen lag.

Technisches Resümee: Inferenz verborgener forcierung in einem biologischen Oszillator mittels Kolmogorov–Arnold-Netzwerken

Problemstellung
Die Ableitung der Kräfte, die ein dynamisches System antreiben, aus partiellen Beobachtungen zu inferieren, bleibt eine fundamentale Herausforderung in der Physik und Biologie. In vielen Systemen, wie etwa der aviären Respiration, sind nur eine begrenzte Anzahl von Variablen (z. B. Luftsackdruck) experimentell zugänglich, während die effektiven treibenden Terme aus verborgenen Freiheitsgraden (muskuläre Aktivierung) resultieren. Eine kritische Schwierigkeit besteht darin, dass qualitativ unterschiedliche zugrunde liegende Mechanismen beobachtbare Größen mit ähnlichen temporalen Strukturen erzeugen können. Beispielsweise deutet das Drucksignal bei Vögeln auf eine einfache Relaxations-ähnliche Oszillation hin, was potenziell eine komplexere treibende Kraft maskiert. Traditionelle Ansätze stehen vor Einschränkungen: Die parametrische Anpassung erfordert starke Vorannahmen über funktionale Formen, während Standard-Maschinelles-Lernen (z. B. tiefe neuronale Netze) als „Black Box“ fungiert, die Dynamiken in opaken Parametern kodiert, denen es an physikalischer Interpretierbarkeit mangelt. Methoden wie SINDy bieten zwar Interpretierbarkeit, erfordern jedoch eine vordefinierte Bibliothek von Kandidatenfunktionen, was die Rekonstruktion verzerren kann, wenn die wahre Struktur unbekannt ist.

Methodik
Die Autoren schlagen einen datengestützten Rahmen unter Verwendung von Kolmogorov–Arnold-Netzwerken (KANs) vor, um die Steuergleichungen des aviären Respirationssystems direkt aus experimentellen Druckmessungen zu rekonstruieren.

Theoretischer Rahmen: Die Studie nutzt das Kolmogorov–Arnold-Repräsentationstheorem, welches besagt, dass jede kontinuierliche multivariate Funktion als Superposition von Kompositionen eindimensionaler Funktionen ausgedrückt werden kann. Im Gegensatz zu Standard-Multilayer-Perzeptronen (MLPs), bei denen Nichtlinearitäten an den Knoten fixiert sind, assoziieren KANs trainierbare univariate Funktionen mit den Kanten des Netzwerks. Diese Architektur ermöglicht es, die gelernten funktionalen Abhängigkeiten nach dem Training zu inspizieren und in symbolische Ausdrücke zu vereinfachen.
Experimentelles System: Daten wurden von natürlich atmenden Kanarienvögeln (Serinus canaria) gesammelt. Der Luftsackdruck ( $p$ ) wurde mittels einer flexiblen Kanüle gemessen, die mit einem Drucksensor verbunden war, welcher in einem Rucksack getragen wurde. Das Signal wurde mit 44,15 kHz abgetastet.
Datenverarbeitung: Die Druck-Zeitserie wurde über vier Respirationszyklen gemittelt, mittels eines Savitzky–Golay-Filters und eines Tiefpassfilters geglättet und differenziert, um $p$ , $\dot{p}$ und $\ddot{p}$ zu erhalten.
Modellrekonstruktion: Die Autoren modellierten das System als Differentialgleichung zweiter Ordnung: $\ddot{p} = F(p, \dot{p})$ . Unabhängige KAN-Modelle wurden trainiert, um das Vektorfeld $F$ unter Verwendung von $(p, \dot{p}, \ddot{p})$ -Stichproben zu approximieren.
Dekomposition: Um die treibende Kraft zu isolieren, wurde das gelernte Vektorfeld dekomponiert. Lineare Terme, die von $p$ und $\dot{p}$ abhängen, wurden so eingeschränkt, dass sie der bekannten passiven mechanischen Antwort (elastische und viskose Terme) entsprechen. Die verbleibenden nichtlinearen Beiträge wurden in einen effektiven Forcierungsterm $G(t)$ gruppiert, welcher proportional zur zeitlichen Ableitung des muskulären Antriebs $f(t)$ ist.

Wesentliche Ergebnisse

Rekonstruktion des Vektorfeldes: Das KAN rekonstruierte erfolgreich die Phasenraumtrajektorie $(p, \dot{p})$ und reproduzierte die beobachteten oszillatorischen Zyklen des Respirationssystems.
Entdeckung verborgener Strukturen: Während das rohe Drucksignal den Anschein einer relaxationsähnlichen Oszillation erweckte, enthüllte das rekonstruierte Vektorfeld eine nicht-triviale Struktur in der zugrunde liegenden Forcierung. Der inferierte muskuläre Antrieb $f(t)$ zeigt ein zweiphasiges Aktivierungsmuster innerhalb jedes Respirationszyklus.
Unabhängige Validierung: Diese zweiphasige Struktur war aus dem Drucksignal allein nicht ersichtlich. Die Autoren validierten diese Vorhersage durch unabhängige Elektromyographie-Aufzeichnungen (EMG) der Exspirationsmuskulatur. Die EMG-Daten bestätigten eine starke Aktivierung sowohl zu Beginn als auch nahe dem Ende der Exspirationsphase, was der vom KAN-Modell inferierten temporalen Struktur entspricht.

Zentrale Beiträge

Interpretierbare dynamische Rekonstruktion: Die Arbeit zeigt, dass KANs als Brücke zwischen flexiblem maschinellem Lernen und interpretierbaren dynamischen Beschreibungen dienen können. Durch das Erlernen von Nichtlinearitäten entlang der Kanten liefert die Methode explizite funktionale Formen, die zur Untersuchung physikalischer Mechanismen inspiziert werden können.
Wiederherstellung latenter Variablen: Die Studie zeigt, dass es möglich ist, verborgene treibende Variablen (muskuläre Forcierung) aus partiellen Beobachtungen (Druck) zu inferieren, ohne die funktionale Form der Gleichungen vorab zu spezifizieren.
Korrektur phänomenologischer Annahmen: Die Arbeit stellt die Annahme in Frage, dass der aviäre Respirationsdruck durch einfache phänomenologische Wellenformen angetrieben wird, und offenbart eine komplexere, zweiphasige neuronale Kontrollstruktur.

Bedeutung und Ansprüche
Das Paper behauptet, dass die datengestützte Rekonstruktion dynamischer Gesetze, kombiniert mit interpretierbaren Repräsentationen wie KANs, verborgene physikalische Strukturen aufdecken und Zugang zu nicht beobachteten treibenden Variablen in partiell beobachteten Systemen ermöglichen kann. Die Autoren betonen, dass dieser Ansatz einen allgemeinen Weg zur Inferenz latenter Kräfte bietet, wo distinkte Mechanismen ansonsten ununterscheidbare Beobachtbare erzeugen könnten. Durch die Extraktion mechanistischer Erkenntnisse aus komplexen biologischen Dynamiken, die über das direkt Beobachtbare hinausgehen, etabliert diese Methode einen Pfad zum Verständnis von Systemen, in denen die effektiven treibenden Terme aus verborgenen Freiheitsgraden resultieren. Die Ergebnisse sind in ihrem Umfang moderat und konzentrieren sich spezifisch auf das aviäre Respirationssystem, aber die Methodik wird als generalisierbare Strategie zur Inferenz latenter Kräfte präsentiert.