Riepilogo Tecnico: KAN-ODE Olomorfa per la Scoperta Interpretabile di Dinamiche Complesse

1. Enunciato del Problema

I sistemi dinamici complessi governati da mappe olomorfe (ad esempio, $z^2 + c$) esibiscono confini frattali e un'estrema sensibilità alle condizioni iniziali. Modellare accuratamente questi sistemi a partire dai dati richiede metodi che rispettino la geometria complessa-analitica sottostante.

Gli approcci attuali affrontano tre limitazioni primarie:

1. Mancanza di Priors Strutturali: Le Equazioni Differenziali Ordinarie Neurali standard (Neural ODE) impiegano tipicamente Perceptron Multistrato (MLP) per parametrizzare i campi di velocità. Questi MLP mancano di priors complessi-analitici e non riescono a imporre le condizioni di Cauchy–Riemann necessarie per le funzioni olomorfe.
2. Opacità: Gli MLP funzionano come approssimatori a scatola nera, non offrendo alcun percorso dai pesi appresi alle equazioni governative simboliche interpretabili.
3. Vincoli a Valori Reali: Le applicazioni esistenti delle Reti di Kolmogorov–Arnold (KAN) alle Neural ODE sono state limitate a spazi di stato a valori reali, lasciando irrisolte le dinamiche a valori complessi.

2. Metodologia: KAN-ODE Olomorfa

Gli autori propongono la KAN-ODE Olomorfa, un framework che integra le Reti di Kolmogorov–Arnold con le Neural ODE, vincolato dalla regolarizzazione di Cauchy–Riemann per garantire che le dinamiche apprese siano olomorfe.

2.1 Architettura

Il framework sostituisce le funzioni di attivazione fisse degli MLP standard con funzioni B-spline univariate apprendibili che risiedono sugli archi della rete.

• Input/Uscita: La rete prende le parti reale e immaginaria dello stato complesso $z = x + iy$ come input e restituisce le parti reale e immaginaria del campo di velocità $f(z) = u + iv$.
• Parametrizzazione: Ogni attivazione d'arco $\phi_{i,j}(x)$ è definita come una combinazione lineare di funzioni di base B-spline $B_m(x)$ con coefficienti apprendibili.
• Efficienza: L'architettura proposta utilizza una larghezza di $[2, 5, 2]$, risultando in soli 280 parametri addestrabili, rispetto ai 4.482 della baseline MLP.

2.2 Regolarizzazione di Cauchy–Riemann

Per imporre l'olomorfia, gli autori introducono un termine di regolarizzazione differenziabile derivato dalle equazioni di Cauchy–Riemann:
$$\frac{\partial u}{\partial x} = \frac{\partial v}{\partial y}, \quad \frac{\partial u}{\partial y} = -\frac{\partial v}{\partial x}$$
La funzione di perdita include un termine $L_{CR}$ che penalizza le deviazioni da queste condizioni. Per prevenire il collasso dell'addestramento causato dall'imposizione immediata di questo vincolo, viene adottato un piano di riscaldamento lineare, aumentando gradualmente il peso della regolarizzazione $\lambda_{CR}$ da zero durante i passaggi iniziali di addestramento.

2.3 Estrazione Simbolica

Una caratteristica chiave delle KAN è la loro capacità di eseguire regressione simbolica automatica. Dopo l'addestramento, le attivazioni spline apprese su ciascun arco vengono adattate rispetto a una libreria candidata di funzioni di base (ad esempio, polinomi, esponenziali, termini trigonometrici). Le funzioni di base dominanti attraverso gli archi della rete vengono utilizzate per identificare la famiglia simbolica dell'equazione governativa (ad esempio, identificando un sistema come appartenente alla famiglia $z^2 + c$).

3. Contributi Chiave

1. Architettura KAN Olomorfa: Il primo framework che combina KAN con Neural ODE sotto regolarizzazione di Cauchy–Riemann per dinamiche complesse.
2. Valutazione Completa: Test su sei famiglie di sistemi dinamici complessi, inclusi classi polinomiali ($z^2+c, z^3+c$) e trascendenti ($e^z+c, \sin(z)+c, \cos(z)+c, z \cdot e^z+c$), nonché un'applicazione fisica di flusso potenziale.
3. Interpretabilità e Robustezza: Dimostrazione che il modello può recuperare formule simboliche, imporre una struttura olomorfa e mantenere una resilienza al rumore superiore rispetto agli MLP.

4. Risultati Sperimentali

Il framework è stato valutato su sei sistemi puri complessi-analitici e un sistema fisico (flusso potenziale attorno a un cilindro).

4.1 Accuratezza ed Efficienza

• Approssimazione del Campo di Velocità: La KAN Olomorfa ha raggiunto $R^2 > 0,95$ su tutti e sei i sistemi puri utilizzando solo 280 parametri.
• Confronto con MLP: Sebbene la baseline MLP (4.482 parametri) abbia raggiunto un errore quadratico medio (MSE) puntuale inferiore grazie alla sua maggiore capacità, mancava di interpretabilità e di imposizione strutturale.
• Ricostruzione Frattale: Il modello ha ricostruito i confini frattali dell'insieme di Julia con un accordo fino al 98,0% (ad esempio, per il sistema seno), validando che i campi di velocità appresi preservano dettagli geometrici fini.

4.2 Scoperta Simbolica

Il modello ha identificato correttamente la famiglia simbolica governativa per tutti e sei i sistemi tramite adattamento automatico spline-formula (100% di accuratezza).

• I sistemi polinomiali sono stati identificati come polinomiali.
• I sistemi trascendenti sono stati correttamente adattati a forme esponenziali, trigonometriche o miste esponenziali.

4.3 Stabilità e Resilienza al Rumore

• Analisi di Lyapunov: Il modello ha classificato correttamente la stabilità dei sistemi, identificando i sistemi polinomiali come caotici e i sistemi trascendenti come prevalentemente stabili.
• Robustezza al Rumore: Sotto un rumore di osservazione del 10%, la KAN ha mostrato solo un degrado del 4% nell'MSE, mentre l'MLP è degradato di un fattore di 15,2×. Ciò evidenzia il bias induttivo fornito dal vincolo di Cauchy–Riemann e dalla parametrizzazione spline.
• Transfer Learning: L'adattamento fine di una KAN addestrata su dinamiche quadratiche ($z^2+c$) per apprendere dinamiche cubiche ($z^3+c$) ha portato a un miglioramento del 90,4% nell'MSE finale rispetto all'addestramento da zero, dimostrando la trasferibilità dei priors olomorfi.

4.4 Limitazioni Osservate

• Sistemi Razionali/Singolari: Nell'applicazione di flusso potenziale ($f(z) = Uz + Ua^2/z$), il modello ha raggiunto un $R^2$ inferiore (0,333), indicando che le parametrizzazioni B-spline ottimizzate per funzioni lisce faticano con strutture razionali e singolarità.
• Sfide del Gradiente: Sistemi con gradienti di ordine superiore ripidi (ad esempio, $z^3+c$) hanno mostrato valori di $R^2$ leggermente inferiori rispetto a sistemi più lisci.

5. Significato e Affermazioni

Il documento posiziona la KAN-ODE Olomorfa come un'alternativa efficiente in termini di parametri e interpretabile agli MLP per la scoperta guidata dalla fisica di dinamiche olomorfe. Gli autori affermano che, sebbene gli MLP possano offrire un'accuratezza superiore nella ricostruzione puntuale grazie a una maggiore capacità, non riescono a fornire le tre capacità critiche essenziali per la scoperta scientifica in questo dominio:

1. Recupero di Formule Simboliche: La capacità di estrarre equazioni governative in forma chiusa.
2. Struttura Olomorfa Imposta: Garantire che le dinamiche apprese soddisfino vincoli complessi-analitici.
3. Resilienza al Rumore Superiore: Mantenere le prestazioni in contesti osservativi rumorosi dove i modelli a scatola nera falliscono.

Il lavoro stabilisce le KAN come uno strumento vitale per colmare il gap tra analisi complessa, teoria dei sistemi dinamici e apprendimento automatico scientifico, specificamente per sistemi in cui i priors strutturali e l'interpretabilità sono fondamentali.