Eine neue Methode namens PEM-UDE kann die verborgenen mathematischen Regeln hinter chaotischen Systemen aufdecken – einschließlich Netzwerken von Gehirnzellen – selbst wenn experimentelle Daten extrem verrauscht sind.
Die Forschung
Ein Team unter der Leitung von Anthony G. Chesebro und Helmut H. Strey an der Stony Brook University, mit Mitarbeitern wie Earl K. Miller am MIT und Christopher V. Rackauckas, veröffentlichte die Studie auf arXiv (eingereicht am 4. Juli 2025; aktualisiert am 17. August 2026). Sie kombinierten zwei bestehende Ansätze: die Prediction-Error-Methodik, die den schwierigen Prozess der Anpassung chaotischer Systeme glättet, und universelle Differentialgleichungen, die einen Computer nach den fehlenden mathematischen Termen in einem Modell suchen lassen.
Die Forscher testeten PEM-UDE an zwei Benchmark-chaotischen Systemen: dem Rössler-Attraktor, einem mathematischen Standardmodell, und einer echten elektrischen Schaltung. In beiden Fällen rekonstruierte die Methode die korrekten Gleichungen – selbst wenn eine beobachtete Dimension Rauschen enthielt, das fünfmal größer war als das Signal selbst.
Für die neurowissenschaftliche Anwendung nutzte das Team Vorwissen darüber, wie Neuronen sich verbinden und feuern. Sie verwendeten eine Population von Izhikevich-Neuronen, einem gängigen Modell, das das Verhalten echter Neuronen nachahmt. PEM-UDE erzeugte ein multiskalares neuronales Massenmodell, das Eigenschaften einzelner Neuronen mit der Dynamik auf Netzwerkebene verknüpft. Das Modell sagt voraus, wie die Verbindungsdichte mit der dominanten Oszillationsfrequenz des Gehirns und der Synchronizität zusammenhängt – der Tendenz von Neuronen, gemeinsam zu feuern.
Das Team überprüfte diese Vorhersagen an drei intrakraniellen Aufzeichnungsdatensätzen aus dem Kortex von Ratten und Menschen. Wichtig ist, dass die Aufzeichnungen als indirekte Konsistenzprüfung der vorhergesagten Trends dienen, nicht als direkte Anpassung. Die gelernten Gleichungen sind eine reduziert-ordnige Schließung für eine bestimmte simulierte Netzwerkfamilie, das heißt, sie fassen komplexes Neuronverhalten in einer einfacheren Form zusammen.
Warum es wichtig ist
Ihr Gehirn ist ein chaotisches, verrauschtes System. Das Verständnis seiner zugrunde liegenden Regeln könnte Forschern helfen, bessere Modelle für Aufmerksamkeit, Gedächtnis und kognitive Flexibilität zu entwickeln – genau die Prozesse, die Lernen und Problemlösen unterstützen. Diese Studie zeigt, dass maschinelles Lernen interpretierbare Gleichungen aus unordentlichen Daten extrahieren kann, was ein Schritt in Richtung personalisierter Gehirnmodelle ist. Für alle, die sich für Kognition interessieren, hebt sie hervor, dass Komplexität und Rauschen das Signal nicht verbergen müssen. Mit den richtigen mathematischen Werkzeugen können aus dem Chaos bedeutungsvolle Muster entstehen.
Was Sie tun können
- Rauschen annehmen: Ihre kognitive Leistung variiert von Tag zu Tag. Verfolgen Sie Ihre Konzentration, Stimmung und Ihren Schlaf, um trotz der Höhen und Tiefen Muster zu erkennen.
- Nach verborgenen Strukturen suchen: Wenn Sie eine neue Fähigkeit erlernen, achten Sie auf zugrunde liegende Regeln – wie Grammatik in einer Sprache oder Akkordfolgen in der Musik – anstatt isolierte Fakten auswendig zu lernen.
- Adaptiv trainieren: So wie PEM-UDE Gleichungen verfeinert, kann ein Gehirntraining, das sich an Ihre Leistung anpasst, bestimmte kognitive Fähigkeiten stärken.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntraining-Level.