Новый метод под названием PEM-UDE способен обнаруживать скрытые математические правила, лежащие в основе хаотических систем — включая сети мозговых клеток — даже когда экспериментальные данные крайне зашумлены.
Исследование
Команда под руководством Энтони Г. Чесебро и Хельмута Х. Стрея из Университета Стоуни-Брук, совместно с коллегами, включая Эрла К. Миллера из MIT и Кристофера В. Ракаукаса, опубликовала исследование на arXiv (подано 4 июля 2025 г.; обновлено 17 августа 2026 г.). Они объединили два существующих подхода: методологию ошибки предсказания, которая сглаживает сложный процесс подгонки хаотических систем, и универсальные дифференциальные уравнения, позволяющие компьютеру искать недостающие математические члены в модели.
Исследователи протестировали PEM-UDE на двух эталонных хаотических системах: аттракторе Рёсслера, стандартной математической модели, и реальной электрической цепи. В обоих случаях метод восстановил правильные уравнения — даже когда одно наблюдаемое измерение содержало шум в пять раз больше самого сигнала.
Для нейробиологического применения команда использовала априорные знания о том, как нейроны соединяются и возбуждаются. Они использовали популяцию нейронов Ижикевича — распространённую модель, имитирующую поведение реальных нейронов. PEM-UDE создал многоуровневую нейронную массовую модель, связывающую свойства отдельных нейронов с динамикой на уровне сети. Модель предсказывает, как плотность связей связана с доминирующей частотой колебаний мозга и синхронностью — склонностью нейронов срабатывать вместе.
Команда проверила эти предсказания на трёх наборах внутричерепных записей из коры крыс и человека. Важно отметить, что записи служат косвенной проверкой согласованности предсказанных тенденций, а не прямой подгонкой. Выученные уравнения представляют собой редуцированное замыкание для конкретного семейства смоделированных сетей, то есть они обобщают сложное поведение нейронов в более простой форме.
Почему это важно
Ваш мозг — хаотичная, зашумлённая система. Понимание её основополагающих правил может помочь исследователям строить лучшие модели внимания, памяти и когнитивной гибкости — именно тех процессов, которые поддерживают обучение и решение задач. Это исследование показывает, что машинное обучение может извлекать интерпретируемые уравнения из беспорядочных данных, что является шагом к персонализированным моделям мозга. Для всех, кто интересуется познанием, оно подчёркивает, что сложность и шум не обязаны скрывать сигнал. С правильными математическими инструментами из хаоса могут возникать значимые закономерности.
Что вы можете сделать
- Примите шум: Ваша когнитивная продуктивность меняется день ото дня. Отслеживайте концентрацию, настроение и сон, чтобы находить закономерности несмотря на взлёты и падения.
- Ищите скрытую структуру: Осваивая новый навык, обращайте внимание на основополагающие правила — например, грамматику в языке или последовательности аккордов в музыке — вместо заучивания изолированных фактов.
- Тренируйтесь адаптивно: Подобно тому как PEM-UDE уточняет уравнения, тренировка мозга, адаптирующаяся к вашим результатам, может укреплять конкретные когнитивные навыки.
Источник: arXiv q-bio.NC
Любопытно узнать о собственном мозге? Пройдите наш бесплатный адаптивный тест IQ или попробуйте 306 уровней тренировки мозга.