토양 시스템에서 미생물 역학 및 유기물 전환을 예측하기 위한 제약 하이브리드 모델링
Constrained hybrid modelling to predict microbial dynamics and organic matter turnover in soil systems
한국어 초록
토양 미생물은 유기물 순환을 조절하며, 토양 시스템이 기후 변화와 환경적 위협에 어떻게 대처하고 완화할 수 있는지를 크게 결정합니다. 따라서 과정 기반(process-based) 토양 모델에서 미생물 역학을 표현하는 것은 토양 내 탄소 순환을 예측하는 데 필수적이지만, 데이터를 통해 이를 파악하는 것은 매우 어렵습니다. 매개변수화를 개선하기 위한 유망한 접근법 중 하나는 유전체 데이터를 통합하는 것이지만, 미생물이 주도하는 과정과 유전체 사이의 복잡하고 알려지지 않은 관계를 모델링하는 것은 미해결 문제입니다. 본 연구에서는 DNA 염기서열 데이터를 기반으로 한 메타게놈 유추 기능적 형질(metagenome-inferred functional traits)로부터 과정 기반 토양 유기물 전환 모델의 생물역학 매개변수 값을 도출하기 위한 최초의 하이브리드 모델링 프레임워크를 제시합니다. 우리의 모델은 신경망(neural network)을 사용하여 유전체 형질 데이터로부터 과정 기반 모델의 생물역학 매개변수를 예측하며, 관측되지 않은 상태 변수의 행동조차 현실적이도록 보장하기 위해 생태학 이론과 문헌의 제약 조건을 통합합니다. 우리는 다양한 복잡성을 가진 합성 유전체 형질 데이터셋과 실제 데이터를 통해 방법을 평가했으며, 우리의 접근법이 여러 베이스라인(baseline) 대비 성능을 향상시키고 작은 학습(training) 데이터셋에서도 과정 기반 모델의 측정 불가능한 구성 요소의 역학을 효과적으로 학습함을 보여줍니다.
원문 초록
Soil microorganisms control organic matter cycling and largely determine how soil systems can cope with and mitigate climate change and environmental threats. Representing microbial dynamics in process-based soil models is therefore critical to predict carbon cycling in soils, albeit highly challenging to inform from data. One promising approach to improve their parametrisation is the integration of genomic data, yet modelling the complex and unknown relationship between genomes and the processes the microbes are driving is an unsolved problem. In this work, we present the first hybrid modeling framework for deriving biokinetic parameter values of a process-based soil organic matter turnover model from metagenome-inferred functional traits based on DNA sequencing data. Our model predicts biokinetic parameters of the process-based model from genomic trait data with a neural network and integrates constraints from ecological theory and literature to ensure realistic behavior, even of non-observed state variables. We evaluate our method on synthetic genomic trait datasets of varying complexity and on real data, showing that our approach improves performance over multiple baselines and learns the dynamics of unmeasurable components of the process-based model effectively, even for small training datasets.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.20329v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
OrthoReg: 하이브리드 기호-신경 동적 시스템을 위한 직교 정규화
OrthoReg: Orthogonal Regularization for Hybrid Symbolic-Neural Dynamical Systems
동적 시스템은 자연계를 모델링하는 데 필수적이지만, 모델링 과정에는 지속적인 트레이드오프가 존재합니다. 수동으로 지정된 기계론적 모델은 설계상 해석 가능하지만, 종종 지나치게 단순하고 오지정된(misspecified) 경향이 있습니다. 반면, 유연한 데이터 기반 신경망 방법은 물리적 통찰력이 부족합니다. 하이브리드 모델링은 지정되거나 기호적이며 물리 기반의 구성 요소와 유연한 신경망을 결합하여 두 가지 장점을 모두 취하는 것을 목표로 합니다. 그러나 중요한 과제는 신경망 구성 요소가 기계론적 부분을 다시 학습하여, 특히 기호 구조 자체가 데이터로부터 발견될 때 중복되고 해석 불가능한 모델을 생성할 수 있다는 점입니다. 표준 $L^2$ 정규화를 기반으로 하는 기존 방법들은 투영(projection) 논리에 의존하는데, 이는 희소 발견(sparse discovery)을 통해 기호 구성 요소가 학습될 때 깨지게 되어 신경망 증강이 기호 구조와 중복되는 것을 허용합니다. 우리는 기호 및 신경망 구성 요소 간의 중복에 직접 페널티를 부여하여 기호 구조가 신경망 잔차(residual)에 흡수되는 것을 방지하는 \textbf{OrthoReg}(직교 정규화)를 소개합니다. 이를 통해 상보적 분해가 이루어집니다. 기호 부분은 라이브러리가 표현할 수 있는 것을 포착하고, 신경망 부분은 나머지를 포착합니다. 부분적인 라이브러리 불일치가 있는 벤치마크 동적 시스템에서 OrthoReg는 기호 복원과 분포 외(out-of-distribution) 동작을 개선합니다.
하이브리드 구조의 에이전트 기반 발견을 통한 심장 전기생리학 디지털 트윈 학습
Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure
개인화된 심장 전기생리학(EP) 디지털 트윈을 구축하려면 단순히 매개변수를 적합(fitting)시키는 것보다 각 환자에게 적합한 모델 구조를 식별하는 것이 필요합니다. 기존 방법은 전문가가 수동으로 하이브리드 물리-신경망 아키텍처를 규정하는 데 의존하므로 깊은 도메인 전문 지식이 필요하며 환자 간에 전이되지 않습니다. 최근 연구에서는 대규모 언어 모델(LLM)을 적용하여 하이브리드 모델을 생성하거나 하이브리드 모델로 작동하게 했습니다. 그러나 유망한 일반화 능력에도 불구하고, 이러한 LLM 기반 방법들은 안정적인 심장 시뮬레이션에 필요한 구조적 사전 지식(structural priors)이 부족합니다. 따라서 우리는 심장 EP 도메인 지식을 구조화된 행동 공간으로 공식화하고 LLM 에이전트를 활용하여 하이브리드 모델을 발견하는 LEADS 프레임워크를 제안합니다. 에이전트는 반복적인 추론 및 행동 루프를 통해 하이브리드 모델을 선택, 결합 및 정제(refine)하고, 경사하강법은 매개변수 적합을 처리합니다. 제안된 LEADS는 개방형 아키텍처 발견을 허용하면서 모든 후보 모델이 물리적 근거(physically grounded)를 가지며 해석 가능하고 수치적으로 안정적이 되도록 설계합니다. 우리는 세 가지 실제 반응 모델(ground-truth reaction models)이 있는 합성 데이터와 실제 심장 EP 데이터에서 LEADS를 검증하여, 인간이 설계한 하이브리드 모델과 다른 LLM 기반 하이브리드 모델링보다 우수한 성능을 보임을 입증했습니다.
에너지 기반 모델을 위한 대조 학습, 중요도 샘플링, 브리지 샘플링의 통합적 관점
A unifying view of contrastive learning, importance sampling, and bridge sampling for energy-based models
RANSAC 채점의 올바른 접근
RANSAC Scoring Done Right
보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가?
When are bosonic Gaussian states classical to learn?
물리학의 근본적인 질문 중 하나는 양자계에서 고전적 거동이 언제 나타나는가이다. 보손 가우시안 상태(bosonic Gaussian state)는 빛의 고전적 장(field) 거동과 본질적인 양자적 성질을 모두 포착하므로, 이러한 양자-고전 경계를 탐구하기에 자연스러운 환경을 제공한다. 본 연구에서는 학습 이론의 관점에서 이 문제를 다루며 다음과 같이 묻는다. 보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가? 즉, n-모드 보손 가우시안 상태를 고전적인 2n변량 가우시안 분포를 학습할 때 필요한 만큼 적은 샘플과 그만큼 단순한 연산으로 학습할 수 있는 조건은 (있다면) 무엇인가? 우리는 상태의 열적 요동(thermal fluctuation)에 의해 결정되는 학습 가능성의 매끄러운 크로스오버를 규명한다. - 차가운 가우시안 상태는 학습 측면에서 비고전적이다. 공분산 행렬이 $\Sigma\le(\frac12+O(\frac1n))I$를 만족하여 진공 공분산에 가까운 경우, 단일 복사본(single-copy, 즉 얽힘이 없는) 측정 하의 토모그래피(tomography)는 근본적으로 $\Omega(n^3)$개의 복사본을 필요로 하며, 이는 고전적 가우시안 분포를 학습하는 샘플 복잡도 $\Theta(n^2)$를 엄밀하게 초과한다. 우리는 소수 복사본에 대한 얽힘 측정이 허용되더라도 이러한 어려움이 지속됨을 보인다. - 따뜻한 가우시안 상태는 학습 측면에서 고전적이다. 열적 요동이 진공 잡음을 초과하여 임의의 매개변수 $\nu>0$에 대해 $\Sigma\ge(\frac12+\nu)I$로 나타내지는 경우, 단일 복사본 토모그래피에는 $N=\Theta\left(n^2\min(n,1+\nu^{-1})\right)$개의 복사본이 필요함을 증명한다. 이 한계는 타이트(tight)하며, 단순하고 비적응적(non-adaptive)이며 얽힘이 없는 헤테로다인(heterodyne) 측정으로 달성된다. 특히 $\nu=\Omega(1)$인 경우 샘플 복잡도는 $\Theta(n^2)$로 줄어들어 고전적인 경우와 일치한다. 우리의 결과는 보손 가우시안 상태의 학습 가능성에서 나타나는 양자-고전 크로스오버를 엄밀하게 규명하고, 근본 물리학과 통계적 학습 이론 사이의 새로운 연결고리를 드러내며, 실제 센싱 실험에도 시사점을 가진다.
간섭과 잠재 교란 하에서 순차 설정에 대한 인과 추론
Causal Inference for Sequential Settings under Interference and Latent Confounding
본 연구는 순차적·관측적 설정에서 결과 간섭(outcome interference) 하의 인과 추론을 다룬다. 구체적으로, N개 단위에 대한 이진 결과가 T개 시간 단계에 걸쳐 Markovian인 설정을 고려한다. 각 시간 단계에서 N개 단위의 결과는 Ising 모델을 통해 포착되는 의존성을 갖으며, 각 결과는 또한 해당 처치(treatment)의 효과와 잠재 교란 요인(latent confounders)의 영향을 반영하는 외부장(external field)의 영향을 받는다. 패널 데이터(panel data) 문헌과 유사하게, 이러한 잠재 교란 요인은 저계수(low-rank) 요인 구조를 갖도록 모델링된다. 우리의 데이터는 이러한 고차원 분포로부터의 단일 샘플이다. 관심 있는 인과량을 추정하기 위해, 모델 매개변수를 학습하기 위한 최대 유사-가능도 추정(Maximum Pseudo-Likelihood Estimation, MPLE)에 기반한 계산 효율적인 방법을 제시한다. 완화된 가정 하에서, 매개변수 추정에 대한 비점근(non-asymptotic) 일관성을 확립하고, 이것이 학습된 모델로부터 샘플링한 후 관심 있는 인과량의 충실한 추정으로 이어짐을 보인다. 합성 실험과 함께, 미국 전역 카운티(county) 내 백신 접종률이 COVID-19 사망률에 미치는 인과 효과를 조사하는 실세계 사례 연구를 통해 방법의 효과를 입증한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.