"More Is Different'' in Neural Circuits: Algebraic Emergence of Effective Theories in Canonical Recurrent Motifs of Biological Neuronal Networks

Das Gehirn ist eine Maschine, die aus sich wiederholenden Mustern besteht. So wie ein Haus aus Ziegeln, Balken und Fenstern konstruiert wird, werden die neuronalen Schaltkreise in unseren Schädeln aus einem kleinen Satz von Standard-Bausteinen zusammengesetzt. Zwei der häufigsten Blöcke sind als divisive Normalisierung und Winner-Take-All-Wettbewerb bekannt. Der erste wirkt wie ein Lautstärkeregler, der die allgemeine Lautstärke einer Gruppe von Neuronen herunterschraubt, wenn diese alle zu laut feuern, um sicherzustellen, dass kein einzelnes Signal die anderen übertönt. Der zweite fungiert wie ein Schiedsrichter in einem überfüllten Raum, der nur einer Gruppe von Neuronen erlaubt zu sprechen, während er den Rest verstummen lässt. Jahrzehntelang haben Neurowissenschaftler diese Blöcke als funktionale Werkzeuge verstanden: der eine skaliert die Aktivität um, der andere wählt einen Gewinner aus. Doch eine neue Studie stellt eine tiefere Frage darüber, was passiert, wenn diese Blöcke miteinander verbunden werden. Sie untersucht, ob die Verbindung selbst etwas völlig Neues erschafft, eine Fähigkeit, die keiner der beiden Blöcke für sich allein besitzt.

Diese Forschung, geleitet von Nima Dehghani am Massachusetts Institute of Technology, betrachtet diese neuronalen Schaltkreise nicht nur als biologische Systeme, sondern als mathematische Maschinen. Das Ziel war es zu sehen, ob die Art und Weise, wie diese Maschinen miteinander verdrahtet sind, eine Form der Berechnung generieren kann, die in keinem einzelnen Teil zu finden ist. Um dies zu erreichen, vereinfachten die Forscher das komplexe, kontinuierliche Feuern echter Neuronen in einen Satz diskreter Zustände, vergleichbar mit einem Lichtschalter, der entweder an oder aus ist. Dann bauten sie digitale Modelle der Normalisierungs- und Wettbewerbs-Schaltkreise und ließen sie durch jede mögliche Sequenz von Eingaben laufen. Anstatt nur einen einzelnen Pfad der Aktivität zu beobachten, kartierten sie die gesamte Landschaft dessen, was die Schaltkreise tun können, wenn sich die Eingaben über die Zeit ändern. Sie suchten nach einer spezifischen Art von Verhalten: einem Zyklus, bei dem das System zu einem vorherigen Zustand zurückkehren kann, was eine Schleife reversibler Handlungen erzeugt. In der Sprache der Studie suchten sie nach einer „Gruppe“ – einer mathematischen Signatur eines Systems, das Zustände speichern und durch sie kreisen kann, anstatt in einem fixen Punkt zu verharren.

Die Studie begann mit dem Testen der beiden Schaltkreise isoliert. Als die Forscher den Winner-Take-All-Schaltkreis allein betrachteten, stellten sie fest, dass das System unter jeglichem einzelnen, unveränderlichen Input rein dissipativ war. Es würde immer in einen einzigen, stabilen Zustand einsinken, in dem eine Gruppe von Neuronen gewann und der Rest stumm blieb. Es gab keine Schleifen, keine Zyklen und keinen Weg, zu einer früheren Konfiguration zurückzukehren, sobald das System vorangeschritten war. Dasselbe galt für den Normalisierungs-Schaltkreis in seiner strengeren, komplexeren Form. Jede einzelne Regel, die diese Schaltkreise steuerte, führte das System, wenn sie allein angewendet wurde, in eine Sackgasse. Doch als die Forscher diese Schaltkreise kombinierten, änderte sich die Geschichte. Sie entdeckten, dass sie durch das Wechseln zwischen verschiedenen Inputs in einer spezifischen Sequenz das System dazu zwingen konnten, in eine Schleife zu geraten. Obwohl jeder einzelne Schritt eine Einbahnstraße war, die das Gedächtnis löschte, schuf die Sequenz der Schritte einen verborgenen Pfad, der es dem System ermöglichte, dorthin zurückzukehren, wo es begonnen hatte. Dies war die erste Überraschung: Ein System, das vollständig aus irreversiblen Teilen besteht, konnte durch Komposition eine reversible Schleife erzeugen.

Die bedeutendste Erkenntnis ergab sich, als die Forscher die beiden Schaltkreise in einer spezifischen Richtung verbanden. Sie schufen ein Setup, bei dem der Gewinner des Wettbewerbs die Einstellungen für den Normalisierungsprozess bestimmte. In dieser Anordnung saß der gewählte Gewinner nicht einfach passiv da; er gestaltete die Umgebung für den nächsten Moment aktiv um. Als sie das kombinierte System analysierten, fanden sie einen Zyklus, der in keinem der beiden Schaltkreise allein existierte. In dieser Schleife blieb die Identität der gewinnenden Neuronengruppe konstant, aber zwei andere Dinge änderten sich gemeinsam: der Zustand des inhibitorischen Gates, der den Gewinner kontrollierte, und die Normalisierungseinstellung, die die allgemeine Verstärkung (Gain) steuerte. Das System pendelte zwischen einem Zustand, in dem der Gewinner aktiv und das Gate offen war, und einem Zustand, in dem der Gewinner aktiv, aber das Gate geschlossen war, während sich die Normalisierungseinstellung in perfekter Synchronität mit verschob. Dieser Zyklus war eine echte zusammengesetzte Struktur. Er war kein Merkmal des Wettbewerbs-Blocks, noch war er ein Merkmal des Normalisierungs-Blocks. Er war eine neue Eigenschaft, die nur existierte, weil die beiden Blöcke auf diese spezifische Weise gekoppelt waren.

Um sicherzustellen, dass dieses Ergebnis kein Zufall ihres spezifischen Modells war, testeten die Forscher Tausende von Variationen. Sie versuchten, die Schaltkreise in der umgekehrten Reihenfolge zu verbinden, wobei die Normalisierung die Bühne für den Wettbewerb bereitete, und stellten fest, dass zwar komplexe Strukturen existierten, der direkteste und offensichtlichste Zyklus jedoch tief im System verborgen war, hinter einfacheren, lokalen Schleifen. Sie testeten auch jede mögliche Art und Weise, wie die beiden Schaltkreise miteinander verdrahtet werden könnten, und kartierten 65.536 verschiedene Schnittstellenkonfigurationen. Sie fanden heraus, dass der zusammengesetzte Zyklus in fast allen von ihnen auftauchte, vorausgesetzt, die Verbindung erlaubte es dem Gewinner, die Normalisierungseinstellungen zu beeinflussen. Sie testeten auch, ob das Timing der Aktualisierungen wichtig war. Wenn die Schaltkreise gleichzeitig aktualisiert wurden, erschien der Zyklus als fest codiertes Merkmal der Aktualisierungsregel selbst. Aber wenn die Aktualisierungen nacheinander erfolgten, entstand der Zyklus rein aus der Interaktion, was bewies, dass die Struktur ein Resultat der Komposition war und kein vorgegebenes Artefakt.

Die Studie kommt zu dem Schluss, dass die Algebra der neuronalen Berechnung reicher ist als die Summe ihrer Teile. Sie zeigt, dass die Fähbrigkeit des Gehirns zu berechnen nicht nur von den individuellen Operationen seiner Schaltkreise abhängt, sondern davon, wie diese Operationen aneinandergereiht werden. Durch die Wahl der Art und Weise, wie ein Normalisierungsblock mit einem Wettbewerbsblock verbunden wird, kann das Gehirn effektiv einen neuen Freiheitsgrad programmieren. Diese neue Freiheit ermöglicht es dem System, einen stabilen Gewinner aufrechtzuerhalten und gleichzeitig seine eigene Sensitivität zu modulieren, was einen dynamischen Zustand schafft, der flexibler ist, als es einer der beiden Blöcke allein erreichen könnte. Die Forschung legt nahe, dass das Prinzip „Mehr ist anders“, das oft auf die Komplexität des gesamten Gehirns angewandt wird, auch für die kleinsten Bausteine neuronaler Schaltkreise gilt. Wenn diese Blöcke zusammengesetzt werden, generieren sie ein Repertoire an Verhaltensweisen, die nicht durch die Betrachtung der Blöste isoliert vorhergesagt werden können. Der Übergang von einem einfachen, dissipativen System zu einem System, das zu reversibler, zyklischer Berechnung fähig ist, ist kein Mysterium der Biologie, sondern eine mathematische Gewissheit der Komposition. Das Gehirn ist in dieser Sichtweise nicht nur eine Sammlung von Teilen, sondern ein programmierbares System, in dem die Verdrahtung selbst den Code schreibt.