[논문 리뷰] A Closed-loop Framework to Discriminate Models Using Optimal Control

Laurent Pagnier, Melvyn Tyloo외 3명|arXiv (Cornell University)|2026. 02. 28.

Neural dynamics and brain function인용 수 0

한 줄 요약

논문은 후보 해석 모델 간의 차이를 최대화하도록 입력을 설계하는 폐루프 방법을 제시하며, 매개변수를 반복적으로 추정하고 최적 예측 모델이 선택될 때까지 재평가한다; 시뮬레이션과 전기생리학 실험에서 옵신 광전류 모델로 시연.

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.

연구 동기 및 목표

• 데이터가 특정 관측 가능 변수로만 제한될 때 경쟁 기작 모델 간 선택의 어려움을 동기부여한다.
• 후보 모델을 최대한 구분하도록 입력을 설계하는 폐루프 방법을 제안한다.
• 매개변수 적합과 최적 제어 기반 입력 설계를 결합한 반복 절차를 개발한다.
• 수치 시뮬레이션 및 실험실 실험을 통해 옵신 채널 모델에서 모델 구분을 시연한다.

제안 방법

• 공통 입력 u(t)와 관찰 가능한 출력 Y를 갖는 두 후보 모델을 형식화한다.
• 그래디언트 기반 최적화를 이용해 손실 L(Θk;k)=∫0T D(Z(t),Y(Xk(t);Θk)) dt를 최소화하여 모델 매개변수 Θk를 적합한다.
• 구분 목표 J(u)=∫0T [D(Y1(X1(u)), Y2(X2(u))) − C(u)] dt 를 정의하고 구분 입력 u*(t)를 얻기 위한 제약이 있는 이산화 최적화를 해결한다.
• 앞진 오일러법과 트라페조이드 적분으로 동역학을 이산화하고, Ipopt 해석기에서 모델 동역학과 경계를 강제한다.
• 최적의 구분 입력을 반복적으로 적용하고 새로운 데이터 Z(t;u(i))를 수집하여 매개변수를 재적합하고 stopping criterion이 만족될 때까지 반복한다.
• 두 반복 간 제어 신호의 다양성을 촉진하기 위해 고정 메모리 항을 사용한다.

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

실험 결과

연구 질문

• RQ1 최적 설계된 입력이 경쟁 모델 간의 불일치를 극대화하여 구분성을 향상시킬 수 있는가?
• RQ2 반복적 매개변수 적합과 폐루프 입력 설계가 가장 예측력이 높은 모델을 식별하는 데 수렴하는가?
• RQ3 무노이즈 및 노이즈 조건에서 3상, 4상, 6상 옵신 채널 모델 간의 구분이 얼마나 잘 수행되는가?
• RQ4 패치클램프 측정 및 광유전 자극을 통한 실제 실험실 실험에서 이 방법이 실행 가능한가?
• RQ5 모델들이 구분 불가능한 경우에도 승자 선언 또는 Occam의 면죄를 신뢰할 수 있는 중지 기준은 무엇인가?

주요 결과

• 폐루프 방법은 시스템의 출력이 서로 다르게 발현하는 영역으로 시스템을 유도하여 후보 모델 간의 차이를 구분한다.
• 데이터에 노이즈가 있을 때도 가장 예측력이 높은 모델을 선택할 수 있으며, 매개변수 업데이트가 과적합을 피하는 데 도움이 된다.
• 실험실 실험에서 이 방법은 6상 대 4상 및 3상 대 4상 옵신 모델 간의 구분을 폐루프 LED 구동 자극을 사용해 성공적으로 수행한다.
• 최적 제어 입력은 모델 기전(직접 전이 대 매개체 전이) 등을 구분하는 뚜렷한 동역학 경로를 밝혀내고 예측 정확도를 향상시킨다.
• 참고 원샹 모델이 후보에 없더라도 프레임워크는 최고의 예측 성능을 보이는 모델을 선택할 수 있으며, 구분이 불확실한 경우 Occam의 Razor를 사용할 수 있다.

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