[論文レビュー] A Closed-loop Framework to Discriminate Models Using Optimal Control

Laurent Pagnier, Melvyn Tyloo+3 more|arXiv (Cornell University)|Feb 28, 2026

Neural dynamics and brain function被引用数 0

ひとこと要約

論文は、候補となる機構モデル間の識別を最大化する入力を設計する最適制御を用いた閉ループ手法を提示し、パラメータを反復的に適合させて最良の予測モデルが選択されるまで再評価する。シミュレーションおよび電気生理学的実験におけるオプシン光刺激電流モデルで実証。

ABSTRACT

Predicting the response of an observed system to a known input is a fruitful first step to accurately control the system's dynamics. Despite the recent advances in fully data-driven algorithms, the most interpretable way to reach this goal is through mechanistic mathematical modeling. Here, we leverage optimal control and propose a closed-loop iterative method to choose among a set of candidate models the one that most accurately predict an observed system. We assume that one has control over an input of the observed system and access to measurements of its response. Our approach is to identify the input control that maximally discriminates the response of the candidate models, allowing us to determine which model is best by comparing such responses with the observed data. We demonstrate our proposed framework in numerical simulations before applying it during an electrophysiology experiment, successfully discriminating between different models for photocurrents produced via opsin dynamics.

研究の動機と目的

• 限られた観測量しか得られない場合に、競合する機構モデルの選択の難題を動機づける。
• 候補モデルを最大限区別する入力を設計する閉ループ手法を提案する。
• パラメータ適合と最適制御主導の入力設計を組み合わせた反復的手順を開発する。
• 数値シミュレーションおよび実験室実験を通じて、オプシンチャネルモデルの識別を示す。

提案手法

• 共通入力 u(t) と観測出力 Y を持つ2つの候補モデルを定式化する。
• 勾配ベースの最適化を用いて損失 L(Θk;k)=∫0T D(Z(t),Y(Xk(t);Θk)) dt を最小化することでモデルパラメータ Θk を適合させる。
• 識別目的 J(u)=∫0T [D(Y1(X1(u)), Y2(X2(u))) − C(u)] dt を定義し、制約付き離散化最適化を解いて識別的入力 u*(t) を得る。
• 前進オイラー法と瑜伽的積分を用いて動力学を離散化し、Ipoptソルバーでモデル動力学と境界条件を課す。
• 最適識別入力を反復的に適用し、新しいデータ Z(t;u(i)) を収集してパラメータを再適合させ、停止基準が満たされるまで繰り返す。
• 反復間の多様性を促進するために固定メモリ項を用いる。

Figure 1: Schematic illustration of the closed-loop algorithm for model discrimination. For the first iteration, the initial control input $u(t)$ is arbitrarily chosen and produces the initial measurement dataset from the reference system. One then performs the parameter fitting of both candidate mo

実験結果

リサーチクエスチョン

• RQ1 最適に設計された入力は、競合モデル間の差異を最大化して識別性を高めることができるか。
• RQ2 反復的なパラメータ適合と閉ループ入力設計を組み合わせると、最も予測力の高いモデルを特定できるか。
• RQ3 ノイズなしおよびノイズありの条件下で、3状態・4状態・6状態のオプシンチャネルモデルの識別がどれほど可能か。
• RQ4 パッチクランプ測定とオプトジェネティック刺激を用いた実験でのアプローチの実現性はどうか。
• RQ5 モデルが識別不能な場合でも勝者を宣言する停止基準は信頼できるか、オッカムの剃刀を適用すべきか。

主な発見

• 閉ループ手法は、システムをモデル出力が分岐する領域へ駆動することで候補モデル間の識別を数値シミュレーションで実現する。
• データがノイズを含んでも、最も予測力の高いモデルを選択する能力があり、パラメータ更新は過適合を避けるのに役立つ。
• 実験室実験では、閉ループLED駆動刺激を用いて6状態対4状態および3状態対4状態のオプシンモデルを識別することに成功した。
• 最適制御入力は直接遷移と仲介遷移といった明確な動的経路を明らかにし、モデル機構を区別し予測精度を向上させる。
• 基礎となる真のモデルが候補に含まれていない場合でも、予測性能の最も高いモデルを選択でき、識別が不確定な場合にはオッカムの剃刀を適用できる。

Figure 2: Schematic diagram of induction and measurement of photocurrents under voltage clamp. The left portion of the figure illustrates the experimental setting including hardware and biological components, the middle portion illustrates the flow of information between the hardware and software du