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

Resumo Técnico: Inferência de Forçante Oculta em um Oscilador Biológico usando Redes de Kolmogorov–Arnold

Declaração do Problema
Inferir as forças que impulsionam um sistema dinâmico a partir de observações parciais permanece um desafio fundamental na física e na biologia. Em muitos sistemas, como a respiração aviária, apenas um conjunto limitado de variáveis (por exemplo, a pressão dos sacos aéreos) é experimentalmente acessível, enquanto os termos de condução efetivos derivam de graus de liberdade ocultos (ativação muscular). Uma dificuldade crítica é que mecanismos qualitativamente diferentes podem produzir observáveis com estruturas temporais semelhantes. Por exemplo, o sinal de pressão em aves sugere uma oscilação simples de tipo relaxação, o que pode mascarar uma força de condução mais complexa. As abordagens tradicionais enfrentam limitações: o ajuste paramétrico exige pressupostos fortes sobre formas funcionais, enquanto o aprendizado de máquina padrão (por exemplo, redes neurais profundas) atua como uma "caixa preta", codificando a dinâmica em parâmetros opacos que carecem de interpretabilidade física. Métodos como o SINDy oferecem interpretabilidade, mas exigem uma biblioteca pré-especificada de funções candidatas, o que pode enviesar a reconstrução se a estrutura real for desconhecida.

Metodologia
Os autores propõem um arcabouço baseado em dados utilizando Redes de Kolmogorov–Arnold (KANs) para reconstruir as equações governantes do sistema respiratório aviário diretamente a partir de medições experimentais de pressão.

1. Arcabouço Teórico: O estudo utiliza o teorema da representação de Kolmogorov–Arnold, que estabelece que qualquer função multivariada contínua pode ser expressa como uma superposição de composições de funções unidimensionais. Ao contrário dos Perceptrons Multicamadas (MLPs) padrão, onde as não linearidades são fixas nos nós, as KANs associam funções univariadas treináveis às arestas da rede. Essa arquitetura permite que as dependências funcionais aprendidas sejam inspecionadas e simplificadas em expressões simbólicas após o treinamento.
2. Sistema Experimental: Os dados foram coletados de canários (Serinus canaria) em respiração natural. A pressão dos sacos aéreos ($p$) foi medida via uma cânula flexível conectada a um transdutor de pressão transportado em uma mochila. O sinal foi amostrado a 44,15 kHz.
3. Processamento de Dados: A série temporal de pressão foi calculada pela média de quatro ciclos respiratórios, suavizada usando um filtro Savitzky–Golay e um filtro passa-baixa, e diferenciada para obter $p$, $\dot{p}$ e $\ddot{p}$.
4. Reconstrução do Modelo: Os autores modelaram o sistema como uma equação diferencial de segunda ordem: $\ddot{p} = F(p, \dot{p})$. Modelos KAN independentes foram treinados para aproximar o campo vetorial $F$ usando amostras de $(p, \dot{p}, \ddot{p})$.
5. Decomposição: Para isolar a força de condução, o campo vetorial aprendido foi decomposto. Termos lineares dependentes de $p$ e $\dot{p}$ foram restringidos para corresponder à resposta mecânica passiva conhecida (termos elásticos e viscosos). As contribuições não lineares restantes foram agrupadas em um termo de forçante efetivo, $G(t)$, que é proporcional à derivada temporal da condução muscular $f(t)$.

Principais Resultados

1. Reconstrução do Campo Vetorial: A KAN reconstruiu com sucesso a trajetória no espaço de fase $(p, \dot{p})$, reproduzindo os ciclos oscilatórios observados do sistema respiratório.
2. Descoberta de Estrutura Oculta: Embora o sinal de pressão bruto parecesse seguir uma oscilação do tipo relaxação, o campo vetorial reconstruído revelou uma estrutura não trivial na forçante subjacente. A condução muscular $f(t)$ inferida exibe um padrão de ativação de duas fases dentro de cada ciclo respiratório.
3. Validação Independente: Essa estrutura de duas fases não era aparente apenas pelo sinal de pressão. Os autores validaram essa previsão através de registros eletromiográficos (EMG) independentes dos músculos expiratórios. Os dados de EMG confirmaram uma forte ativação tanto no início quanto próximo ao final da fase expiratória, correspondendo à estrutura temporal inferida pelo modelo KAN.

Principais Contribuições

• Reconstrução Dinâmica Interpretável: O artigo demonstra que as KANs podem servir como uma ponte entre o aprendizado de máquina flexível e descrições dinâmicas interpretáveis. Ao aprender as não linearidades ao longo das arestas, o método fornece formas funcionais explícitas que podem ser inspecionadas para revelar mecanismos físicos.
• Recuperação de Variáveis Latentes: O estudo mostra que é possível inferir variáveis de condução ocultas (forçante muscular) a partir de observações parciais (pressão) sem pré-especificar a forma funcional das equações.
• Correção de Pressupostos Fenomenológicos: O trabalho desafia a suposição de que a pressão respiratória aviária é impulsionada por formas de onda fenomenológicas simples, revelando uma estrutura de controle neural de duas fases mais complexa.

Significância e Alegações
O artigo afirma que a reconstrução baseada em dados de leis dinâmicas, quando combinada com representações interpretáveis como KANs, pode descobrir estruturas físicas ocultas e fornecer acesso a variáveis de condução não observadas em sistemas parcialmente observados. Os autores enfatizam que esta abordagem oferece uma rota geral para inferir forças latentes onde mecanismos distintos poderiam, de outra forma, produzir observáveis indistinguíveis. Ao extrair insights mecanísticos de dinâmicas biológicas complexas além do que é diretamente observável, este método estabelece um caminho para a compreensão de sistemas onde os termos de condução efetivos derivam de graus de liberdade ocultos. Os resultados são modestos em escopo, focando especificamente no sistema respiratório aviário, mas a metodologia é apresentada como uma estratégia generalizável para inferir forças latentes em sistemas dinâmicos.