Новий метод під назвою PEM-UDE здатен виявляти приховані математичні правила хаотичних систем — зокрема мереж мозкових клітин — навіть коли експериментальні дані надзвичайно зашумлені.
Дослідження
Команда під керівництвом Ентоні Дж. Чесебро та Гельмута Г. Стрея з Університету Стоуні-Брук, у співпраці з Ерлом К. Міллером з MIT та Крістофером В. Ракауцкасом, опублікувала дослідження на arXiv (подано 4 липня 2025 року; оновлено 17 серпня 2026 року). Вони поєднали два наявні підходи: методологію похибки передбачення, яка згладжує складний процес підгонки хаотичних систем, та універсальні диференціальні рівняння, які дозволяють комп'ютеру шукати відсутні математичні члени в моделі.
Дослідники перевірили PEM-UDE на двох еталонних хаотичних системах: атракторі Реслера, стандартній математичній моделі, та реальному електричному колі. В обох випадках метод відновив правильні рівняння — навіть коли один спостережуваний вимір містив шум у п'ять разів більший за сам сигнал.
Для нейронаукового застосування команда використала попередні знання про те, як нейрони з'єднуються та збуджуються. Вони застосували популяцію нейронів Іжикевича — поширену модель, що імітує поведінку реальних нейронів. PEM-UDE створив багатомасштабну модель нейронної маси, яка пов'язує властивості окремих нейронів із динамікою на рівні мережі. Модель передбачає, як щільність зв'язків співвідноситься з домінантною частотою коливань мозку та синхронністю — схильністю нейронів збуджуватися разом.
Команда перевірила ці передбачення на трьох наборах внутрішньочерепних записів із кори щурів і людей. Важливо, що записи слугують непрямою перевіркою узгодженості передбачених тенденцій, а не прямою підгонкою. Вивчені рівняння є редукованим замиканням для конкретного сімейства симульованих мереж, тобто вони узагальнюють складну поведінку нейронів у простішій формі.
Чому це важливо
Ваш мозок — це хаотична, зашумлена система. Розуміння її основоположних правил могло б допомогти дослідникам створювати кращі моделі уваги, пам'яті та когнітивної гнучкості — саме тих процесів, що підтримують навчання й розв'язання задач. Це дослідження показує, що машинне навчання може витягувати інтерпретовані рівняння з неохайних даних, що є кроком до персоналізованих моделей мозку. Для всіх, хто цікавиться пізнанням, воно підкреслює, що складність і шум не обов'язково мають приховувати сигнал. За правильних математичних інструментів із хаосу можуть виникати значущі закономірності.
Що ви можете зробити
- Прийміть шум: Ваша когнітивна продуктивність змінюється день у день. Відстежуйте свою зосередженість, настрій і сон, щоб знаходити закономірності попри злети й падіння.
- Шукайте приховану структуру: Вивчаючи нову навичку, звертайте увагу на основоположні правила — як-от граматика в мові чи акордові послідовності в музиці — а не на заучування ізольованих фактів.
- Тренуйтеся адаптивно: Так само як PEM-UDE уточнює рівняння, тренування мозку, що адаптується до вашої продуктивності, може зміцнити конкретні когнітивні навички.
Джерело: arXiv q-bio.NC
Цікаво дізнатися про власний мозок? Пройдіть наш безкоштовний адаптивний тест IQ або спробуйте 306 рівнів тренування мозку.