🤖 machine learning

Modelling Emotional Memory in Children with Tensor Networks

Diese Arbeit zeigt, dass ein klassisches Tensor-Netzwerk-Modell, das emotionale Valenz einbezieht, herkömmliche psychologische Modelle signifikant übertrifft (mit einer Genauigkeit von 77,98 %) bei der Erfassung der ordnungsabhängigen Struktur des emotionalen Gedächtnisses von Kindern, wodurch die Nützlichkeit quanteninspirierter Methoden zur Modellierung solcher kognitiver Phänomene validiert wird.

Ursprüngliche Autoren: Henry Groves, Lucia F. Jackson, Barbara-Anne Robertson, Jonte R. Hance

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC0 1.0

Ursprüngliche Autoren: Henry Groves, Lucia F. Jackson, Barbara-Anne Robertson, Jonte R. Hance

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Kernidee: Das Gedächtnis ist keine Videokamera

Stellen Sie sich vor, Ihr Gehirn wäre nicht wie eine Videokamera, die das Leben in perfekten, festen Schnappschüssen aufzeichnet. Denken Sie stattdessen daran, dass das Gedächtnis wie eine Jazz-Improvisation ist. Wenn Sie versuchen, sich an etwas zu erinnern, spielt Ihr Gehirn nicht einfach eine Datei „ab“; es baut die Szene aktiv wieder auf. Es nimmt Teile dessen, was Sie gesehen, gefühlt und gedacht haben, und setzt sie wieder zusammen.

Das Problem ist, dass dieser Rekonstruktionsprozess chaotisch ist. Er wird davon beeinflusst, wie Sie sich gerade jetzt fühlen, was Sie glauben und in welcher Reihenfolge die Dinge passiert sind. Das Paper argumentiert, dass herkömmliche Wege, das Gedächtnis zu untersuchen (wie die einfache Mathematik), zu starr sind, um dieses Chaos zu erfassen, insbesondere wenn Emotionen im Spiel sind.

Das Experiment: Das Spiel mit der Spielzeugkiste

Die Forscher wollten sehen, wie Kinder sich eine Abfolge von Ereignissen merken, wenn Emotionen im Spiel sind.

Der Aufbau: Sie zeigten 50 Kindern (im Alter von 4 bis 11 Jahren) eine Abfolge von 5 Spielzeugen.
Der Clou: Einige Spielzeuge waren „neutral“ (einfache Holzblöcke), und einige waren „positiv“ (lustige Autos, Actionfiguren).
Die Aufgabe: Nachdem sie die Spielzeuge nacheinander erscheinen gesehen hatten, mussten die Kinder die Spielzeuge aus einer Kiste auswählen und sie in der exakten Reihenfolge, in der sie sie gesehen hatten, wieder hineinlegen.

Was sie mit Standardwerkzeugen herausfanden:
Unter Verwendung traditioneller psychologischer Methoden bestätigten sie, dass Kinder sich die lustigen Spielzeuge besser erinnerten als die langweiligen. Diese Methoden konnten jedoch nicht erklären, warum die Reihenfolge wichtig war. Sie konnten nicht sehen, wie das Erinnern an ein Spielzeug die Wahrscheinlichkeit veränderte, das nächste zu erinnern. Es war, als versuche man, einen komplexen Tanz zu beschreiben, indem man nur die Schritte zählt, aber den Rhythmus und die Musik ignoriert.

Das neue Werkzeug: Das „Tensor-Netzwerk“

Um dies zu beheben, verwendeten die Forscher ein mathematisches Werkzeug namens Tensor-Netzwerk.

Die Analogy: Stellen Sie sich vor, Sie versuchen das Wetter vorherzusagen. Ein einfelles Modell könnte sagen: „Wenn es gestern geregnet hat, wird es heute regnen.“ Aber ein Tensor-Netzwerk ist wie ein riesiges, miteinander verbundenes Netz aus Dominosteinen.
In diesem Netz bewirkt das Umwerfen eines Dominosteins (das Erinnern an Spielzeug #1) nicht nur, dass der nächste fällt; es verändert die Spannung im gesamten Netz und beeinflusst, wie wahrscheinlich es ist, dass die anderen Dominosteine fallen (das Erinnern an Spielzeug #2, #3 usw.).
Dieses Werkzeug ist „quanteninspiriert“. Das bedeutet nicht, dass das Gehirn ein Quantencomputer ist. Es bedeutet nur, dass die Mathematik, die verwendet wird, um die Wechselwirkung von Teilchen in der Physik zu beschreiben, überraschend gut darin ist, die Wechselwirkung menschlicher Gedanken zu beschreiben. Es ermöglicht Superpositionen (wo eine Erinnerung gleichzeitig „erinnert“ und „vergessen“ sein kann, bis man eine Entscheidung trifft) und Interferenz (wo eine Erinnerung die Wahrscheinlichkeit einer anderen verändert).

Die drei getesteten Modelle

Die Forscher bauten drei verschiedene Versionen dieses „Netzes“, um zu sehen, welches am besten funktioniert:

Das einfache Modell (Der „An/Aus“-Schalter):
- Dieses Modell fragte nur: „Haben sie es erinnert? Ja oder Nein?“
- Ergebnis: Es war schrecklich (weniger als 50 % Genauigkeit). Es war, als versuche man, ein Farbfoto nur mit Schwarz-Weiß-Pixeln zu beschreiben. Es fehlte jegliche Nuance.
Das bessere Modell (Der „Drei-Optionen“-Schalter):
- Dieses Modell fügte eine mittlere Option hinzu: „Erinnert, aber in der falschen Reihenfolge.“
- Ergebnis: Es wurde schlechter (etwa 22 % Genauigkeit). Warum? Weil die Daten zu spärlich waren. Es gab zu viele mögliche Kombinationen für die begrenzte Anzahl an Kindern, aus denen gelernt werden konnte. Es war, als versuche man, ein Passwort mit zu vielen möglichen Buchstaben und zu wenig Hinweisen zu erraten.
Das gewinnende Modell (Das „Emotions-bewusste“ Netz):
- Dieses Modell kombinierte die „Drei-Optionen“-Idee mit dem emotionalen Kontext. Es zwang die Mathematik dazu, die Art des Spielzeugs (lustig vs. langweilig) und den Akt des Erinnerns als ein einziges, untrennbares Ereignis zu behandeln.
- Ergebnis: 77,98 % Genauigkeit. Dies war ein massiver Sprung.

Warum gewann das „Emotions-bewusste“ Modell?

Das Paper legt nahe, dass Emotionen wie ein struktureller Klebstoff für das Gedächtnis wirken.

Der „Lustiges Spielzeug“-Effekt: Wenn ein Kind ein lustiges Spielzeug sah, machte dies nicht nur dieses spezifische Spielzeug leichter erinnerbar. Es veränderte das gesamte Gefüge der Art und Weise, wie sie sich an die Spielzeuge davor und danach erinnerten.
Die Analogy: Stellen Sie sich die Abfolge der Spielzeuge wie eine Perlenkette vor. Wenn Sie in die Mitte einen schweren, leuchtenden Edelstein setzen, leuchtet dieser nicht nur; er zieht die Schnur straff und verändert dadurch, wie die anderen Perlen liegen.
Das gewinnende Modell erkannte, dass man nicht vorhersagen kann, was ein Kind sich erinnern wird, ohne den emotionalen Geschmack der Spielzeuge zu kennen, die es gerade gesehen hat. Die Emotion war nicht nur eine Randnotiz; sie war Teil der DNA der Erinnerung.

Das Fazit

Gedächtnis ist kontextabhängig: Man kann nicht verstehen, wie ein Kind sich an eine Abfolge erinnert, ohne den emotionalen Kontext jedes einzelnen Elements in dieser Abfolge zu verstehen.
Die Reihenfolge zählt: Was man zuerst erinnert, verändert das, was man als Nächstes erinnert, und Emotionen verstärken diesen Effekt.
Neue Mathematik für alte Probleme: Durch die Verwendung von „quanteninspirierter“ Mathematik (Tensor-Netzwerke), die diese komplexen, sich verschiebenden Beziehungen berücksichtigt, konnten die Forscher die Erinnerungen von Kindern mit viel höherer Genauigkeit vorhersagen als traditionelle psychologische Modelle.

Kurz gesagt: Emotionen machen Erinnerungen nicht nur heller; sie verändern die Architektur der Erinnerung selbst. Und um diese Architektur zu verstehen, benötigen wir eine neue Art von mathematischer Landkarte.

Technisches Resümee: Modellierung des emotionalen Gedächtnisses bei Kindern mittels Tensor-Netzwerken

1. Problemstellung

Das menschliche Gedächtnis ist kein statisches Abspielen von Ereignissen, sondern ein aktiver, rekonstruktiver Prozess, der sensibel auf Kontext, emotionale Valenz und zeitliche Abfolge reagiert. Während klassische psychologische Modelle anerkennen, dass emotionale Erfahrungen oft lebhafter erinnert werden als neutrale (der Effekt der emotionalen Gedächtnisverstärkung), haben sie Schwierigkeiten, die komplexen, ordnungsabhängigen Dynamiken des temporalen Gedächtnisses zu erklären. Insbesondere gehen Standardmodelle oft von folgenden Annahmen aus:

Unabhängigkeit: Der Abruf eines Objekts ist statistisch unabhängig von anderen.
Linearität: Emotionale Valenz wirkt als einfacher skalarer Modifikator der Abrufwahrscheinlichkeit.
Festes Encoding: Erinnerungen werden als feste Spuren gespeichert, statt als sich entwickelnde Zustände.

Diese Annahmen erfassen nicht, wie der emotionale Kontext vorangehender und nachfolgender Objekte den Abruf eines spezifischen Objekts beeinflusst. Darüber hinaus stehen klassische probabilistische Modelle vor dem „Fluch der Dimensionalität“, wenn sie versuchen, die gemeinsamen Wahrscheinlichkeitsverteilungen von Sequenzen mit multiplen Ausgängen zu modellieren, was eine exponentielle Anzahl von Parametern ( $d^n$ ) erfordert, die rechnerisch unhandlich wird.

Das Paper postuliert, dass quanteninspirierte Frameworks, insbesondere Tensor-Netzwerke, eine geeignetere mathematische Struktur bieten. Im Gegensatz zu klassischen Modellen können diese Frameworks Nicht-Kommutativität (Ordnungsabhängigkeit), Interferenz und kontextsensitive Zustandsentwicklung natürlich handhaben, ohne eine exponentielle Anzahl an Parametern zu benötigen, sofern die zugrunde liegenden Korrelationen komprimierbar sind.

2. Methodik

A. Experimentelles Protokoll

Die Autoren führten eine Studie mit 50 Kindern (im Alter von 4–11 Jahren) durch, um Daten zum temporalen Ordnungsgedächtnis zu generieren.

Stimuli: Fünf Spielzeuge wurden nacheinander in jedem Durchgang präsentiert. Die Spielzeuge wurden in Positiv (visuell ansprechend, z. B. Actionfiguren) oder Neutral (schlichte Holzblöcke) kategorisiert.
Ablauf: Die Kinder betrachteten eine Sequenz von 5 Spielzeugen (je 10 s) und wurden später gebeten, diese aus einer Box mit 7 Gegenständen (5 Zielobjekte + 2 Dekoy-Objekte) auszuwählen und in der ursprünglichen Reihenfolge anzuordnen.
Design: Ein 2x2-Within-Subject-Design, das die Variablen Valenz (Positiv vs. Neutral) und Repetition (Erstpräsentation vs. Repräsentation nach einer Verzögerung) manipulierte.
Datenerhebung: 50 Teilnehmer absolvierten bis zu 10 Durchgänge. Die Daten umfassten die Genauigkeit der Objektauswahl, die Genauigkeit der Reihenfolge sowie die Reaktionszeiten.

B. Klassische Analyse

Die initiale Analyse verwendete Repeated-Measures-ANOVAs und t-Tests.

Ergebnisse: Positiv valenzierte Objekte wurden mit höherer Genauigkeit und besserer zeitlicher Ordnung als neutrale Objekte erinnert. Klassische statistische Werkzeuge scheiterten jedoch daran, die inhärente Ordnungsabhängigkeit des Ereignisses aufzuzeigen, und zeigten lediglich Mittelwertunterschiede mit hohem Rauschen. Ein klassisches lineares Modell konnte das Ereignis nicht adäquat modellieren und lieferte eine geringe Genauigkeit.

C. Tensor-Netzwerk-Modellierung

Die Autoren entwickelten drei progressive Modelle unter Verwendung von Matrix Product States (MPS), einer Art von Tensor-Netzwerk, um die gemeinsame Wahrscheinlichkeitsverteilung der Abruf-Ergebnisse zu faktorisieren.

Qubit-Modell (Binär):
- Zustandsraum: Jedes Item $i$ ist eine binäre Variable: $|0\rangle$ (falsch) oder $|1\rangle$ (korrekt).
- Struktur: Ein 5. Ordnung Tensor, der die gemeinsame Wahrscheinlichkeit von 5 Items repräsentiert.
- Methode: Der Tensor wurde aus den experimentellen Häufigkeiten konstruiert (mit Laplace-Glättung zur Handhabung von Sparsity) und mittels Sequential Singular Value Decomposition (SSVD) in einen MPS faktorisiert.
- Vorhersage: Zukünftige Items wurden durch Konditionierung auf vergangene Beobachtungen und Marginalisierung zukünftiger Positionen vorhergesagt.
Qutrit-Modell (Drei-Zustands-Modell):
- Zustandsraum: Erweitert, um zu unterscheiden zwischen:
  - $|0\rangle$ : Vollständig vergessenes/falsches Item.
  - $|1\rangle$ : Korrektes Item, falsche Position.
  - $|2\rangle$ : Korrektes Item, korrekte Position.
- Herausforderung: Dies erhöhte den Zustandsraum von $2^5$ (32) auf $3^5$ (243) und verschärfte das Problem der Datensparheit (Data Sparsity).
Valenz-geprimtes Qutrit-Modell (Komposit-Zustand):
- Innovation: Dieses Modell kodiert die emotionale Valenz explizit in den physikalischen Index des Tensor-Netzwerks.
- Zustandsraum: Jede Stelle repräsentiert einen Komposit-Zustand $|v_i, s_i\rangle$ , wobei $v_i \in \{0, 1\}$ (Neutral/Positiv) und $s_i \in \{0, 1, 2\}$ (Abruf-Ergebnis) ist. Dies schafft einen 6-dimensionalen lokalen Raum ( $2 \times 3$ ).
- Mechanismus: Das Modell behandelt die Valenz als eine „Priming“-Stufe, die den Abruf-Zustand konditioniert. Während der Vorhersage wird die bekannte Valenz des Zielobjekts verwendet, um den Tensor in den relevanten 3-dimensionalen Abruf-Subraum zu projizieren, bevor die Wahrscheinlichkeiten ausgewertet werden. Dies erzwingt, dass das Netzwerk die gemeinsame Verteilung von emotionalem Kontext und Abruf-Ergebnis simultan lernt.

3. Kernergebnisse

A. Modellleistung

Qubit-Modell: Erreichte eine Gesamtsequenzgenauigkeit von 48,96 %, was unter der binären Chance-Baseline von 50 % liegt. Es litt unter einem schweren Klassen-Ungleichgewicht und tendierte dazu, für die meisten Items „falsch“ vorherzusagen.
Qutrit-Modell: Die Genauigkeit sank auf 22,71 %. Das Modell scheiterte an der Vorhersage von „Out-of-order“-Abrufen (F1-Score: 0,00), wahrscheinlich aufgrund extremer Datensparheit (243 mögliche Sequenzen gegenüber 404 Versuchen) und der Unfähigkeit, die bedingte Verteilung der Minderheitsklasse zu lernen.
Valenz-geprimtes Qutrit-Modell: Erreichte eine Gesamtsequenzgenauigkeit von 77,98 %.
- Es sagte erfolgreich die „Out-of-order“-Klasse (F1-Score: 0,618) sowie die Mehrheitsklasse „In-order“ voraus.
- Die Genauigkeit war über die Sequenzpositionen hinweg konsistent (~70–78 %), im Gegensatz zu den vorherigen Modellen, die einen starken Abfall nach dem ersten Item zeigten.

B. Strukturelle Analyse (Bond-Dimensionen)

Qubit/Qutrit: Der Zerfall der Singulärwerte war rapide und die Bond-Dimensionen waren niedrig, was darauf hindeutet, dass die Modelle primär die Mehrheitsklasse auswendig lernten, anstatt komplexe Abhängigkeiten zu erfassen.
Valenz-geprimt: Die empirischen Bond-Dimensionen stiegen signifikant an (z. B. [6, 22, 24, 6]) und die Singulärwerte zerfielen langsamer. Dies deutet darauf hin, dass das valenz-konditionierte Modell erfolgreich reiche, nicht-triviale Korrelationen („Entanglement“) zwischen den Items erfasst hat.
Schwellenwert-Sensitivität: Im Gegensatz zu den einfacheren Modellen verschlechterte sich die Genauigkeit des valenz-geprimten Modells, wenn der SVD-Truncation-Schwellenwert über $10^{-2}$ erhöht wurde. Dies bestätigt, dass die höheren Singulärwerte echte prädiktive Informationen bezüglich des Zusammenspiels von Valenz und Ordnung enthielten und nicht bloß Rauschen darstellten.

C. Empirische Beobachtungen zur Valenz

Die Wahrscheinlichkeitslandschaften zeigten, dass emotionale Valenz kein einfacher skalarer Modifikator, sondern eine strukturelle Variable ist:

Positiv-Neutral: Ein positives Item gefolgt von einem neutralen Item führte oft zum Scheitern beim Abruf des neutralen Items, was darauf hindeutet, dass die Aufmerksamkeitsressourcen durch das positive Item beansprucht wurden.
Neutral-Positiv: Ein positives Item nach einem neutralen Item wurde gut erinnert, was konsistent mit der emotionalen Gedächtnisverstärkung ist.
Positiv-Positiv: Hintereinanderfolgende positive Items erzeugten konkurrierende Kodierungsanforderungen, was die Erinnerung an das zweite Item reduzierte.

4. Bedeutung und Behauptungen

Das Paper behauptet, dass das Valenz-geprimte Tensor-Netzwerk die Wirksamkeit quanteninspirierter Methoden zur Modellierung ordnungsabhängiger Phänomene im menschlichen Gedächtnis demonstriert.

Überlegenheit gegenüber klassischen Modellen: Die massive Steigerung der Genauigkeit (von ~23 % auf ~78 %) durch die Integration der Valenz als strukturelle Komponente – statt als externe Variable – legt nahe, dass klassische Modelle, die Unabhängigkeit oder lineare Kodierung annehmen, für diese Aufgabe unzureichend sind.
Kontextsensitivität: Die Ergebnisse stützen die Sichtweise, dass das Gedächtnis ein dynamischer, zustandsabhängiger Prozess ist, bei dem der emotionale Kontext eines Ereignisses die Wahrscheinlichkeitsstruktur des nachfolgenden Abrufs umgestaltet, anstatt lediglich eine feste Gedächtnisspur zu verstärken.
Quantenkognitions-Framework: Die Studie liefert eine vorläufige Verhaltensunterstützung für Quantenkognitions-Frameworks in der Entwicklungspsychologie. Sie legt nahe, dass das temporale Gedächtnis von Kindern Interferenzeffekte und nicht-kommutative Abhängigkeiten beinhaltet (wobei die Reihenfolge der Evaluierung entscheidend ist), die durch die Hilbertraum-Struktur von Tensor-Netzwerken natürlich erfasst werden können.
Neuartiges Werkzeug: Das eingeführte experimentelle Protokoll dient als neues Instrument zur Untersuchung des emotionalen temporalen Gedächtnisses bei Kindern, welches sowohl von klassischen als auch von quantenähnlichen kognitiven Modellen analysiert werden kann.

Die Autoren bleiben bescheiden und merken an, dass die Studie durch einen einzelnen Datensatz, potenzielle Probleme der Datensparheit und das Fehlen einer validierten Datenbank für emotionale Spielzeuge bei Kindern begrenzt ist. Sie behaupten nicht, physikalische Quantenprozesse im Gehirn bewiesen zu haben, sondern dass die mathematische Struktur der Quantenmechanik (Hilbert-Räume, Superposition, Interferenz) einen kohärenten und genaueren Rahmen zur Modellierung der beobachteten kognitiven Verhaltensweisen bietet.