🤖 machine learning

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

이 논문은 콜모고로프-아놀드 네트워크가 부분적인 공기주머니 압력 관측으로부터 조류 호흡 역학의 숨겨진 근육 강제력을 재구성할 수 있음을 입증하며, 근전도 기록에 의해 독립적으로 검증된 비자명한 2단계 활성화 패턴을 밝혀낸다.

원저자: Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

게시일 2026-06-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Julian Szereszewski, Facundo Fainstein, Leandro E. Fernandez, Gabriel B. Mindlin

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 한 음악가가 복잡한 곡을 어떻게 연주하고 있는지 알아내려 한다고 상상해 보세요. 하지만 당신은 스피커에서 흘러나오는 소리만을 들을 수 있을 뿐입니다. 그들의 손도 볼 수 없고, 어떤 건반을 누르는지도 알 수 없으며, 악보도 볼 수 없습니다. 당신에게 있는 것이라고는 오직 오디오 파형뿐입니다.

보통, 소리가 단순하고 리드미컬한 "휘익" 하는 소리로 들린다면, 당신은 음악가가 단순히 건반을 눌렀다가 서서히 사라지게 두는 것(단순한 '이완' 동작)이라고 가정할 것입니다. 하지만 만약 음악가가 동일한 소리를 만들기 위해 매우 구체적이고 숨겨진 패턴으로 두 개의 별개 건반을 누르고 있는 것이라면 어떨까요?

이것이 바로 연구자들이 이 논문에서 수행한 작업입니다. 다만, 음악가 대신 새의 호흡 시스템을 연구했을 뿐입니다.

새의 호흡이라는 미스터리

새들은 독특한 방식으로 숨을 쉽니다. 그들은 인간처럼 유연한 폐를 가지고 있지 않습니다. 대신 딱딱한 폐가 공기 주머니(에어백, 마치 풍구와 같은 역할)와 연결된 시스템을 가지고 있습니다. 새가 숨을 쉴 때, 근육이 이 공기 주머니를 짜내어 폐를 통해 공기를 밀어냅니다.

과학자들은 이 공기 주머니 내부의 압력을 쉽게 측정할 수 있었습니다(마치 스피커의 소리를 듣는 것과 같습니다). 하지만 그들은 공기 주머니를 짜내는 근육의 힘(음악가의 손)을 쉽게 측정할 수 없었습니다. 그들이 알고 싶었던 것은 이것입니다: 우리가 보는 압력을 만들어내는 정확한 근육의 짜기 패턴은 무엇인가?

기존 도구들의 결함

이전에는 과학자들이 몇 개의 "조절 나사"(파라미터)가 있는 수학 방정식을 작성하고, 그 수학식이 압력 데이터와 일치할 때까지 그 나사들을 돌려 답을 추측하려고 시도했습니다.

결함: 이것은 마치 볼륨(음량)만 맞추려고 노력하면서 노래를 추측하는 것과 같습니다. 만약 실제 노래가 복잡한 멜로디를 가지고 있다면, 당신의 단순한 추측은 볼륨은 맞출 수 있어도 멜로디는 완전히 놓칠 수 있습니다. 당신은 시작하기도 전에 답이 특정한 형태일 것이라고 미리 가정해야 하며, 이는 당신을 진실로부터 눈멀게 할 수 있습니다.

새로운 도구: "투명한" AI

연구자들은 **콜모고로프-아르노프 네트워크(Kolmogorov–Arnold Networks, KANs)**라고 불리는 새로운 유형의 인공지능을 사용했습니다.

표준적인 AI(심층 신경망과 같은)를 블랙박스라고 생각해보세요. 데이터를 넣으면 결과가 나오지만, 그 내부에서 무슨 일이 일어났는지는 알 수 없습니다. 그것은 마술사가 메커니즘을 숨기는 마술 쇼와 같습니다.

반면, KAN은 투명한 유리 상자와 같습니다.

표준적인 AI 내부에서 "규칙"은 수백만 개의 작고 혼란스러운 숫자 속에 숨겨져 있습니다.
KAN 내부에서 규칙은 당신이 실제로 보고 그릴 수 있는 단순한 단일 변수 곡선들로 구축됩니다. 이것은 마술사가 카드 트릭이 어떻게 진행되는지 단계별로, 눈앞에서 명확하게 보여주는 것과 같습니다.

발견: 하나가 아닌 두 개의 단계

과학자들은 새의 압력 데이터를 이 "유리 상자" AI에 입력했습니다. AI는 새의 호흡을 지배하는 숨겨진 수학을 학습했습니다.

그들이 예상했던 것: 압력 신호만 보았을 때는, 근육이 한 번의 단순한 짜기(이완형 진동)를 하는 것처럼 보였습니다.

AI가 찾아낸 것: "유리 상자"는 근육이 훨씬 더 복잡한 움직임을 보이고 있다는 사실을 드러냈습니다. AI는 단 한 번의 호흡 안에서 근육이 두 개의 뚜렷한 단계로 활성화된다는 것을 보여주었습니다:

날숨의 맨 처음에 일어나는 강한 밀기.
날숨의 맨 끝부분 근처에서 일어나는 또 다른 강한 밀기.

압력 신호는 매끄럽고 단순해 보였지만, 그것을 만드는 힘은 사실 더블 펀치 패턴이었습니다. 압력 신호가 이 복잡성을 "숨기고" 있었던 것입니다.

증거: 근육의 소리를 듣다

AI가 단순히 무언가를 지어내고 있는 것이 아니라는 것을 증명하기 위해, 과학자들은 실제 새의 호흡 근육에서 발생하는 전기적 활동을 다시 기록했습니다(의사가 심장 소리를 듣는 것처럼 미세 전극을 사용했습니다).

결과: 근육 기록은 AI의 예측과 완벽하게 일치했습니다! 근육은 실제로 한 번의 호흡당 두 번씩 작동하고 있었으며, 이는 "유리 상자" AI가 압력 데이터만으로 추론해낸 것과 정확히 일치했습니다.

핵심 요약

이 논문은 만약 당신이 출력값(압력)만을 볼 수 있는 복잡한 시스템을 가지고 있다면, 특수한 투명한 유형의 AI를 사용하여 시스템의 숨겨진 "규칙"을 재구성할 수 있음을 보여줍니다.

이를 통해, 그들은 단순히 미래를 예측한 것이 아니라, 새의 몸이 작동하는 방식에 대한 숨겨진 비밀을 밝혀냈습니다. 그들은 압력 신호보다 근육의 힘이 훨씬 더 정교하다는 것을 입증했으며, 육안으로는 보이지 않지만 수학을 통해서는 볼 수 있었던 '두 단계의 춤'을 드러냈습니다.

요약하자면: 그들은 투명한 AI를 사용하여 새의 호흡 소리를 듣고, 새의 근육이 복잡한 더블 스텝 댄스를 추고 있다는 사실을 알아냈습니다. 이 사실은 그 자체로는 숨겨져 있던, 호흡의 소리 속에 완전히 가려져 있던 것이었습니다.

기술 요약: Kolmogorov–Arnold 네트워크를 이용한 생물학적 진동자의 숨겨진 강제력 추론

문제 정의
부분적인 관측으로부터 동역학적 시스템을 구동하는 힘을 추론하는 것은 물리학과 생물학에서 여전히 근본적인 과제로 남아 있다. 조류의 호흡과 같은 많은 시스템에서는 실험적으로 접근 가능한 변수(예: 공기주머니 압력)는 제한적인 반면, 유효한 구동 항은 숨겨진 자유도(근육 활성화)로부터 발생한다. 결정적인 어려움은 질적으로 서로 다른 기저 메커니즘이 유사한 시간적 구조를 가진 관측치를 생성할 수 있다는 점이다. 예를 들어, 조류의 압력 신호는 단순한 이완형 진동을 시사하며, 이는 더 복잡한 구동력을 은폐할 가능성이 있다. 전통적인 접근 방식은 한계에 직면한다: 매개변수 적합(parametric fitting)은 기능적 형태에 대한 강력한 사전 가정을 필요로 하며, 표준 머신러닝(예: 심층 신경망)은 물리적 해석력이 결여된 불투명한 파라미터에 역학을 인코딩하는 "블랙박스" 역할을 한다. SINDy와 같은 방법들은 해석 가능성을 제공하지만, 진정한 구조를 알지 못할 경우 재구성을 편향시킬 수 있는 미리 지정된 후보 함수 라이브러리를 요구한다.

방법론
저자들은 실험적 압력 측정값으로부터 조류 호흡계의 지배 방정식을 직접 재구성하기 위해 **Kolmogorov–Arnold 네트워크(KAN)**를 사용하는 데이터 기반 프레임워크를 제안한다.

이론적 프레임워크: 본 연구는 임의의 연속적인 다변수 함수가 일차원 함수들의 합성의 중첩으로 표현될 수 있다는 Kolmogorov–Arnold 표현 정리를 활용한다. 노드에서 비선형성이 고정되는 표준 다층 퍼셉트론(MLP)과 달리, KAN은 학습 가능한 일변수 함수를 네트워크 에지에 결합한다. 이러한 구조 덕분에 학습된 기능적 의존성을 검사하고 훈련 후 기호적 표현으로 단순화할 수 있다.
실험 시스템: 카나리아(Serinus canaria)의 자연 호흡 데이터를 수집하였다. 공기주머니 압력( $p$ )은 백팩에 장착된 압력 트랜스듀서와 연결된 유연한 캐뉼라를 통해 측정되었다. 신호는 44.15 kHz로 샘플링되었다.
데이터 처리: 압력 시계열은 4개의 호흡 주기에 대해 평균을 내고, Savitzky–Goller 필터와 저역 통과 필터를 사용하여 매끄럽게 처리되었으며, $p, \dot{p}, \ddot{p}$ 를 얻기 위해 미분되었다.
모델 재구성: 저자들은 시스템을 2차 미분 방정식 $\ddot{p} = F(p, \dot{p})$ 로 모델링하였다. $(p, \dot{p}, \ddot{p})$ 샘플을 사용하여 벡터장 $F$ 를 근사하기 위해 독립적인 KAN 모델을 훈련하였다.
분해: 숨겨진 강제력을 격리하기 위해 학습된 벡터장을 분해하였다. $p$ 및 $\dot{p}$ 에 의존하는 선형 항은 알려진 수동적 기계적 반응(탄성 및 점성 항)과 일치하도록 제약되었다. 남은 비선형 기여분은 근육 구동 $f(t)$ 의 시간 미분에 비례하는 유효 강제 항 $G(t)$ 로 그룹화되었다.

주요 결과

벡터장 재구성: KAN은 조류 호흡계의 관측된 진동 주기를 재현하며 위상 공간 궤적 $(p, \dot{p})$ 를 성공적으로 재구성하였다.
숨겨진 구조 발견: 가공되지 않은 압력 신호는 이완형 진동을 따르는 것처럼 보였으나, 재구성된 벡터장은 기저의 강제력에 비자명한(nontrivial) 구조가 있음을 드러냈다. 추론된 근육 구동 $f(t)$ 는 각 호흡 주기 내에서 이상(two-phase) 활성화 패턴을 보인다.
독립적 검증: 이 두 단계 구조는 압력 신호만으로는 명확히 나타나지 않았다. 저자들은 독립적인 호기 근육의 근전도(EMG) 기록을 통해 이 예측을 검증하였다. EMG 데이터는 호기 단계의 시작점과 종료 직전에 모두 강한 활성화가 있음을 확인하였으며, 이는 KAN 모델이 추론한 시간적 구조와 일치하였다.

주요 기여

해석 가능한 역학 재구성: 본 논문은 KAN이 유연한 머신러닝과 해석 가능한 역학적 기술 사이의 가교 역할을 할 수 있음을 입증한다. 에지를 따라 비선니성을 학습함으로써, 이 방법은 물리적 메커니즘을 조사할 수 있는 명시적인 기능 형태를 제공한다.
잠재 변수의 회복: 본 연구는 방정식의 기능적 형태를 미리 지정하지 않고도 부분적인 관측(압력)으로부터 숨겨진 구동 변수(근육 강제력)를 추론할 수 있음을 보여준다.
현상론적 가정의 교정: 본 연구는 조류 호흡 압력이 단순한 현상론적 파형에 의해 구동된다는 가정에 도전하며, 더 복잡한 이상(two-phase) 신경 제어 구조를 밝혀냈다.

의의 및 주장
본 논문은 K-A 네트워크와 같은 해석 가능한 표현과 결합된 데이터 기반의 역학 법칙 재구성이 숨겨진 물리적 구조를 발견하고, 부분적으로 관측된 시스템에서 관측되지 않은 구동 변수에 접근할 수 있게 해준다고 주장한다. 저자들은 이 접근 방식이 서로 다른 메커니즘이 구별 불가능한 관측치를 생성할 수 있는 상황에서도 잠재적인 힘을 추론할 수 있는 일반적인 경로를 제공한다고 강조한다. 직접 관찰되는 것을 넘어 복잡한 생물학적 역학으로부터 메커니즘적 통찰을 추출함으로써, 이 방법은 유효한 구동 항이 숨겨진 자유도로부터 발생하는 시스템을 이해하기 위한 경로를 구축한다. 결과의 범위는 조류 호흡계에 국한되어 있어 규모는 작지만, 방법론은 잠재적인 힘을 추론하기 위한 일반화 가능한 전략으로 제시된다.