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

Sintesi Tecnica: Inferenza di Forzanti Nascoste in un Oscillatore Biologico utilizzando le Reti di Kolmogorov–Arnold

Definizione del Problema
Inferire le forze che guidano un sistema dinamico a partire da osservazioni parziali rimane una sfida fondamentale nella fisica e nella biologia. In molti sistemi, come la respirazione aviaria, solo un set limitato di variabili (ad esempio, la pressione dei sacchi aerei) è sperimentalmente accessibile, mentre i termini di guida effettivi derivano da gradi di libertà nascosti (attivazione muscolare). Una difficoltà critica è che meccanismi qualitativamente diversi possono produrre osservabili con strutture temporali simili. Ad esempio, il segnale di pressione negli uccelli suggerisce un'oscillazione semplice di tipo rilassamento, potenzialmente mascherando una forza di guida più complessa. Gli approcci tradizionali affrontano limitazioni: l'adattamento parametrico richiede forti assunzioni sulle forme funzionali, mentre il machine learning standard (ad esempio, le reti neurali profonde) agisce come una "scatola nera", codificando la dinamica in parametri opachi privi di interpretabilità fisica. Metodi come SINDy offrono interpretabilità, ma richiedono una libreria pre-specificata di funzioni candidate, il che può introdurre un bias nella ricostruzione se la struttura reale è sconosciuta.

Metodologia
Gli autori propongono un framework basato sui dati utilizzando le Reti di Kolmogorov–Arnold (KAN) per ricostruire le equazioni governanti del sistema respiratorio aviario direttamente dalle misurazioni sperimentali della pressione.

1. Framework Teorico: Lo studio utilizza il teorema di rappresentazione di Kolmogorov–Arnold, il quale afferma che qualsiasi funzione multivariata continua può essere espressa come una sovrapposizione di composizioni di funzioni monodimensionali. A differenza dei classici Perceptroni Multistrato (MLP), dove le non linearità sono fisse nei nodi, le KAN associano funzioni univariante addestrabili agli archi della rete. Questa architettura permette alle dipendenze funzionali apprese di essere ispezionate e semplificate in espressioni simboliche dopo l'addestramento.
2. Sistema Sperimentale: I dati sono stati raccolti da canari (Serinus canaria) che respiravano naturalmente. La pressione dei sacchi aerei ($p$) è stata misurata tramite un cannello flessibile collegato a un trasduttore di pressione trasportato in uno zainetto. Il segnale è stato campionato a 44,15 kHz.
3. Elaborazione dei Dati: La serie temporale della pressione è stata mediata su quattro cicli respiratori, smussata tramite un filtro Savitzky–Golay e un filtro passa-basso, e differenziata per ottenere $p$, $\dot{p}$ e $\ddot{p}$.
4. Ricostruzione del Modello: Gli autori hanno modellato il sistema come un'equazione differenziale del secondo ordine: $\ddot{p} = F(p, \dot{p})$. Modelli KAN indipendenti sono stati addestrati per approssimare il campo vettoriale $F$ utilizzando campioni di $(p, \dot{p}, \ddot{p})$.
5. Decomposizione: Per isolare la forza di guida, il campo vettoriale appreso è stato decomposto. I termini lineari dipendenti da $p$ e $\dot{p}$ sono stati vincolati per corrispondere alla nota risposta meccanica passiva (termini elastici e viscosi). I rimanenti contributi non lineari sono stati raggruppati in un termine di forzante efficace, $G(t)$, che è proporzionale alla derivata temporale della guida muscolare $f(t)$.

Risultati Chiave

1. Ricostruzione del Campo Vettoriale: La KAN ha ricostruito con successo la traiettoria nello spazio delle fasi $(p, \dot{p})$, riproducendo i cicli oscillatori osservati del sistema respiratorio.
2. Scoperta della Struttura Nascosta: Sebbene il segnale di pressione grezzo apparisse seguire un'oscillazione di tipo rilassamento, il campo vettoriale ricostruito ha rivelato una struttura non banale nella forzante sottostante. La guida muscolare $f(t)$ inferita esibisce un modello di attivazione a due fasi all'interno di ogni ciclo respiratorio.
3. Validazione Indipendente: Questa struttura a due fasi non era evidente dal solo segnale di pressione. Gli autori hanno validato questa previsione attraverso registrazioni elettromiografiche (EMG) indipendenti dei muscoli espiratori. I dati EMG hanno confermato una forte attivazione sia all'inizio che vicino alla fine della fase espiratoria, corrispondendo alla struttura temporale inferita dal modello KAN.

Contributi Chiave

• Ricostruzione Dinamica Interpretabile: Il documento dimostra che le KAN possono fungere da ponte tra il machine learning flessibile e le descrizioni dinamiche interpretabili. Apprendendo le non linearità lungo gli archi, il metodo fornisce forme funzionali esplicite che possono essere ispezionate per rivelare meccanismi fisici.
• Recupero di Variabili Latenti: Lo studio mostra che è possibile inferire variabili di guida nascoste (forzante muscolare) da osservazioni parziali (pressione) senza pre-specificare la forma funzionale delle equazioni.
• Correzione delle Assunzioni Fenomenologiche: Il lavoro mette in discussione l'assunto che la pressione respiratoria aviaria sia guidata da semplici forme d'onda fenomenologiche, rivelando una struttura di controllo neurale a due fasi più complessa.

Significatività e Rivendicazioni
Il documento sostiene che la ricostruzione data-driven delle leggi dinamiche, quando combinata con rappresentazioni interpretabili come le KAN, può svelare strutture fisiche nascoste e fornire accesso a variabili di guida non osservate in sistemi parzialmente osservati. Gli autori sottolineano che questo approccio offre una via generale per inferire forzanti latenti dove meccanismi distinti potrebbero altrimenti produrre osservabili indistinguibili. Estrarre intuizioni meccanicistiche dalla dinamica biologica complessa oltre ciò che è direttamente osservabile, questo metodo stabilisce un percorso per comprendere sistemi in cui i termini di guida effettivi derivano da gradi di libertà nascosti. I risultati sono di portata modesta, concentrandosi specificamente sul sistema respiratorio aviario, ma la metodologia è presentata come una strategia generalizzabile per inferire forze latenti in sistemi dinamici.