Fundamental Dynamical Units for Physics-Informed Structural Inference from Perturbation Time-Series in Networked Systems

In networked dynamical systems, the parameter of primary mechanistic interest is signed interaction structure. Recovering this structure from perturbation time-series data is a fundamental identification problem, compounded by three coupled obstacles: the combinatorial complexity of interaction architectures, ambiguity of causal attribution under limited interventions, and state-dependent dynamics that confound structural inference. Each obstacle is structural in origin and calls for a structural solution. We address these challenges by adopting a reductionist approach, introducing Fundamental Dynamical Units (FDUs): signed three-node interaction patterns as composable primitives that convert the interaction hypothesis space into a finite, constructive, and tractable representation. We show that local interaction structure determines the perturbation conditions required to disentangle direct from relayed influence, making intervention design a structural consequence of the FDU representation. We embed FDU-regularized structural inference within a physics-informed neural ordinary differential equation (ODE) whose governing-equation constraint transforms structural hypotheses into verifiable dynamical predictions, enabling joint recovery of interaction structure and perturbation-resolved trajectories. Validated on synthetic benchmarks with known ground truth, the framework supports structural commitment, expressed through FDU primitives, motif-prescribed intervention design, and physics-informed learning, as a principled basis for mechanistically interpretable inference in networked dynamical systems.

한 줄 요약

FDU(Fundamental Dynamical Units)를 도입하여 네트워크 동역학 시스템의 구조를 물리 기반 신경 ODE와 결합한 인과 추론 프레임워크를 제안한다.

핵심 기여도

FDU: 3노드 부호화 상호작용 패턴을 기반으로 구조 가설 공간을 유한하고 해석 가능한 형태로 변환.
FDU-regularized 물리 기반 신경 ODE를 통해 구조 추론과 시간해상도 궤적을 동시에 복원.
구조에 기반한 interventional design을 통해 직접 영향과 중계 영향을 구분.
합성 데이터에서 구조 추론 성능 검증, FDU 기반의 모티프-기반 interventional 설계를 제시.

핵심 아이디어

기존 네트워크 구조 추론은 관측 데이터에서 인과 관계를 추론하는 데 한계가 있다. 특히, 다중 경로 혼동(multi-path confounding)은 구조 추론을 복잡하게 만든다. 이에, 연구자는 FDU(Fundamental Dynamical Units)라는 3노드 부호화 상호작용 패턴을 도입하여 구조 가설 공간을 유한하고 해석 가능한 형태로 재구성한다. FDU는 직접 경로와 중계 경로를 구분하는 최소 단위로, 구조적 복잡성을 줄이고 인과 추론의 해석성을 높인다. 이는 표면적 연결 관계(엣지)에서 부피적 구조(트라이어드)로의 전환을 의미하며, 이는 경로 구성과 일관성을 내재적으로 반영한다.

FDU 기반의 구조는 신경 ODE와 결합되어 물리 기반 제약 조건을 도입함으로써 구조 가설을 검증 가능한 동역학적 예측으로 변환한다. 이는 구조 추론과 궤적 복원을 동시에 가능하게 하며, interventional 설계를 구조적 결과로 전환한다. 즉, FDU는 구조적 정보를 기반으로 어떤 조건에서 어떤 interventional이 필요한지를 명시적으로 결정한다.

기술적 접근법

**FDU**: 3노드 부호화 상호작용 패턴으로, 트라이어드(triad) 단위에서 직접/중계 경로를 구분.
**FDU-regularized physics-informed neural ODE**: 구조 가설을 동역학적 예측으로 변환.
**governing-equation constraint**: 구조 가설을 물리 법칙 기반 제약 조건으로 적용.
**Motif-prescribed intervention design**: FDU 기반으로 interventional 조건을 설계.
**FDU attention mechanism**: 학습된 상호작용을 FDU primitive의 superposition으로 표현.
**Hypothesis space**: FDU dictionary는 3노드 패턴으로 구성되며, N노드 시스템에서 O(N³) 성장.

주요 결과

합성 데이터에서 FDU 기반 구조 추론 성능 검증.
FDU attention profile은 각 복원된 엣지의 구조적 기원을 명시적으로 설명.
FDU 기반 interventional 설계는 중계 영향을 제거하고 직접 경로를 분리.
구조적 모티프 기반의 interventional 패널은 인과 추론 오류를 줄임.
FDU 기반 모델은 기존 방법 대비 구조 해석성과 추론 정확도를 향상. (구체적 수치 미제공)

의의 및 한계

FDU는 네트워크 구조 추론 문제를 구조적 수준에서 접근하는 새로운 프레임워크를 제시한다. 기존 방법은 통계적 추정에 의존하거나, 구조적 해석성이 부족한 경향이 있었으나, FDU는 구조적 원리 자체를 모델에 내재화함으로써 인과 추론의 해석성을 높인다. 특히, FDU attention mechanism은 복원된 엣지가 어떤 구조적 primitive에서 유래하는지를 명시적으로 제공하며, 이는 기존 방법과 차별화된다.

그러나 본 연구는 합성 데이터에 기반한 검증에 머물며, 실제 데이터에서의 성능 검증은 필요하다. 또한, 측정 노이즈, 불규칙한 시간 측정, 모델 미규정 등에 대한 내성성 검증이 부족하다. 또한, Hill kinetics 파라미터는 ground-truth 값으로 고정되어, 구조 추론과 파라미터 추정의 동시 수행 가능성은 검증되지 않았다.

실용적 활용

FDU 기반 프레임워크는 생물학적 네트워크, 사회적 시스템, 경제적 상호작용 등 인과 구조를 추론해야 하는 다양한 네트워크 동역학 시스템에 적용 가능하다. 특히, 제어 가능한 interventional이 가능한 환경에서, FDU 기반의 구조-기반 interventional 설계는 인과 추론의 정확도를 높이는 데 유용할 수 있다.