NeuronCtrl: Geometry-Aware Safe Closed-Loop Generative Control for Neuronal Microenvironment Dynamics

Motivation

• Known: 폐루프 neuromodulation은 측정된 신경 반응에 적응적으로 자극을 조절함으로써 부작용을 줄이고 병리적 활동을 억제할 수 있음이 알려져 있으며, 고전적 PDE 제어 이론은 규칙적인(domain) 격자 위의 알려진 방정식에 대해 잘 발달되어 있다.
• Gap: 신경 미세환경(neuronal microenvironment)은 불규칙한 3D 형상 위에서 복잡하고 종종 알려지지 않은 생물물리를 가지며, 고정밀 시뮬레이터는 실시간 반복 계획에 너무 느리고, 관측은 희소하면서도 전체 field 수준의 안전 제약(hard safety constraint)을 만족해야 한다는 네 가지 요구사항이 동시에 충족되지 않는 gap이 존재한다.
• Why: 이 문제는 deep brain stimulation, 세포외 reaction-diffusion 조절, astrocytic potassium 조절 등 실제 신경조절 치료의 안전성과 실시간성을 동시에 만족시키는 제어기를 설계하는 데 핵심적이며, 불규칙 형상 위의 고차원 field를 다루는 안전한 생성적 제어라는 새로운 문제 설정을 제시한다는 점에서 중요하다.
• Approach: 희소 측정치로부터 history-conditioned observer가 잠재 field를 추정하고, morphology-aware neural operator가 한 스텝 dynamics를 예측하며, flow-matching 조건부 흐름 정책이 사용자 선호(preference)에 따라 행동을 제안하고, action 및 field 수준의 상보적 barrier 기반 안전 메커니즘으로 최소 개입 방식의 안전을 보장한다.

Achievement

Figure 3. Robustness to dynamics mismatch across DBS3D, ECS3D, and KDyn3D. The mismatch scale ϵ multiplies the predicted

1. NeuronCtrl 프레임워크 제안: 희소 관측으로부터 동작하며 명시적 선호 trade-off를 지원하고 온라인 루프에서 안전 제약을 가시적으로 유지하는, 불규칙 형상 위 고차원 field를 위한 모듈형 제어기를 정식화하였다.
2. Morphology-aware surrogate dynamics 개발: typed morphology graph 위 heterogeneous message passing을 이용한 미분가능한 one-step 시뮬레이터를 구축하여, cable/spatial/coupling 구조를 typed edge로 인코딩하고 geometry-aware 제어 조건화를 통해 인스턴스 간 자극 의미론을 보존하였다.
3. Observer 및 이중 안전 계층 설계: 최근 측정치와 행동으로부터 전체 field를 재구성하는 history-conditioned observer와, 생성 중 action-space projection 및 학습된 field-level 안전 필터를 결합해 학습된 dynamics 하에서 안전하지 않은 제안을 최소한으로 교정한다.
4. 3D neuromodulation 벤치마크 구축 및 분석: DBS3D, ECS3D, KDyn3D의 세 가지 고정밀 3D 벤치마크를 제시하고 성능, 안전성, 지연시간(latency), 강건성, super-resolution, 컴포넌트 ablation, simulator-in-the-loop 전이(transfer)를 평가하였다.
5. 지연시간 최적화를 위한 distillation: 다단계 생성기를 단일 스텝 정책으로 distillation하면서도 동일한 안전 필터를 유지하여 지연시간이 중요한 상황에서도 비용-안전-지연 간 개선된 trade-off를 달성하였다.

How

Figure 2. Overview of NEURONCTRL. (I) Observer Oϕ reconstructs the full latent field ˆut from sparse measurements and re

• 문제를 제약 있는 확률적 폐루프 제어(constrained stochastic control) 문제로 정식화: latent field ut, morphology graph G, 저차원 자극 입력 wt, 희소 측정 yt, 선호 가중치 p에 대한 다목적 비용 J(·;p)와 hard field/action 제약 C(G), Cact를 정의.
• 각 episode를 typed heterogeneous graph G=(V,E)로 표현하고, 상대 기하 정보 eij=[xi-xj, ||xi-xj||2]를 이용한 permutation-equivariant message passing으로 불규칙 discretization을 처리.
• history window ht=(yt-L+1:t, wt-L+1:t-1)를 정보 상태(information state)로 사용해 부분관측 하에서 history-conditioned observer가 전체 field를 재구성.
• morphology-aware neural operator가 (ut, wt, G)로부터 one-step dynamics를 예측하는 미분가능 surrogate 역할을 수행.
• flow-matching 기반 조건부 흐름 정책이 (ht, p, G)를 조건으로 행동 wt를 제안.
• 안전은 action-space projection(Cact)과 학습된 barrier 기반 field-level 안전 필터(C(G))의 상보적 이중 계층으로 최소 개입 원칙 하에 강제되며, 이는 학습된 surrogate와 barrier에 대해 상대적인 "model-relative safety"로 정의됨.
• 지연시간 요구가 큰 경우, Consistency Distillation을 통해 multi-step generator를 single-step policy로 distillation하되 동일 안전 필터를 유지.

Originality

• 규칙적 격자 위 알려진 PDE를 가정하는 기존 PDE 제어와 달리, 불규칙 3D morphology 위의 미지의 생물물리 dynamics에 대해 operator-level 학습 기반 폐루프 제어를 최초로 체계화함.
• observer, neural operator, flow-matching 정책, barrier 기반 안전 필터를 하나의 모듈형 파이프라인으로 통합하고, "model-relative safety" 개념을 통해 학습된 surrogate/barrier 하에서의 안전 보장을 명시적으로 정의함.
• typed morphology graph 위 heterogeneous message passing과 상대 기하 기반 edge attribute를 이용해 cable/spatial/coupling 구조를 동시에 인코딩하는 새로운 graph representation을 제안함.
• consistency distillation을 활용해 안전 필터를 유지하면서 multi-step generative policy를 single-step으로 압축하는 latency-safety trade-off 해법을 제시함.

Limitation & Further Study

• 안전 보장이 실제 생물물리 plant가 아닌 학습된 surrogate와 학습된 barrier에 대해 상대적(model-relative)으로만 성립하므로, surrogate의 모델링 오류가 실제 plant에서의 안전 위반으로 이어질 위험이 존재하며 이에 대한 이론적 보장은 제한적임.
• offline 학습 시 전체 latent field ut에 대한 접근을 가정하는데, 이는 실제 임상/실험 환경에서 항상 확보되기 어려운 강한 가정일 수 있음.
• 세 가지 시뮬레이션 벤치마크(DBS3D, ECS3D, KDyn3D)에 대한 검증에 그치고 있어 실제 생체 실험이나 임상 데이터에 대한 검증이 부재함.
• 후속 연구로 surrogate 불확실성을 정량화하여 안전 필터에 반영하거나, 실제 생물학적 시스템으로의 sim-to-real 전이 가능성을 검증하는 방향이 필요함.

Evaluation

총평: 불규칙 3D 신경 형상 위 고차원 field의 안전한 폐루프 생성적 제어라는 도전적이고 실용적으로 중요한 문제를 잘 정식화하고, observer-operator-policy-safety filter로 구성된 모듈형 해법과 세 가지 고정밀 벤치마크를 통해 그 효과를 체계적으로 입증한 견실한 연구이다.