A Closed-loop Framework to Discriminate Models Using Optimal Control

Titolo

Un Framework a Ciclo Chiuso per Discriminare Modelli Utilizzando il Controllo Ottimale

1. Il Problema

La previsione accurata dell'evoluzione futura di un sistema osservato è fondamentale per il suo controllo, ma la selezione del modello matematico più adeguato tra una serie di candidati è una sfida complessa.

• Ambiguità dei Dati: Spesso, i dati sperimentali disponibili (spesso osservabili macroscopici come tassi di scarica o correnti totali) sono insufficienti per distinguere tra modelli con diversi livelli di complessità o meccanismi ipotizzati.
• Limiti dei Metodi Tradizionali:
  • Le tecniche di equation discovery (scoperta di equazioni) falliscono se i dati coprono solo un sottospazio dello spazio delle fasi, portando a modelli che non generalizzano bene a nuove condizioni.
  • Gli algoritmi di machine learning puramente basati sui dati faticano a prevedere comportamenti al di fuori dello spazio delle fasi dei dati di addestramento.
  • I criteri statistici di selezione del modello (es. BIC, AIC) possono selezionare un modello errato se i dati non esibiscono tutte le caratteristiche del modello sottostante reale.
• Obiettivo: Identificare un metodo che non si limiti a adattare i parametri, ma che attivi il sistema in regioni dello spazio delle fasi dove l'ambiguità tra i modelli candidati viene risolta, massimizzando la discriminazione.

2. Metodologia

Gli autori propongono un framework iterativo a ciclo chiuso che combina l'adattamento dei parametri e il controllo ottimo. L'approccio assume di avere il controllo su un input del sistema e accesso alle misurazioni della sua risposta.

Il processo si articola in quattro fasi principali:

1. Adattamento dei Parametri (Parameter Fitting):

   • Si parte con due (o più) modelli candidati.
   • I parametri di ciascun modello ($\Theta_k$) vengono ottimizzati per minimizzare la distanza (es. errore quadratico medio) tra l'output del modello e i dati osservati del sistema di riferimento sotto un input di controllo iniziale.
   • Viene utilizzata la discesa del gradiente (es. Adam) e, per modelli complessi, il metodo aggiuntivo (adjoint method).

2. Progettazione del Controllo Ottimale (Model Discrimination):

   • Una volta stimati i parametri, si risolve un problema di controllo ottimo per progettare un nuovo segnale di input $u(t)$.
   • Obiettivo: Massimizzare la discrepanza tra le uscite dei due modelli candidati ($Y_1$ e $Y_2$) mentre si mantiene l'input realistico.
   • Funzione di Costo ($J$): Massimizza la distanza tra le traiettorie dei modelli e include termini di penalità per:
     • Evitare segnali di controllo irrealistici (ampiezza eccessiva).
     • Promuovere la varietà rispetto ai segnali di controllo usati nelle iterazioni precedenti (per evitare di rimanere bloccati in profili simili).
   • Il problema è risolto numericamente (metodo dei punti interni Ipopt) discretizzando il sistema.

3. Esecuzione Sperimentale e Iterazione:

   • Il nuovo segnale di controllo ottimizzato $u^*(t)$ viene iniettato nel sistema reale (o simulato).
   • Si raccolgono nuovi dati di risposta.
   • Il ciclo ricomincia aggiornando i parametri dei modelli con i nuovi dati.

4. Criterio di Arresto:

   • L'algoritmo si ferma quando i parametri di almeno un modello convergono (variazioni minime) e l'errore di previsione scende sotto una soglia di tolleranza.
   • Se entrambi i modelli convergono, si applica il rasoio di Occam, selezionando il modello con il minor numero di parametri.

3. Contributi Chiave

• Approccio Attivo: A differenza dei metodi passivi che analizzano dati statici, questo framework attiva il sistema in modo intelligente per generare dati discriminanti.
• Ciclo Chiuso Reale: Il metodo non si limita alla simulazione; reinietta il segnale di controllo progettato nel sistema fisico, aggiornando dinamicamente la strategia di discriminazione.
• Gestione dell'Identificabilità: Il metodo non richiede che i parametri siano univocamente identificabili in senso strutturale assoluto, ma si concentra sulla capacità del modello di prevedere la risposta del sistema a nuovi input.
• Efficienza Computazionale: L'integrazione di hardware (patch-clamp) e software (Symphony, Julia, TCP) permette di eseguire l'ottimizzazione in tempo reale durante l'esperimento biologico.

4. Risultati

I risultati sono stati validati in tre scenari:

• Simulazioni Numeriche (Dati Sintetici):

  • Casi Ideali: Quando il sistema di riferimento corrisponde a uno dei modelli candidati (es. modello a 3 stati vs 4 stati), il metodo discrimina correttamente il modello vero, mentre i metodi standard (input a "scatola" o box) falliscono perché permettono l'overfitting del modello più complesso.
  • Casi Complessi: Anche quando il sistema reale non corrisponde esattamente a nessun modello candidato, il metodo seleziona quello che minimizza l'errore di previsione.
  • Rumore: Il metodo si dimostra robusto anche in presenza di rumore stocastico (modelli SDE), dove la natura stocastica aiuta a prevenire l'overfitting.

• Esperimenti di Laboratorio (Elettrofisiologia):

  • Contesto: Studio delle dinamiche delle opsine (Channelrhodopsin-2) in cellule di ratto (GH3) tramite patch-clamp.
  • Obiettivo: Discriminare tra modelli a 3, 4 e 6 stati delle opsine.
  • Risultato: Il framework ha identificato con successo il modello a 4 stati come il più accurato per prevedere le correnti fotosensibili indotte, superando sia il modello a 3 stati (troppo semplice) che quello a 6 stati (troppo complesso o non necessario per i dati raccolti).
  • Validazione: Il modello selezionato ha previsto correttamente la risposta del sistema a input di luce complessi, confermando l'efficacia del controllo ottimo nel rivelare i meccanismi sottostanti (es. transizioni dirette stato chiuso-aperto).

5. Significato e Implicazioni

• Avanzamento nella Biologia Sperimentale: Dimostra la fattibilità di utilizzare algoritmi di controllo ottimo in tempo reale per guidare esperimenti biologici complessi, riducendo i tempi di raccolta dati e migliorando l'accuratezza dei modelli.
• Ottimizzazione delle Risorse: Permette di massimizzare l'informazione ottenuta da ogni misurazione, riducendo il costo e il tempo degli esperimenti (cruciale in esperimenti dove le cellule possono morire o degradarsi).
• Generalizzabilità: Sebbene applicato alle opsine, il framework è generale e può essere adattato ad altri sistemi dinamici controllabili, come la formazione di opinioni in reti sociali, i mercati finanziari o la creazione di "gemelli digitali" per sistemi ingegneristici.
• Futuro: Gli autori suggeriscono l'estensione a framework bayesiani per gestire l'incertezza dei parametri e l'uso di tecniche di Scientific Machine Learning (es. SINDy) per scoprire le equazioni stesse, non solo i parametri.

In sintesi, il paper presenta un metodo potente che trasforma la selezione del modello da un processo passivo di fitting a un processo attivo di esplorazione dello spazio delle fasi, garantendo una scelta più robusta e scientificamente fondata del modello matematico migliore.