Um novo método chamado PEM-UDE pode descobrir as regras matemáticas ocultas por trás de sistemas caóticos — incluindo redes de células cerebrais — mesmo quando os dados experimentais são extremamente ruidosos.
A pesquisa
Uma equipe liderada por Anthony G. Chesebro e Helmut H. Strey, da Stony Brook University, com colaboradores incluindo Earl K. Miller, do MIT, e Christopher V. Rackauckas, publicou o estudo no arXiv (submetido em 4 de julho de 2025; atualizado em 17 de agosto de 2026). Eles combinaram duas abordagens existentes: a metodologia de erro de predição, que suaviza o complicado processo de ajustar sistemas caóticos, e as equações diferenciais universais, que permitem a um computador buscar os termos matemáticos ausentes em um modelo.
Os pesquisadores testaram o PEM-UDE em dois sistemas caóticos de referência: o atrator de Rössler, um modelo matemático padrão, e um circuito elétrico real. Em ambos os casos, o método recuperou as equações corretas — mesmo quando uma dimensão observada continha ruído cinco vezes maior que o próprio sinal.
Para a aplicação em neurociência, a equipe utilizou conhecimento prévio sobre como os neurônios se conectam e disparam. Eles usaram uma população de neurônios de Izhikevich, um modelo comum que imita o comportamento de neurônios reais. O PEM-UDE produziu um modelo de massa neural multiescala que liga propriedades de neurônios individuais à dinâmica em nível de rede. O modelo prevê como a densidade de conexões se relaciona com a frequência de oscilação dominante e a sincronia do cérebro — a tendência dos neurônios de dispararem juntos.
A equipe verificou essas previsões em três conjuntos de dados de registros intracranianos de córtices de ratos e humanos. É importante notar que os registros servem como uma verificação indireta de consistência das tendências previstas, não como um ajuste direto. As equações aprendidas são um fechamento de ordem reduzida para uma família específica de redes simuladas, ou seja, resumem o comportamento complexo dos neurônios em uma forma mais simples.
Por que isso importa
Seu cérebro é um sistema caótico e ruidoso. Entender suas regras subjacentes pode ajudar pesquisadores a construir modelos melhores de atenção, memória e flexibilidade cognitiva — justamente os processos que sustentam o aprendizado e a resolução de problemas. Este estudo mostra que o aprendizado de máquina pode extrair equações interpretáveis de dados bagunçados, o que é um passo em direção a modelos cerebrais personalizados. Para quem se interessa por cognição, ele destaca que complexidade e ruído não precisam esconder o sinal. Com as ferramentas matemáticas certas, padrões significativos podem emergir do caos.
O que você pode fazer
- Abrace o ruído: Seu desempenho cognitivo varia de dia para dia. Acompanhe seu foco, humor e sono para encontrar padrões apesar das oscilações.
- Procure estrutura oculta: Ao aprender uma nova habilidade, preste atenção às regras subjacentes — como a gramática de um idioma ou as progressões de acordes na música — em vez de memorizar fatos isolados.
- Treine de forma adaptativa: Assim como o PEM-UDE refina equações, um treinamento cerebral que se adapta ao seu desempenho pode fortalecer habilidades cognitivas específicas.
Fonte: arXiv q-bio.NC
Curioso sobre o seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou experimente 306 níveis de treinamento cerebral.