🤖 machine learning

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

Dit artikel toont aan dat Kolmogorov-Arnold-netwerken de verborgen musculaire forcering in de aviante respiratoire dynamiek kunnen reconstrueren uit gedeeltelijke luchtzakdrukwaarnemingen, waarbij een niet-triviaal twee-fasen activatiepatroon wordt onthuld dat onafhankelijk werd gevalideerd door elektromyografische opnamen.

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

Gepubliceerd 2026-06-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vogelen hoe een muzikant een complex nummer speelt, maar je kunt alleen het geluid horen dat uit de luidspreker komt. Je kunt de handen niet zien, je kunt de toetsen die worden ingedrukt niet zien en je kunt de bladmuziek niet zien. Alles wat je hebt, is de audio-golfvorm.

Normaal gesproken, als het geluid een simpele, ritmische "woosh" is, zou je aannemen dat de muzikant gewoon een toets indrukt en deze laat uitsterven (een eenvoudige "ontspanningsbeweging"). Maar wat als de muzikant eigenlijk twee verschillende toetsen indrukt in een heel specifiek, verborgen patroon om precies datzelfde geluid te creëren?

Dit is precies wat de onderzoekers in dit artikel deden, maar in plaats van een muzikant bestudeerden ze het ademhalingssysteem van een vogel.

Het Mysterie van de Adem van de Vogel

Vogels hebben een unieke manier van ademhalen. Ze hebben geen flexibele longen zoals mensen; in plaats daarvan hebben ze rigide longen die verbonden zijn met een systeem van luchtzakken (zoals ballonnen) die fungeren als reservoirs. Wanneer de vogel ademt, knijpen spieren deze luchtzakken samen om lucht door de longen te duwen.

De wetenschappers konden de druk binnen deze luchtzakken gemakkelijk meten (zoals luisteren naar de luidspreker). Echter, ze konden de spierkracht die de zakken samendrukt niet gemakkelijk meten (de handen van de muzikant). Ze wilden weten: Wat is het exacte patroon van het spierknijpen dat de druk creëert die wij zien?

Het Probleem met Oude Hulpmiddelen

Voorheen probeerden wetenschappers het antwoord te raden door een wiskundige vergelijking op te schrijven met een paar "knoppen" (parameters) en die knoppen zo te draaien dat de wiskunde overeenkwam met de drukgegevens.

De tekortkoming: Dit is alsof je het liedje probeert te raden door alleen naar het volume te kijken. Als het echte liedje een complexe melodie heeft, kan je simpele gok misschien wel het volume matchen, maar de melodie volledig missen. Je moet van tevoren aannemen hoe het antwoord eruitziet voordat je begint, wat je kan verblinden voor de waarheid.

Het Nieuwe Hulpmiddel: De "Transparante" AI

De onderzoekers gebruikten een nieuw type Kunstmatige Intelligentie genaamd Kolmogorov–Arnold-netwerken (KANs).

Beschouw een standaard AI (zoals een diep neuraal netwerk) als een black box. Je stopt er data in, en er komt een resultaat uit, maar je hebt geen idee wat er binnenin is gebeurd. Het is als een goocheltruc waarbij de goochelaar het mechanisme verbergt.

Een KAN is echter als een glazen doos.

Binnenin een standaard AI zijn de "regels" verborgen in miljoenen kleine, verwarrende getallen.
Binnenin een KAN zijn de regels gebouwd van eenvoudige, enkelvoudige variabelen-curven die je daadwerkelijk kunt zien en tekenen. Het is alsoals de goochelaar je precies laat zien hoe de kaarttruc werkt, stap voor stap, in het volle zicht.

De Ontdekking: Twee Fasen, Niet Eén

De wetenschappers voerden de drukgegevens van de vogel in deze "glazen doos"-AI. De AI leerde de verborgen wiskunde die de ademhaling beheerst.

Wat ze verwachtten: Op basis van het druksignaal alleen gezien, leek het op een simpele, eenmalige samentrekking van de spieren (een oscillatie die lijkt op ontspanning).

Wat de AI vond: De "glazen doos" onthulde dat de spieren eigenlijk iets veel complexers doen. De AI toonde aan dat de spieren binnen één enkele ademteug in twee duidelijke fasen activeren:

Een sterke duw aan het begin van de uitademing.
Nog een sterke duw vlak voor het einde van de uitademing.

Het druksignaal zag er vloeiend en simpel uit, maar de kracht die het creëerde, was eigenlijk een dubbele klap-patroon. Het druksignaal "verstopte" deze complexiteit.

Het Bewijs: Luisteren naar de Spieren

Om te bewijzen dat de AI niet zomaar dingen verzint, gingen de wetenschappers terug naar de werkelijke elektrische activiteit van de ademhalingsspieren van de vogel (met behulp van minuscule elektroden, zoals een arts die naar een hart luistert).

Het resultaat: De opnames van de spieren kwamen perfect overeen met de voorspelling van de AI! De spieren waren inderdaad twee keer per ademteug aan het vuren, precies zoals de "glazen doos"-AI dit alleen op basis van de drukgegevens had afgeleid.

De Belangrijkste Les

Dit artikel laat zien dat als je een complex systeem hebt waarbij je alleen de "output" kunt zien (de druk), je een speciale, transparante vorm van AI kunt gebruiken om de verborgen "regels" van het systeem te reconstrueren.

Door dit te doen, hebben ze niet alleen de toekomst voorspeld; ze hebben een verborgen geheim ontdekt over hoe het lichaam van de vogel werkt. Ze bewezen dat de "spierkracht" die de ademhaling van de vogel aandrijft, veel ingewikkelder is dan het druksignaal doet vermoeden, wat een tweestapsdans onthulde die onzichtbaar was voor het blote oog, maar zichtbaar door de wiskunde.

Kortom: Ze gebruikten een transparante AI om naar de ademhaling van een vogel te luisteren en ontdekten dat de spieren van de vogel een complexe dubbelstap-dans uitvoeren, een feit dat volledig verborgen zat in het geluid van de ademhaling zelf.

Technische Samenvatting: Het afleiden van verborgen forcering in een biologische oscillator met behulp van Kolmogorov–Arnold-netwerken

Probleemstelling
Het afleiden van de krachten die een dynamisch systeem aandrijven vanuit gedeeltelijke observaties blijft een fundamentele uitdaging in de fysica en biologie. In veel systemen, zoals de aviaire respiratie (vogelademhaling), zijn slechts een beperkt aantal variabelen (bijv. luchtzakdruk) experimenteel toegankelijk, terwijl de effectieve drijvende termen voortkomen uit verborgen vrijheidsgraden (spieractivatie). Een kritieke moeilijkheid is dat kwalitatief verschillende onderliggende mechanismen observabelen met vergelijkbare temporele structuren kunnen produceren. Zo suggereert het druksignaal bij vogels een eenvoudige relaxatie-achtige oscillatie, wat potentieel een complexere drijvende kracht maskeert. Traditionele benaderingen kampen met beperkingen: parametrische passing vereist sterke a priori aannames over functionele vormen, terwijl standaard machine learning (bijv. diepe neurale netwerken) fungeert als een "black box", waarbij de dynamica wordt gecodeerd in opaak parameters die gebrek aan fysieke interpreteerbaarheid vertonen. Methoden zoals SINDy bieden weliswaar interpreteerbaarheid, maar vereisen een vooraf gespecificeerde bibliotheek van kandidaatfuncties, wat de reconstructie kan bevoordelen als de ware structuur onbekend is.

Methodologie
De auteurs stellen een datagedreven raamwerk voor met behulp van Kolmogorov–Arnold-netwerken (KANs) om de regerende vergelijkingen van het aviaire respiratoire systeem direct te reconstrueren vanuit experimentele drukmetingen.

Theoretisch Raamwerk: De studie maakt gebruik van de Kolmogorov–Arnold-representatietheorema, dat stelt dat elke continue multivariate functie kan worden uitgedrukt als een superpositie van composities van eendimensionale functies. In tegenstelling tot standaard Multilayer Perceptrons (MLPs), waarbij de niet-lineariteiten vaststaan bij de knopen, associëren KANs leerbare univariate functies met de netwerkranden (edges). Deze architectuur maakt het mogelijk om de geleerde functionele afhankelijkheden te inspecteren en na training te vereenvoudigen tot symbolische expressies.
Experimenteel Systeem: Gegevens werden verzameld van natuurlijk ademende kanaries (Serinus canaria). De luchtzakdruk ( $p$ ) werd gemeten via een flexibele canule verbonden met een druktransducer die in een rugzak werd gedragen. Het signaal werd gesampled op 44,15 kHz.
Gegevensverwerking: De druk-tijdreeks werd gemiddeld over vier respiratoire cycli, gladgestreken met een Savitzky–Golay-filter en een laagdoorlaatfilter, en gedifferentieerd om $p$ , $\dot{p}$ en $\ddot{p}$ te verkrijgen.
Modelreconstructie: De auteurs modelleerden het systeem als een tweede-orde differentiaalvergelijking: $\ddot{p} = F(p, \dot{p})$ . Onafhankelijke KAN-modellen werden getraind om het vectorveld $F$ te benaderen met behulp van $(p, \dot{p}, \ddot{p})$ monsters.
Decompositie: Om de drijvende kracht te isoleren, werd het geleerde vectorveld gedecomposeerd. Lineaire termen afhankelijk van $p$ en $\dot{p}$ werden beperkt om overeen te komen met de bekende passieve mechanische respons (elastische en viskeuze termen). De resterende niet-lineaire bijdragen werden gegroepeerd in een effectieve forceringsterm, $G(t)$ , die proportioneel is aan de tijd afgeleide van de musculaire drive $f(t)$ .

Belangrijkste Resultaten

Reconstructie van het Vectorveld: De KAN slaagde erin het fase-ruimte traject $(p, \dot{p})$ te reconstrueren, waarmee de geobserveerde oscillerende cycli van het respiratoire systeem werden gereproduceerd.
Ontdekking van Verborgen Structuur: Hoewel het ruwe druksignaal leek te volgen op een relaxatie-achtige oscillatie, onthulde het gereconstrueerde vectorveld een niet-triviale structuur in de onderliggende forcering. De geïnformeerde musculaire drive $f(t)$ vertoont een twee-fasen activatiepatroon binnen elke respiratoire cyclus.
Onafhankelijke Validatie: Deze twee-fasen structuur was niet zichtbaar uit het druksignaal alleen. De auteurs valideerden deze voorspelling via onafhankelijke elektromyografische (EMG) opnames van de expiratoire spieren. De EMG-gegevens bevestigden sterke activatie zowel aan het begin als nabij het einde van de expiratoire fase, wat overeenkomt met de temporele structuur die door het KAN-model is geïnformeerd.

Kernbijdragen

Interpreteerbare Dynamische Reconstructie: Het artikel demonstreert dat KANs kunnen dienen als een brug tussen flexibele machine learning en interpreteerbare dynamische beschrijvingen. Door niet-lineariteiten langs de randen te leren, levert de methode expliciete functionele vormen op die geïnspecteerd kunnen worden om fysieke mechanismen te onthullen.
Herstel van Latente Variabelen: De studie toont aan dat het mogelijk is om verborgen drijvende variabelen (musculaire forcering) af te leiden uit gedeeltelijke observaties (druk) zonder de functionele vorm van de vergelijkingen vooraf te specificeren.
Correctie van Fenomenologische Aannames: Het werk daagt de aanname uit dat de aviaire respiratoire druk wordt gedreven door eenvoudige fenomenologische waveforms, en onthult een complexere, twee-fasen neurale controlestructuur.

Betekenis en Claims
Het artikel claimt dat datagedreven reconstructie van dynamische wetten, wanneer gecombineerd met interpreteerbare representaties zoals KANs, verborgen fysieke structuren kan ontdekken en toegang kan bieden tot niet-geobserveerde drijvende variabelen in gedeeltelijk geobserveerde systemen. De auteurs benadrukken dat deze benadering een algemene route biedt voor het afleiden van latente krachten waar de effectieve drijvende termen voortkomen uit verborgen vrijheidsgraden. Door mechanisch inzicht te extraheren uit complexe biologische dynamica die verder gaat dan wat direct observeerbaar is, vestigt deze methode een pad voor het begrijpen van systemen waarbij de effectieve drijvende termen voortkomen uit verborgen vrijheidsgraden. De resultaten zijn bescheiden in omvang, specifiek gericht op het aviaire respiratoire systeem, maar de methodologie wordt gepresenteerd als een generaliseerbare strategie voor het afleiden van latente krachten in dynamische systemen.