Fysikinformerade neurala nätverk för att härleda hur kopplade oscillatorer interagerar: från embryonala klockor till snurrande nanostavar Kopplade oscillatorer finns överallt i naturen – segmenteringsklockan koordinerar ryggkotsbildning i embryon, cirkadiska rytmer i den suprachiasmatiska kärnan, elnät, roterande nanopartiklar under polariserat ljus. Alla styrs av en kopplingsfunktion som avgör om oscillatorer attraherar, stöter bort eller synkroniserar asymmetriskt. Att identifiera den funktionen från data är nyckeln till att förstå interaktionsmekanismen, men det är ett svårt inversert problem. Standardmetoder representerar kopplingsfunktionen som en summa av trigonometriska polynom anpassade till observerade fastidsserier – men det finns ingen principiell regel för hur många termer som ska inkluderas. Hwang, Jo och Kim visar att detta inte är en konventionsfråga: det finns inget enda optimalt tal. Få basfunktioner saknar asymmetrisk struktur; Många överpassar på gles eller brusig data. För att helt kringgå basval introducerar de IC-PINN (Inference of Coupling via Physics-Informed Neural Networks). Två separata nätverk lär sig respektive fasbanorna och kopplingsfunktionen som en funktion av fasskillnad, med periodicitet upprätthållen genom att kartlägga indata genom (sin θ, cos θ). Gemensam träning minimerar en kombinerad förlust—datatrohet plus en fysikbegränsning som säkerställer konsekvens med de styrande differentialekvationerna. Denna begränsning fungerar som en naturlig regularisering, vilket gör IC-PINN robust mot brus och gleshet utan manuell justering. IC-PINN återskapar kopplingsfunktioner över tvåvägs-, Winner-Take-All- och Loser-Take-All-synkroniseringsregimer, utvidgar till M-kopplade oscillatorer och härleder nätverksstruktur med AUC på 1.0 på gles och modulära topologier. Applicerad på HES-genoscillationsdata från musembryons svansknoppsceller bekräftar den Winner-Take-All-synkronisering och förutspår att fasskillnaden halveras på cirka 100 minuter. Applicerad på guldnanostavar som roterar under cirkulärt polariserat ljus, återskapar den kopplingsfunktionen enbart från fasdifferensdata – ett område där konventionella metoder helt misslyckas. Den djupare punkten är arkitektonisk: IC-PINN separerar fasdynamik från interaktionsdynamik i distinkta nätverk, kopplade endast genom fysiska begränsningar. Detta gör kopplingsfunktionen identifierbar även från partiella, brusiga observationer och öppnar dörren för att upptäcka icke-linjära interaktionsprinciper utan att påtvinga dem i förväg. Papper: