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

तकनीकी सारांश: कोलमोगोरोव-आर्नोल्ड नेटवर्क का उपयोग करके एक जैविक दोलक (Biological Oscillator) में छिपे हुए बल का अनुमान लगाना

समस्या विवरण
आंशिक अवलोकनों (partial observations) से किसी गतिशील प्रणाली (dynamical system) को चलाने वाले बलों का अनुमान लगाना भौतिकी और जीव विज्ञान में एक मौलिक चुनौती बनी हुई है। कई प्रणालियों में, जैसे कि पक्षियों का श्वसन, केवल कुछ सीमित चर (जैसे, वायु-कोष का दबाव) ही प्रयोगात्मक रूप से सुलभ होते हैं, जबकि प्रभावी ड्राइविंग टर्म (driving terms) छिपे हुए डिग्री ऑफ फ्रीडम (जैसे, मांसपेशियों की सक्रियता) से उत्पन्न होते हैं। एक महत्वपूर्ण कठिनाई यह है कि गुणात्मक रूप से भिन्न अंतर्निहित तंत्र (underlying mechanisms) समान टेम्पोरल संरचना वाले अवलोकनीय (observables) उत्पन्न कर सकते हैं। उदाहरण के लिए, पक्षियों का दबाव संकेत एक सरल रिलैक्सेशन जैसी दोलन प्रक्रिया का सुझाव देता है, जो संभावित रूप से एक अधिक जटिल ड्राइविंग बल को छिपा सकता है। पारंपरिक दृष्टिकोणों को सीमाओं का सामना करना पड़ता है: पैरामीट्रिक फिटिंग के लिए कार्यात्मक रूपों (functional forms) के बारे में मजबूत पूर्व धारणाओं की आवश्यकता होती है, जबकि मानक मशीन लर्निंग (जैसे, डीप न्यूरल नेटवर्क) एक "ब्लैक बॉक्स" के रूप में कार्य करती है, जो गतिशीलता को अपारदर्शी मापदंडों (opaque parameters) में एनकोड करती है जिनमें भौतिक व्याख्यात्मकता का अभाव होता है। SINDy जैसी विधियाँ व्याख्यात्मकता (interpretability) प्रदान करती हैं, लेकिन उन्हें उम्मीदवार फलनों (candidate functions) की एक पूर्व-निर्दिष्ट लाइब्रेरी की आवश्यकता होती है, जो यदि वास्तविक संरचना अज्ञात हो, तो पुनर्निर्माण को पक्षपाती बना सकती है।

कार्यप्रणाली
लेखक प्रयोगात्मक दबाव मापों से पक्षी श्वसन प्रणाली के शासी समीकरणों (governing equations) को पुनर्गठित करने के लिए कोलमोगोरोव-आर्नोल्ड नेटवर्क (KANs) का उपयोग करते हुए एक डेटा-संचालित ढांचे का प्रस्ताव करते हैं।

1. सैद्धांतिक ढांचा: यह अध्ययन कोलमोगोरोव-आर्नोल्ड प्रतिनिधित्व प्रमेय (Kolmogorov–Arnold representation theorem) का उपयोग करता है, जो बताता है कि किसी भी निरंतर बहुभिन्नीय फलन (multivariate function) को एक-आयामी फलनों के संयोजन के सुपरपोजिशन के रूप में व्यक्त किया जा सकता है। मानक मल्टीलेयर पर्सेप्ट्रॉन्स (MLPs) के विपरीत, जहाँ नोड्स पर गैर-रैखिकताएं (nonlinearities) स्थिर होती हैं, KANs नेटवर्क के किनारों (edges) के साथ प्रशिक्षित एक-चर वाले फलनों (univariate functions) को जोड़ते हैं। यह आर्किटेक्चर प्रशिक्षित होने के बाद सीखे गए कार्यात्मक निर्भरताओं के निरीक्षण और प्रतीकात्मक अभिव्यक्तियों (symbolic expressions) में सरलीकरण की अनुमति देता है।
2. प्रायोगिक प्रणाली: डेटा प्राकृतिक रूप से सांस लेने वाले कैनरी (Serinus canaria) से एकत्र किया गया था। एक लचीली कैनुला (cannula) के माध्यम से वायु-कोष के दबाव ($p$) को मापा गया था, जो एक बैकपैक में रखे प्रेशर ट्रांसड्यूसर से जुड़ी थी। सिग्नल को 44.15 kHz पर सैंपल किया गया था।
3. डेटा प्रोसेसिंग: दबाव टाइम सीरीज़ को चार श्वसन चक्रों पर औसत निकाला गया, सैविट्ज़की-गोले (Savitzky–Golay) फ़िल्टर और एक लो-पास फ़िल्टर का उपयोग करके स्मूथ किया गया, और $p, \dot{p}, \ddot{p}$ प्राप्त करने के लिए डिफरेंशिएट किया गया।
4. मॉडल पुनर्निर्माण: लेखकों ने प्रणाली को एक द्वितीय-क्रम के विभेदक समीकरण (second-order differential equation) के रूप में मॉडल किया: $\ddot{p} = F(p, \dot{p})$। $(p, \dot{p}, \ddot{p})$ नमूनों का उपयोग करके वेक्टर फील्ड $F$ का अनुमान लगाने के लिए स्वतंत्र KAN मॉडल प्रशिक्षित किए गए।
5. विघटन (Decomposition): ड्राइविंग फोर्स को अलग करने के लिए, सीखे गए वेक्टर फील्ड को विघटित किया गया। $p$ और $\dot{p}$ पर निर्भर रैखिक पदों को ज्ञात निष्क्रिय यांत्रिक प्रतिक्रिया (इलास्टिक और विस्कस टर्म्स) से मेल खाने के लिए बाधित किया गया। शेष गैर-रैखिक योगदानों को एक प्रभावी फोर्सिंग टर्म, $G(t)$ में समूहित किया गया, जो कि मांसपेशियों के ड्राइव $f(t)$ के समय व्युत्पन्न (time derivative) के समानुपाती है।

प्रमुख परिणाम

1. वेक्टर फील्ड पुनर्निर्माण: KAN ने चरण-स्थान प्रक्षेपवक्र (phase-space trajectory) $(p, \dot{p})$ को सफलतापूर्वक पुनर्गठित किया, जो श्वसन प्रणाली के देखे गए दोलन चक्रों को दोहराता है।
2. छिपी हुई संरचना की खोज: जबकि कच्चा दबाव संकेत एक रिलैक्सेशन-जैसी दोलन का पालन करता हुआ प्रतीत होता था, पुनर्गठित वेक्टर फील्ड ने अंतर्निहित फोर्सिंग में एक गैर-तुच्छ (nontrivial) संरचना का खुलासा किया। अनुमानित मांसपेशी ड्राइव $f(t)$ प्रत्येक श्वसन चक्र के भीतर एक दो-चरणीय सक्रियता पैटर्न (two-phase activation pattern) प्रदर्शित करता है।
3. स्वतंत्र सत्यापन: यह दो-चरणीय संरचना केवल दबाव संकेत से स्पष्ट नहीं थी। लेखकों ने इस भविष्यवाणी को श्वसन मांसपेशियों के स्वतंत्र इलेक्ट्रोमायोग्राफिक (EMG) रिकॉर्डिंग के माध्यम से सत्यापित किया। EMG डेटा ने पुष्टि की कि श्वसन समाप्ति (expiratory phase) के प्रारंभ और समाप्ति के निकट दोनों समयों पर मजबूत सक्रियता होती है, जो KAN मॉडल द्वारा अनुमानित टेम्पोरल संरचना से मेल खाती है।

प्रमुख योगदान

• व्याख्यात्मक गतिक पुनर्निर्माण (Interpretable Dynamical Reconstruction): यह शोध पत्र प्रदर्शित करता है कि KANs लचीली मशीन लर्निंग और व्याख्यात्मक गतिक विवरणों के बीच एक सेतु के रूप में कार्य कर सकते हैं। किनारों पर गैर-रैखिकताओं को सीखकर, यह विधि स्पष्ट कार्यात्मक रूप प्रदान करती है जिसका भौतिक तंत्रों को प्रकट करने के लिए निरीक्षण किया जा सकता है।
• अव्यक्त चरों की रिकवरी (Recovery of Latent Variables): यह अध्ययन दिखाता है कि समीकरणों के कार्यात्मक रूप को पूर्व-निर्धारित किए बिना, आंशिक अवलोकनों (दबाव) से छिपे हुए ड्राइविंग चरों (मांसपेशियों की फोर्सिंग) का अनुमान लगाना संभव है।
• घटनात्मक धारणाओं का सुधार (Correction of Phenomenological Assumptions): यह कार्य इस धारणा को चुनौती देता है कि पक्षी श्वसन दबाव सरल घटनात्मक तरंगों (phenomenological waveforms) द्वारा संचालित होता है, जिससे एक अधिक जटिल, दो-चरणीय तंत्रिका नियंत्रण संरचना का पता चलता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि जब डेटा-संचालित कानून पुनर्निर्माण को KANs जैसे व्याख्यात्मक निरूपणों के साथ जोड़ा जाता है, तो यह छिपी हुई भौतिक संरचनाओं को उजागर कर सकता है और आंशिक रूप से देखे गए सिस्टम में अनदेखे ड्राइविंग चरों तक पहुँच प्रदान कर सकता है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण उन मामलों में भी गुप्त बलों का अनुमान लगाने के लिए एक सामान्य मार्ग प्रदान करता है जहाँ विशिष्ट तंत्र अन्यथा अविभेद्य (indistinguishable) अवलोकनीय उत्पन्न कर सकते हैं। सीधे तौर पर दृश्यमान भौतिकी से परे जटिल जैविक गतिशीलता से यांत्रिक अंतर्दृष्टि निकालकर, यह पद्धति उन प्रणालियों को समझने के लिए एक मार्ग स्थापित करती है जहाँ प्रभावी ड्राइविंग टर्म छिपे हुए डिग्री ऑफ फ्रीडम से उत्पन्न होते हैं। इसके परिणाम सीमित दायरे के हैं, जो विशेष रूप से पक्षी श्वसन प्रणाली पर केंद्रित हैं, लेकिन इसकी कार्यप्रणाली को आंशिक रूप से देखे गए सिस्टम में गुप्त बलों का अनुमान लगाने के लिए एक सामान्य रणनीति के रूप में प्रस्तुत किया गया है।