🤖 machine learning

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

Cet article démontre que les réseaux de Kolmogorov-Arnold peuvent reconstruire le forçage musculaire caché dans la dynamique respiratoire aviaire à partir d'observations partielles de la pression des sacs aériens, révélant un motif d'activation biphasique non trivial qui a été validé indépendamment par des enregistrements électromyographiques.

Auteurs originaux : Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

Publié 2026-06-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre comment un musicien joue une chanson complexe, mais que vous ne pouvez qu'entendre le son sortant du haut-parleur. Vous ne pouvez pas voir ses mains, vous ne pouvez pas voir les touches qu'il presse, et vous ne pouvez pas voir la partition. Tout ce que vous avez, c'est l'onde sonore.

D'habitude, si le son ressemble à un simple « souffle » rythmique, vous pourriez supposer que le musicien se contente d'appuyer sur une touche et de la laisser s'estomper (un simple mouvement de « relaxation »). Mais et si le musicien était en train d'appuyer sur deux touches distinctes selon un motif caché très spécifique pour créer ce même son ?

C'est exactement ce que les chercheurs de cet article ont fait, mais au lieu d'un musicien, ils ont étudié le système respiratoire d'un oiseau.

Le mystère du souffle de l'oiseau

Les oiseaux ont une façon unique de respirer. Ils n'ont pas de poumons flexibles comme les humains ; ils ont des poumons rigides connectés à un système de sacs aériens (comme des ballons) qui servent de réservoirs. Quand l'oiseau respire, les muscles compriment ces sacs pour pousser l'air à travers les poumons.

Les scientifiques pouvaient facilement mesurer la pression à l'intérieur de ces sacs aériens (comme écouter le haut-parleur). Cependant, ils ne pouvaient pas mesurer facilement la force musculaire qui comprime les sacs (les mains du musicien). Ils voulaient savoir : Quel est le motif exact de la compression musculaire qui crée la pression que nous observons ?

Le problème des anciens outils

Auparavant, les scientifiques essayaient de deviner la réponse en écrivant une équation mathématique avec quelques « boutons » (paramètres) et en tournant ces boutons jusqu'à ce que les mathématiques correspondent aux données de pression.

La faille : C'est comme essayer de deviner une chanson en se concentrant uniquement sur le volume. Si la vraie chanson possède une mélodie complexe, votre simple supposition pourrait correspondre au volume, mais passer totalement à côté de la mélodie. Vous devez supposer la forme de la réponse avant même de commencer, ce qui peut vous aveugler face à la vérité.

Le nouvel outil : L'IA « transparente »

Les chercheurs ont utilisé un nouveau type d'Intelligence Artificielle appelé Réseaux de Kolmogorov–Arnold (KAN).

Considérez un IA standard (comme un réseau de neurones profonds) comme une boîte noire. Vous introduisez des données, un résultat sort, mais vous n'avez aucune idée de ce qui s'est passé à l'intérieur. C'est comme un tour de magie où le magicien cache le mécanisme.

Un KAN, en revanche, est comme une boîte en verre transparent.

À l'intérieur d'une IA standard, les « règles » sont cachées dans des millions de petits nombres confus.
À l'intérieur d'un KAN, les règles sont construites à partir de courbes simples à une seule variable que vous pouvez réellement voir et dessiner. C'est comme si le magicien vous montrait exactement comment fonctionne le tour de cartes, étape par étape, en pleine vue.

La découverte : Deux phases, pas une

Les scientifiques ont injecté les données de pression de l'oiseau dans cette IA à « boîte de verre ». L'IA a appris les mathématiques cachées qui régissent la respiration.

Ce qu'ils attendaient : D'après le signal de pression seul, cela ressemblait à une simple compression unique des muscles (une oscillation de type relaxation).

Ce que l'IA a trouvé : La « boîte de verre » a révélé que les muscles font en réalité quelque chose de beaucoup plus complexe. L'IA a montré qu'au cours d'une seule respiration, les muscles s'activent en deux phases distinctes :

Une poussée forte au tout début de l'expiration.
Une autre poussée forte vers la toute fin de l'expiration.

Le signal de pression paraissait fluide et simple, mais la force qui le créait était en fait un motif de « double coup de poing ». Le signal de pression « cachait » cette complexité.

La preuve : Écouter les muscles

Pour prouver que l'IA n'inventait rien, les scientifiques sont revenus à l'activité électrique réelle des muscles respiratoires de l'oiseau (en utilisant de minuscules électrodes, comme un médecin écoutant un cœur).

Le résultat : Les enregistrements musculaires correspondaient parfaitement à la prédiction de l'IA ! Les muscles étaient effectivement en train de s'activer deux fois par respiration, exactement comme l'IA de la « boîte de verre » l'avait déduit à partir des seules données de pression.

La grande conclusion

Cet article montre que si vous possédez un système complexe où vous ne pouvez voir que le « résultat » (la pression), vous pouvez utiliser un type spécial d'IA transparente pour reconstruire les « règles » cachées du système.

En faisant cela, ils n'ont pas seulement prédit l'avenir ; ils ont découvert un secret caché sur le fonctionnement du corps de l'oiseau. Ils ont prouvé que la « force musculaire » qui dirige la respiration de l'oiseau est bien plus complexe que ce que suggère le signal de pression, révélant une danse en deux étapes qui était invisible à l'œil nu, mais visible à travers les mathématiques.

En bref : Ils ont utilisé une IA transparente pour écouter la respiration d'un oiseau et ont découvert que les muscles de l'oiseau exécutent une danse complexe en deux temps, un fait qui était totalement dissimulé dans le son même de la respiration.

Résumé Technique : Inférence de la Force Cachée dans un Oscillateur Biologique à l'aide des Réseaux de Kolmogorov–Arnold

Énoncé du Problème
L'inférence des forces qui régissent un système dynamique à partir d'observations partielles demeure un défi fondamental en physique et en biologie. Dans de nombreux systèmes, tels que la respiration aviaire, seul un ensemble limité de variables (par exemple, la pression des sacs aériens) est expérimentalement accessible, tandis que les termes de commande effectifs proviennent de degrés de liberté cachés (activation musculaire). Une difficulté critique réside dans le fait que des mécanismes sous-jacents qualitativement différents peuvent produire des observables présentant des structures temporelles similaires. Par exemple, le signal de pression chez les oiseaux suggère une oscillation simple de type relaxation, ce qui pourrait masquer une force motrice plus complexe. Les approches traditionnelles se heurtent à des limites : l'ajustement paramétrique nécessite des hypothèses préalables fortes sur les formes fonctionnelles, tandis que l'apprentissage automatique standard (par exemple, les réseaux de neurones profonds) agit comme une « boîte noire », codant la dynamique dans des paramètres opaques dépourvus d'interprétabilité physique. Des méthodes comme SINDy offrent une interprétabilité mais nécessitent une bibliothèque prédéfinie de fonctions candidates, ce qui peut biaiser la reconstruction si la structure réelle est inconnue.

Méthodologie
Les auteurs proposent un cadre de traitement de données utilisant les Réseaux de Kolmogorov–Arnold (KAN) pour reconstruire les équations directrices du système respiratoire aviaire directement à partir de mesures de pression expérimentales.

Cadre Théorique : L'étude utilise le théorème de représentation de Kolmogorov–Arnold, qui stipule que toute fonction multivariée continue peut être exprimée comme une superposition de compositions de fonctions unidimensionnelles. Contrairement aux perceptrons multicouches (MLP) standards où les non-linéarités sont fixées aux nœuds, les KAN associent des fonctions univariées entraînables aux arêtes du réseau. Cette architecture permet aux dépendances fonctionnelles apprises d'être inspectées et simplifiées en expressions symboliques après l'entraînement.
Système Expérimental : Les données ont été collectées à partir de canaris (Serinus canaria) respirant naturellement. La pression des sacs aériens ( $p$ ) a été mesurée via une canule flexible connectée à un transducteur de pression porté sur un sac à dos. Le signal a été échantillonné à 44,15 kHz.
Traitement des Données : La série temporelle de pression a été moyennée sur quatre cycles respiratoires, lissée à l'aide d'un filtre Savitzky–Golay et d'un filtre passe-bas, puis différenciée pour obtenir $p$ , $\dot{p}$ et $\ddot{p}$ .
Reconstruction du Modèle : Les auteurs ont modélisé le système comme une équation différentielle du second ordre : $\ddot{p} = F(p, \dot{p})$ . Des modèles KAN indépendants ont été entraînés pour approximer le champ de vecteurs $F$ en utilisant des échantillons de $(p, \dot{p}, \ddot{p})$ .
Décomposition : Pour isoler la force motrice, le champ de vecteurs appris a été décomposé. Les termes linéaires dépendant de $p$ et $\dot{p}$ ont été contraints pour correspondre à la réponse mécanique passive connue (termes élastiques et visqueux). Les contributions non linéaires restantes ont été regroupées en un terme de forçage effectif, $G(t)$ , qui est proportionnel à la dérivée temporelle de la commande musculaire $f(t)$ .

Résultats Clés

Reconstruction du Champ de Vecteurs : Le KAN a réussi à reconstruire la trajectoire dans l'espace des phases $(p, \dot{p})$ , reproduisant les cycles oscillatoires observés du système respiratoire.
Découverte de la Structure Cachée : Bien que le signal de pression brut semble suivre une oscillation de type relaxation, le champ de vecteurs reconstruit a révélé une structure non triviale dans la force motrice sous-jacente. La commande musculaire inférée $f(t)$ présente un schéma d'activation en deux phases au sein de chaque cycle respiratoire.
Validation Indépendante : Cette structure en deux phases n'était pas apparente à partir du seul signal de pression. Les auteurs ont validé cette prédiction grâce à des enregistrements électromyographiques (EMG) indépendants des muscles expirateurs. Les données EMG ont confirmé une forte activation à la fois au début et à la fin de la phase expiratoire, correspondant à la structure temporelle inférée par le modèle KAN.

Contributions Clés

Reconstruction Dynamique Interprétable : L'article démontre que les KAN peuvent servir de pont entre l'apprentissage automatique flexible et les descriptions dynamiques interprétables. En apprenant les non-linéarités le long des arêtes, la méthode produit des formes fonctionnelles explicites qui peuvent être inspectées pour révéler des mécanismes physiques.
Récupération de Variables Latentes : L'étude montre qu'il est possible d'inférer des variables motrices cachées (forçage musculaire) à partir d'observations partielles (pression) sans spécifier au préalable la forme fonctionnelle des équations.
Correction des Hypothèses Phénoménologiques : Ce travail remet en question l'hypothèse selon laquelle la pression respiratoire aviaire est pilotée par des formes d'ondes phénoménologiques simples, révélant une structure de contrôle neural plus complexe à deux phases.

Signification et Revendications
L'article affirme que la reconstruction des lois dynamiques à partir de données, lorsqu'elle est combinée à des représentations interprétables comme les KAN, peut dévoiler des structures physiques cachées et permettre d'accéder à des variables motrices non observées dans des systèmes partiellement observés. Les auteurs soulignent que cette approche offre une voie générale pour inférer des forces latentes là où des mécanismes distincts pourraient autrement produire des observables indiscernables. En extrayant des informations mécanistes à partir de dynamiques biologiques complexes au-delà de ce qui est directement observable, cette méthode établit une voie pour comprendre les systèmes où les termes de commande effectifs proviennent de degrés de liberté cachés. Les résultats sont de portée modeste, se concentrant spécifiquement sur le système respiratoire aviaire, mais la méthodologie est présentée comme une stratégie généralisable pour inférer des forces latentes dans des systèmes dynamiques.