Physik-informierte neuronale Netzwerke zur Ableitung, wie gekoppelte Oszillatoren interagieren: von embryonalen Uhren bis zu rotierenden Nanostäben Gekoppelte Oszillatoren sind überall in der Natur zu finden – die Segmentierungsuhr, die die Wirbelbildung in Embryonen koordiniert, zirkadiane Rhythmen im suprachiasmatischen Kern, Stromnetze, rotierende Nanopartikel unter polarisiertem Licht. Alle werden durch eine Kopplungsfunktion gesteuert, die bestimmt, ob Oszillatoren anziehen, abstoßen oder asymmetrisch synchronisieren. Die Identifizierung dieser Funktion aus Daten ist der Schlüssel zum Verständnis des Interaktionsmechanismus, aber es ist ein schwieriges inverses Problem. Standardansätze repräsentieren die Kopplungsfunktion als Summe trigonometrischer Polynome, die an beobachtete Phasen-Zeitserien angepasst sind – aber es gibt keine prinzipielle Regel, wie viele Terme einbezogen werden sollen. Hwang, Jo und Kim zeigen, dass dies keine Frage der Konvention ist: Es gibt keine einzelne optimale Anzahl. Wenige Basisfunktionen erfassen die asymmetrische Struktur nicht; viele überanpassen an spärliche oder rauschbehaftete Daten. Um die Auswahl der Basisfunktionen vollständig zu umgehen, führen sie IC-PINN (Inference of Coupling via Physics-Informed Neural Networks) ein. Zwei separate Netzwerke lernen jeweils die Phasentrajektorien und die Kopplungsfunktion als Funktion der Phasendifferenz, wobei die Periodizität durch die Abbildung der Eingaben über (sin θ, cos θ) durchgesetzt wird. Das gemeinsame Training minimiert einen kombinierten Verlust – Datenübereinstimmung plus eine physikalische Einschränkung, die Konsistenz mit den zugrunde liegenden Differentialgleichungen durchsetzt. Diese Einschränkung wirkt als natürlicher Regularisierer, der IC-PINN robust gegenüber Rauschen und Spärlichkeit macht, ohne manuelle Feinabstimmung. IC-PINN rekonstruiert Kopplungsfunktionen über bidirektionale, Winner-Take-All- und Loser-Take-All-Synchronisationsregime, erweitert sich auf M gekoppelte Oszillatoren und leitet die Netzwerkstruktur mit einem AUC von 1,0 auf spärlichen und modularen Topologien ab. Angewendet auf HES-Gen-Oszillationsdaten von Mausembryo-Schwanzknospenzellen bestätigt es die Winner-Take-All-Synchronisation und sagt voraus, dass sich die Phasendifferenz in etwa 100 Minuten halbiert. Angewendet auf goldene Nanostäbe, die unter zirkular polarisiertem Licht rotieren, rekonstruiert es die Kopplungsfunktion allein aus Phasendifferenzdaten – ein Regime, in dem konventionelle Methoden vollständig versagen. Der tiefere Punkt ist architektonisch: IC-PINN trennt Phasendynamik von Interaktionsdynamik in verschiedene Netzwerke, die nur durch physikalische Einschränkungen gekoppelt sind. Dies macht die Kopplungsfunktion selbst aus partiellen, rauschbehafteten Beobachtungen identifizierbar und öffnet die Tür zur Entdeckung nichtlinearer Interaktionsprinzipien, ohne sie a priori aufzuerlegen. Papier: