Storing Infinite Dynamical Attractors in Nonreciprocal Associative Neural Networks

Das menschliche Gehirn ist ein riesiges Netzwerk aus Milliarden von Zellen, die in komplexen Mustern feuern und alles von einer flüchtigen Erinnerung bis hin zu einem stetigen Herzschlag erzeugen. Seit Jahrzehnten versuchen Wissenschaftler zu verstehen, wie diese Netzwerke Informationen speichern. Eine klassische Idee besagt, dass das Gehirn wie eine Bibliothek funktioniert, in der spezifische Anordnungen von Verbindungen statische Bilder oder Fakten halten, ähnlich wie ein Foto im Regal. Doch die reale Gehirnaktivität ist selten still. Sie pulsiert mit Rhythmen, Zyklen und chaotischen Fluktuationen, die Informationen über die Zeit hinweg tragen. Zu verstehen, wie ein Netzwerk diese sich bewegenden, veränderlichen Muster festhalten kann – anstatt nur erstarrte Bilder –, blieb ein schwieriges Rätsel. Wenn das Gehirn als dynamische Maschine funktionieren soll, muss es nicht nur speichern, was Dinge sind, sondern auch, wie sie sich verändern.

Ein Team von Forschern hat nun einen neuen mathematischen Rahmen entwickelt, um zu erklären, wie ein Netzwerk aus einfachen Einheiten eine große Anzahl dieser beweglichen Muster gleichzeitig speichern kann. Sie konzentrierten sich auf einen Typ von Netzwerk, bei dem die Verbindungen zwischen den Einheiten nicht perfekt ausbalanciert sind; das Signal, das von einer Einheit zu einer anderen gesendet wird, kehrt nicht notwendigerweise mit der gleichen Stärke zurück. Dieser Mangel an Symmetrie ist in biologischen Systemen weit verbreitet und ermöglicht die Entstehung von Zyklen und Rhythmen. Die Forscher stellten eine grundlegende Frage: Wie viele verschiedene bewegliche Muster kann ein solches Netzwerk halten, bevor es zu verwirrt wird, um sich an irgendwelche davon zu erinnern? Ihre Antwort zeigt, dass der Schlüssel zur Speicherung von mehr Informationen nicht in der Komplexität der Muster selbst liegt, sondern in der Vielfalt ihrer internen Rhythmen.

Um dies zu untersuchen, bauten die Wissenschaftler ein theoretisches Modell eines Netzwerks aus binären Einheiten, die zwischen zwei Zuständen wechseln. Sie programmierten dieses Netzwerk, um spezifische Aktivitätssequenzen zu speichern, von denen einige in Schleifen wiederkehrten und andere sich auf chaotische, unvorhersehbare Weise verhielten. Unter Verwendung fortgeschrittener statistischer Methoden berechneten sie die Grenzen dieses Netzwerks im Hinblick auf sein Gedächtnis. Sie fanden heraus, dass die Fähigkeit des Netzwerks, diese Muster abzurufen, stark von den mathematischen Eigenschaften der Verbindungen abhängt, die sie kodieren. Insbesondere betrachteten die Forscher die „Eigenphasen“ dieser Verbindungen, die man als die spezifische Zeitmessung oder Frequenz interpretieren kann, mit der jedes gespeicherte Muster oszillieren möchte.

Als die Forscher das Netzwerk so programmierten, dass alle gespeicherten Muster exakt dieselbe Zeitmessung teilten, waren die Ergebnisse enttäuschend. Das Netzwerk konnte nur eine sehr geringe Anzahl dieser beweglichen Erinnerungen halten, bevor die Signale begannen, sich gegenseitig zu stören. In diesem Szenario arbeiteten die internen Rückkopplungsschleifen des Netzwerks gegen sich selbst und erzeugten eine Art Rauschen, das die Erinnerungen übertönte. Dies galt besonders für Muster, die sich in Zyklen bewegten; das Netzwerk hatte Schwierigkeiten, sie voneinander abzugrenzen, und die Kapazität zur Speicherung brach weit unter das Niveau dessen zusammen, was für statische Bilder möglich war.

Doch die Geschichte änderte sich dramatisch, als die Forscher Vielfalt einführten. Als sie das Netzwerk so programmierten, dass jedes gespeicherte Muster eine leicht unterschiedliche, zufällige Zeitmessung hatte, verbesserte sich die Leistung des Netzwerks erheblich. Durch das Aufspannen der Frequenzen der gespeicherten Muster verschwand die destruktive Interferenz, die das einheitliche System geplagt hatte. Die unterschiedlichen Rhythmen löschten das Rauschen, das das Gedächtnis normalerweise stört, im Wesentlichen aus, sodass das Netzwerk so funktionierte, als wäre es ein viel einfacheres System. In diesen Simulationen konnte das Netzwerk eine Anzahl von beweglichen Mustern speichern, die etwa doppelt so hoch war wie die Kapazität klassischer statischer Gedächtnismodelle. Je vielfältiger die Zeitmessungen der gespeicherten Muster waren, desto mehr Informationen konnte das Netzwerk halten.

Die Forscher testeten diese Ideen durch die Durchführung detaillierter Computersimulationen des Netzwerks und verglichen ihre mathematischen Vorhersagen mit dem tatsächlichen Verhalten des simulierten Systems. Sie untersuchten Muster, die sich in einfachen Schleifen bewegten, sowie solche, die chaotischen, seltsamen Pfaden folgten. In jedem Fall stimmte die Theorie perfekt mit der Simulation überein. Sie bestätigten, dass das Netzwerk, wenn die Muster unterschiedliche Zeitmessungen hatten, diese mit hoher Genauigkeit abrufen konnte, selbst wenn die Anzahl der gespeicherten Muster sehr groß war. Umgekehrt versagte das Netzwerk beim Abruf der Erinnerungen, wenn die Zeitmessungen zu ähnlich waren. Die Studie legt nahe, dass die Fähigkeit des Gehirns, mehrere Rhythmen gleichzeitig zu verarbeiten – wie etwa die verschiedenen Aktivitätswellen im Hippocampus und im Kortex – eher ein Merkmal als ein Fehler ist. Anstatt Chaos zu verursachen, ermöglicht das Vorhandensein vieler verschiedener Frequenzen dem Gehirn, mehr Informationen in denselben Raum zu packen, indem es verhindert, dass sich die Signale gegenseitig in die Quere kommen.

Diese Arbeit stellt die Intuition infrage, dass Komplexität immer zu Instabilität führt. In vielen Systemen führt das Hinzufügen von mehr beweglichen Teilen dazu, dass das Ganze wahrscheinlicher kaputtgeht. Hier ist das Gegenteil der Fall: Das Hinzufügen von Vielfalt zu den Rhythmen der gespeicherten Muster stabilisiert das System und erhöht seine Kapazität. Die Ergebnisse bieten eine neue Perspektive darauf, wie biologische Schaltkreise in der Lage sind, mehrere oszillatorische Modi gleichzeitig aufrechtzuerhalten. Es deutet darauf hin, dass die Verteilung der Frequenzen über verschiedene neuronale Schaltkreise nicht nur ein Nebenprodukt ihrer Aktivität ist, sondern ein entscheidender Mechanismus, der es dem Gehirn ermöglicht, eine umfangreiche Bibliothek dynamischer Erinnerungen zu speichern. Die Forschung liefert eine klare, mathematische Erklärung dafür, warum ein Netzwerk aus einfachen, verrauschten Einheiten allein dadurch zu einem leistungsstarken Hochkapazitäts-Gedächtnissystem werden kann, dass es sicherstellt, dass seine gespeicherten Muster nicht alle nach demselben Takt marschieren.