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

Resumen Técnico: Inferencia de la Fuerza Oculta en un Oscilador Biológico utilizando Redes de Kolmogorov–Arnold

Planteamiento del Problema
Inferir las fuerzas que impulsan un sistema dinámico a partir de observaciones parciales sigue siendo un desafío fundamental en la física y la biología. En muchos sistemas, como la respiración aviar, solo es accesible experimentalmente un conjunto limitado de variables (por ejemplo, la presión de los sacos aéreos), mientras que los términos de excitación efectivos surgen de grados de libertad ocultos (la activación muscular). Una dificultad crítica es que mecanismos cualitativamente diferentes pueden producir observables con estructuras temporales similares. Por ejemplo, la señal de presión en las aves sugiere una oscilación simple de tipo relajación, lo que podría enmascarar una fuerza de excitación más compleja. Los enfoques tradicionales enfrentan limitaciones: el ajuste paramétrico requiere supuestos previos fuertes sobre las formas funcionales, mientras que el aprendizaje automático estándar (por ejemplo, las redes neuronales profundas) actúa como una "caja negra", codificando la dinámica en parámetros opacos que carecen de interpretabilidad física. Métodos como SINDy ofrecen interpretabilidad, pero requieren una biblioteca preespecificada de funciones candidatas, lo que puede sesgar la reconstrucción si la estructura real es desconocida.

Metodología
Los autores proponen un marco basado en datos utilizando Redes de Kolmogorov–Arnold (KANs) para reconstruir las ecuaciones que gobiernan el sistema respiratorio aviar directamente a partir de mediciones experimentales de presión.

1. Marco Teórico: El estudio utiliza el teorema de representación de Kolmogorov–Arnold, que establece que cualquier función multivariada continua puede expresarse como una superposición de composiciones de funciones unidimensionales. A diferencia de los Perceptrones Multicapa (MLPs) estándar, donde las no linealidades están fijas en los nodos, las KAN asocian funciones univariadas entrenables con las aristas de la red. Esta arquitectura permite que las dependencias funcionales aprendidas sean inspeccionadas y simplificadas en expresiones simbólicas después del entrenamiento.
2. Sistema Experimental: Los datos se recolectaron de canarios (Serinus canaria) que respiraban de forma natural. Se midió la presión de los sacos aéreos ($p$) mediante un cánula flexible conectada a un transductor de presión transportado en una mochila. La señal se muestreó a 44.15 kHz.
3. Procesamiento de Datos: La serie temporal de presión se promedió sobre cuatro ciclos respiratorios, se suavizó mediante un filtro Savitzky–Golay y un filtro de paso bajo, y se derivó para obtener $p$, $\dot{p}$ y $\ddot{p}$.
4. Reconstrucción del Modelo: Los autores modelaron el sistema como una ecuación diferencial de segundo orden: $\ddot{p} = F(p, \dot{p})$. Se entrenaron modelos KAN independientes para aproximar el campo vectorial $F$ utilizando muestras de $(p, \dot{p}, \ddot{p})$.
5. Descomposición: Para aislar la fuerza de excitación, el campo vectorial aprendido se descompuso. Los términos lineales dependientes de $p$ y $\dot{p}$ se restringieron para coincidir con la respuesta mecánica pasiva conocida (términos elásticos y viscosos). Las contribuciones no lineales restantes se agruparon en un término de excitación efectivo, $G(t)$, que es proporcional a la derivada temporal del impulso muscular $f(t)$.

Resultados Clave

1. Reconstrucción del Campo Vectorial: La KAN reconstruyó con éxito la trayectoria en el espacio de fase $(p, \dot{p})$, reproduciendo los ciclos oscilatorios observados del sistema respiratorio.
2. Descubrimiento de la Estructura Oculta: Aunque la señal de presión bruta parecía seguir una oscilación de tipo relajación, el campo vectorial reconstruido reveló una estructura no trivial en la excitación subyacente. El impulso muscular inferido $f(t)$ exhibe un patrón de activación de dos fases dentro de cada ciclo respiratorio.
3. Validación Independiente: Esta estructura de dos fases no era evidente únicamente a partir de la señal de presión. Los autores validaron esta predicción mediante registros electromiográficos (EMG) independientes de los músculos espiratorios. Los datos de EMG confirmaron una fuerte activación tanto al inicio como cerca del final de la fase espiratoria, coincidiendo con la estructura temporal inferida por el modelo KAN.

Contribuciones Clave

• Reconstrucción Dinámica Interpretable: El artículo demuestra que las KAN pueden servir como un puente entre el aprendizaje automático flexible y las descripciones dinámicas interpretables. Al aprender las no linealidades a lo largo de las aristas, el método genera formas funcionales explícitas que pueden ser inspeccionadas para revelar mecanismos físicos.
• Recuperación de Variables Latentes: El estudio muestra que es posible inferir variables de excitación ocultas (impulso muscular) a partir de observaciones parciales (presión) sin preespecificar la forma funcional de las ecuaciones.
• Corrección de Supuestos Fenomenológicos: El trabajo desafía la suposición de que la presión respiratoria aviar es impulsada por formas de onda fenomenológicas simples, revelando una estructura de control neural de dos fases más compleja.

Significancia y Reivindicaciones
El artículo sostiene que la reconstrucción de leyes dinámicas basada en datos, cuando se combina con representaciones interpretables como las KAN, puede descubrir estructuras físicas ocultas y proporcionar acceso a variables de excitación no observadas en sistemas parcialmente observados. Los autores enfatizan que este enfoque ofrece una ruta general para inferir fuerzas latentes donde distintos mecanismos podrían, de otro modo, producir observables indistinguibles. Al extraer información mecánica de dinámicas biológicas complejas más allá de lo que es directamente observable, este método establece un camino para comprender sistemas donde los términos de excitación efectivos surgen de grados de libertad ocultos. Los resultados son modestos en alcance, centrándose específicamente en el sistema respiratorio aviar, pero la metodología se presenta como una estrategia generalizable para inferir fuerzas latentes en sistemas dinámicos.