A Closed-loop Framework to Discriminate Models Using Optimal Control

1. 문제 정의 (Problem Statement)

• 모델 선택의 난제: 관측된 시스템의 동역학을 예측하고 제어하기 위해 수학적 모델을 사용하는 것은 필수적이지만, 주어진 시스템에 대해 복잡도와 가설적 메커니즘이 서로 다른 여러 후보 모델이 존재할 수 있습니다.
• 데이터의 한계: 기존 데이터 기반 알고리즘이나 통계적 모델 선택 방법 (BIC, AIC 등) 은 종종 관측 데이터가 시스템의 전체 위상 공간 (phase space) 의 일부만 커버하기 때문에, 서로 다른 모델들이 동일한 데이터를 설명할 수 있어 (동일한 적합도) 올바른 모델을 구별하기 어렵습니다.
• 특정 도메인의 어려움: 광유전학 (Optogenetics) 과 같은 생물학적 실험에서는 빛의 강도라는 단일 입력과 광전류라는 단일 출력만 측정 가능하며, 내부 변수들은 관측되지 않아 올바른 모델 (예: 옵신 동역학 모델) 을 선택하는 것이 매우 복잡합니다.

2. 방법론 (Methodology)

저자들은 관측 시스템의 입력을 제어할 수 있다는 가설 하에, **최적 제어 (Optimal Control)**를 기반으로 한 폐루프 (Closed-loop) 반복적 프레임워크를 제안합니다. 이 프레임워크는 두 개의 후보 모델 중 관측 시스템과 가장 잘 일치하는 모델을 선택하는 것을 목표로 합니다.

• 핵심 알고리즘 흐름:

  1. 초기화: 임의의 입력 제어 신호 $u(t)$를 시스템에 적용하여 초기 측정 데이터를 수집합니다.
  2. 매개변수 피팅 (Parameter Fitting): 수집된 데이터를 기반으로 두 후보 모델의 매개변수 ($\Theta_k$) 를 최적화합니다. (손실 함수 최소화, Adam 옵티마이저 사용).
  3. 최적 제어 설계 (Optimal Control Design): 현재 피팅된 매개변수를 사용하여, 두 모델의 출력 간 차이 (불일치) 를 최대화하는 새로운 입력 제어 신호 $u^*(t)$를 설계합니다.
     • 목적 함수 $J(u)$는 모델 간 거리 $D(Y_1, Y_2)$를 최대화하고, 제어 입력의 비용 $C(u)$와 이전 제어 신호들과의 중복을 방지하는 항을 포함합니다.
     • 이 문제는 제약 조건 하의 최적화 문제로 정의되며, Ipopt 솔버 등을 사용하여 해결합니다.
  4. 반복 실행: 설계된 최적 제어 신호를 실제 관측 시스템에 재주입하여 새로운 데이터를 생성하고, 다시 매개변수 피팅을 수행합니다.
  5. 종료 조건:
     • 최대 반복 횟수 도달.
     • 한 모델의 매개변수가 수렴하고 예측 오차가 임계값 이하일 때 (해당 모델이 승리).
     • 두 모델 모두 오차가 낮고 매개변수가 수렴할 경우, 오컴의 면도날 (Occam's Razor) 원칙에 따라 매개변수가 적은 모델을 선택.

• 수학적 형식화:

  • 시스템은 $\dot{X} = F(X, u; \Theta)$, $Y = H(X; \Theta)$로 표현됩니다.
  • 최적 제어 문제는 모델 동역학을 제약 조건으로 하여, 모델 출력 간의 차이를 최대화하는 입력 $u$를 찾는 문제로 설정됩니다.

3. 주요 기여 (Key Contributions)

• 능동적 실험 설계 (Active Experiment Design): 단순히 기존 데이터를 분석하는 것을 넘어, 모델을 구별할 수 있는 가장 효과적인 입력 신호를 능동적으로 생성하여 시스템에 적용하는 폐루프 방식을 제안했습니다.
• 반복적 구별 전략: 한 번의 실험이 아닌, 모델 피팅과 제어 신호 설계가 반복되는 과정을 통해 시스템의 위상 공간을 충분히 탐색하고 모델 간의 차이를 극대화합니다.
• 실제 실험 적용: 시뮬레이션뿐만 아니라 실제 전기생리학 실험 (광유전학) 에서 성공적으로 적용하여, 이론적 프레임워크의 실용성을 입증했습니다.

4. 실험 결과 (Results)

A. 수치 시뮬레이션 (Numerical Simulations)

• 단순한 경우 검증: 3-상태, 4-상태, 6-상태 옵신 모델 중 하나를 기준 (Reference) 시스템으로 설정하고 다른 모델들과 비교했습니다.
  • 기존 방식 (박스형 입력 등 단순 신호) 을 사용하면 모델 구별이 불가능했으나, 제안된 최적 제어 신호를 사용하면 기준 모델이 다른 모델보다 명확하게 우위를 점했습니다.
• 복잡한 경우 및 노이즈: 기준 시스템이 후보 모델 중 어느 것과도 정확히 일치하지 않거나, 시스템에 확률적 노이즈 (SDE) 가 추가된 경우에도 알고리즘은 가장 정확한 예측 모델을 선택할 수 있었습니다.

B. 실험실 실험 (Laboratory Experiments)

• 설정: ChR2 채널로돕신을 발현한 포유류 세포 (GH3 세포) 를 사용하여 전압 클램프 (Voltage-clamp) 방식으로 광전류를 측정했습니다.
• 하드웨어/소프트웨어: Symphony (Matlab 기반) 와 Julia 서버를 연동하여 실시간 데이터 수집 및 제어 신호 계산을 수행하는 고속 폐루프 시스템을 구축했습니다.
• 결과:
  • 6-상태 vs 4-상태 모델: 4-상태 모델이 6-상태 모델보다 실험 데이터의 오차가 더 빠르게 감소하고 매개변수가 수렴했습니다. 4-상태 모델이 닫힌 상태에서 열린 상태로의 직접 전이를 포함하여 빠른 빛 입력 변화에 더 잘 반응함을 확인했습니다.
  • 3-상태 vs 4-상태 모델: 4-상태 모델이 3-상태 모델보다 실험 결과를 훨씬 정확하게 예측했습니다.
  • 결론: 제안된 프레임워크는 실제 실험 환경에서도 4-상태 옵신 모델이 해당 시스템의 동역학을 가장 잘 설명한다는 것을 성공적으로 식별했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 모델 발견의 패러다임 전환: 수동적인 데이터 수집에서 벗어나, 모델 구별을 목적으로 한 최적 입력 신호를 생성함으로써 데이터의 정보량을 극대화하는 새로운 접근법을 제시했습니다.
• 실용성 입증: 광유전학 실험과 같이 입력/출력이 제한적이고 노이즈가 많은 생물학적 시스템에서도 효과적으로 작동함을 보여주었습니다.
• 확장 가능성: 이 프레임워크는 전기생리학뿐만 아니라, 의견 형성 네트워크, 금융 시장 등 다양한 동역학 시스템의 '디지털 트윈 (Digital Twin)'을 구축하거나 모델 구조를 발견하는 데에도 적용 가능할 것으로 기대됩니다.
• 한계 및 향후 과제: 현재 방법은 그래디언트 기반 최적화를 사용하므로 초기값에 민감할 수 있으며, 전역 최적해를 보장하지는 않습니다. 향후 가우시안 프로세스와 같은 대리 모델 (Surrogate Model) 을 활용하거나 베이지안 프레임워크를 도입하여 불확실성을 정량화하는 방향으로 발전시킬 수 있습니다.

이 논문은 최적 제어 이론과 실험적 모델링을 결합하여, 복잡한 생물학적 시스템에서 가장 적합한 수학적 모델을 선택하는 강력한 도구를 제공했다는 점에서 중요한 의의를 가집니다.