A population code for semantics in human hippocampus

Die Studie zeigt, dass die menschliche Hippocampus-Aktivität Wortbedeutungen nicht durch einzelne spezialisierte Neuronen, sondern durch verteilte Populationsmuster kodiert, die semantische Beziehungen ähnlich wie kontextbasierte Sprachmodelle abbilden.

Das Wesentliche

Wie unser Gehirn Wörter versteht: Eine Reise in den Hippocampus

Stellen Sie sich Ihr Gehirn wie eine riesige, belebte Bibliothek vor. In dieser Bibliothek gibt es einen besonderen Raum, den Hippocampus. Lange Zeit dachten Wissenschaftler, dass in diesem Raum jeder einzelne Buchstabe oder jedes einzelne Wort von einem ganz speziellen „Wächter" bewacht wird – ein Wächter nur für das Wort „Apfel", einer nur für „Hund" und so weiter.

Aber diese neue Studie zeigt uns etwas völlig Neues und Spannendes: Es gibt keine einzelnen Wächter für einzelne Wörter. Stattdessen funktioniert es wie ein großes Orchester.

Hier ist die Geschichte, wie unser Gehirn Bedeutung versteht, einfach erklärt:

1. Das Orchester statt des Solisten

Stellen Sie sich vor, Sie hören das Wort „Bank".

• Die alte Idee: Ein einzelner Neuron (eine Nervenzelle) würde feuern, wenn Sie „Bank" hören, und gar nichts, wenn Sie „Stuhl" hören.
• Die neue Entdeckung: Es feuert gar kein einzelner Neuron allein. Stattdessen schwingt das gesamte Orchester mit. Hunderte von Nervenzellen spielen gleichzeitig, aber jede auf eine etwas andere Art und Weise.
  • Wenn Sie das Wort „Apfel" hören, spielen die Cellen A, B und C laut, während D und E leise sind.
  • Wenn Sie das Wort „Birne" hören, spielen A, B und C auch, aber vielleicht ist D jetzt lauter und E leiser.
  • Das Ergebnis: Die Bedeutung eines Wortes ist nicht in einem Neuron gespeichert, sondern im Muster der gesamten Gruppe. Es ist wie ein Fingerabdruck, der aus vielen kleinen Strichen besteht, nicht aus einem einzigen.

2. Der Kontext ist der Dirigent

Das ist der wichtigste Teil: Die Bedeutung eines Wortes ändert sich je nach Situation.

• Das Wort „scharf" kann eine Messer beschreiben (physisch scharf) oder einen Verstand (geistig scharf).
• In der Bibliothek würde das Wort „scharf" also zwei völlig verschiedene Orchester-Muster auslösen, je nachdem, ob im Satz von einem Messer oder von Intelligenz die Rede ist.
• Die Studie zeigt, dass unser Hippocampus diesen Kontext perfekt versteht. Er nutzt moderne KI-Modelle (wie GPT-2 oder BERT) als Vergleich: Diese Computermodelle verstehen auch, dass „scharf" je nach Satz unterschiedlich gemeint ist. Unser Gehirn macht genau dasselbe! Es speichert nicht das Wort an sich, sondern die Bedeutung in diesem Moment.

3. Warum sind manche Wörter schwieriger zu unterscheiden?

Die Forscher haben etwas Interessantes über häufige Wörter (wie „der", „und", „ich") im Vergleich zu seltenen Wörtern (wie „Kolibri" oder „Spatz") herausgefunden.

• Seltene Wörter sind wie exotische Instrumente im Orchester. Sie haben einen sehr klaren, einzigartigen Klang. Man kann sie leicht voneinander unterscheiden.
• Häufige Wörter sind wie die Trommeln im Hintergrund. Sie kommen so oft vor, dass sie viele verschiedene Bedeutungen haben können (man nennt das „Polysemie").
  • Das Wort „der" kann sich auf einen Mann, eine Frau oder eine Sache beziehen.
  • Weil diese Wörter so viele Bedeutungen haben, ist das Muster im Gehirn sehr breit und verschwommen. Es ist schwerer, sie voneinander zu trennen, weil sie sich im „Orchester" oft überschneiden.
  • Die Lösung des Gehirns: Damit wir trotzdem nicht durcheinanderkommen, nutzt das Gehirn einen Trick namens kontrastives Kodieren. Wenn zwei Wörter sehr ähnlich sind (z. B. „Bruder" und „Schwester"), stellt das Gehirn das Orchester so ein, dass sie klinglich so unterschiedlich wie möglich werden, um Verwechslungen zu vermeiden. Es ist, als würde das Gehirn zwei fast gleiche Noten absichtlich etwas verstimmen, damit man sie sicher unterscheiden kann.

4. Was bedeutet das für uns?

Diese Studie ist ein großer Schritt, um zu verstehen, wie wir denken und sprechen.

• Wir sind keine statischen Datenbanken: Unser Gehirn speichert keine festen Listen von Wörtern. Es ist ein dynamisches System, das Bedeutung aus dem Zusammenspiel vieler Zellen erschafft.
• KI hilft uns, das Gehirn zu verstehen: Die Tatsache, dass Computermodelle (wie GPT-2), die auf Kontext trainiert sind, besser funktionieren als alte Modelle, zeigt uns, dass unser Gehirn auf die gleiche Weise „rechnet". Wir verstehen Sprache nicht durch isolierte Wörter, sondern durch das große Ganze.

Zusammenfassend:
Ihr Gehirn ist kein Archivar, der Wörter in Schubladen sortiert. Es ist ein lebendiges, tanzendes Muster. Jedes Wort ist ein Tanz, bei dem hunderte von Nervenzellen zusammenarbeiten. Je nachdem, in welchem Kontext das Wort fällt, ändert sich der Tanzschritt. Und genau wie ein guter Dirigent sorgt Ihr Gehirn dafür, dass selbst die ähnlichsten Tänzer (Wörter) ihre eigenen, einzigartigen Schritte finden, damit wir die Welt klar und deutlich verstehen können.

Technische Zusammenfassung

Titel: Ein Populationscode für Semantik im menschlichen Hippocampus

Autoren: Melissa Franch et al.
Veröffentlicht: Preprint (bioRxiv), März 2026

---

1. Problemstellung und Hypothese

Die Art und Weise, wie Neuronen Bedeutung (Semantik) kodieren, ist noch nicht vollständig verstanden. Während frühere Studien oft nach spezialisierten "Konzept-Zellen" suchten, die auf einzelne Wörter oder Kategorien reagieren, deuten neuere Fortschritte bei Large Language Models (LLMs) darauf hin, dass Bedeutung durch verteilte Populationsgeometrien (distributed population geometry) repräsentiert wird.

Die Autoren hypothesieren, dass:

1. Wortbedeutungen nicht in einzelnen, stark selektiven Neuronen, sondern in verteilten Aktivitätsmustern über große Neuronenpopulationen kodiert sind.
2. Diese Kodierung kontextabhängig ist (d.h. die Bedeutung eines Wortes ändert sich je nach Satzkontext).
3. Ein großer Anteil der Neuronen (>1 %) an der Kodierung eines jeden Konzepts beteiligt ist und dass dieselbe Population eine Vielzahl unterschiedlicher Konzepte kodiert (gemischte Selektivität).
4. Der Hippocampus, bekannt für seine Rolle bei relationaler und semantischer Gedächtnisbildung, eine zentrale Rolle bei dieser kontextuellen semantischen Kodierung spielt.

2. Methodik

Datenerhebung:

• Probanden: 10 Patienten mit Epilepsie, die sich einer intrakraniellen Überwachung (sEEG) unterzogen.
• Aufnahme: Einzelne Neuronen (n = 356) im Hippocampus wurden während des Hörens von kontinuierlicher, narrativer Sprache (47 Minuten, 7.346 Wörter aus "The Moth"-Podcasts) aufgezeichnet.
• Kontrolle: Eine Teilgruppe (n=4) hörte zusätzlich "Jabberwocky"-Stimuli (Satzstrukturen mit bedeutungslosen, erfundenen Wörtern), um die Spezifität für Semantik zu testen.

Analyse und Modellierung:

• Verarbeitungsschritte: Spike-Zählungen wurden in einem Fenster von 80 ms nach Wortbeginn bis zum Wortende berechnet und durch die Wortdauer normalisiert.
• Sprachmodelle (Embeddings): Die Studie verglich neuronale Antworten mit semantischen Embeddings aus verschiedenen Modellen:
  • Word2Vec: Statische, nicht-kontextuelle Embeddings.
  • BERT & GPT-2: Kontextuelle Embeddings (unidirektional für BERT, autoregressiv für GPT-2), die die Bedeutung basierend auf dem umgebenden Text anpassen.
• Encoding-Modelle: Poisson-GLMs (Generalized Linear Models) mit Ridge-Regularisierung wurden verwendet, um die Spike-Zahlen der Neuronen basierend auf Embedding-Dimensionen, Wortdauer und deren Interaktionen vorherzusagen.
• Decoding & Geometrie:
  • ROC-Analyse: Zur Bestimmung, wie viele Neuronen ein einzelnes Wort kodieren.
  • Reduzierte Rang-Regression (RRR): Um zu testen, wie gut neuronale Populationen semantische Embeddings vorhersagen können.
  • Distanz-Analyse: Korrelation zwischen der semantischen Distanz (im Embedding-Raum) und der neuronalen Distanz (im Raum der Feuerraten).
  • PCA: Zur Visualisierung der semantischen Geometrie über Patienten hinweg.

3. Wichtige Beiträge und Ergebnisse

A. Verteilter und gemischter Code (Distributed Coding)

• Keine "Ein-Wort-Zellen": Die Studie widerlegt das Modell strikter Ein-Wort-Selektivität. Jedes der 283 analysierten Wörter wurde von mindestens 3 Neuronen kodiert, im Durchschnitt von 37 Neuronen (ca. 10 % der Population).
• Gemischte Selektivität: Einzelne Neuronen kodieren Wörter aus völlig unterschiedlichen semantischen Kategorien (z. B. "Hand", "Lunge", "Narbe" vs. "Freunde", "Königin"). Ein Neuron kodiert im Durchschnitt Wörter, die 4 der 11 identifizierten semantischen Kategorien abdecken.
• Semantische Reichweite: 56 % der Neuronen kodieren Wörter, die den gesamten semantischen Raum des Datensatzes abdecken.

B. Kontextabhängigkeit der Kodierung

• Kontextuelle Modelle sind überlegen: Modelle, die kontextuelle Embeddings (GPT-2, BERT) verwenden, passen die neuronalen Antworten signifikant besser an als statische Modelle (Word2Vec).
• Polysemie: Die neuronale Variabilität korreliert stark mit der Polysemie (Mehrdeutigkeit) von Wörtern. Häufige Wörter (hohe Polysemie) zeigen je nach Kontext unterschiedliche neuronale Aktivitätsmuster, was durch kontextuelle Modelle besser erfasst wird.
• Vorhersagekraft: Kontextuelle Modelle (GPT-2) erklären die neuronale Varianz besser als statische Modelle, was darauf hindeutet, dass der Hippocampus kontextuell modulierte Bedeutungen kodiert, nicht feste lexikalische Kategorien.

C. Geometrie der neuronalen Populationsantworten

• Korrelation von Distanzen: Es besteht eine positive Korrelation zwischen der semantischen Distanz (in BERT/GPT-2) und der neuronalen Distanz. Ähnliche Wörter lösen ähnliche Aktivitätsmuster aus.
• Kontrastive Kodierung (Contrastive Coding): Bei sehr ähnlichen Wörtern (semantische Distanz im Bereich 0,15–0,35) kehrt sich die Korrelation um: Die neuronalen Distanzen werden größer, während die semantischen Distanzen klein bleiben. Dies deutet auf einen kontrastiven Code hin, der hilft, leicht verwechselbare Wörter (z. B. "Bruder" vs. "Schwester") im Rauschen des Gehirns zu trennen.
• Einfluss der Wortfrequenz: Häufige Wörter (hohe Polysemie) sind im neuronalen Raum zentraler gruppiert, aber durch ihre kontextuelle Variabilität schwerer zu decodieren als seltene, spezifische Wörter.

D. Spezifität für Semantik

• Neuronen reagierten signifikant stärker auf echte Wörter als auf die bedeutungslosen Jabberwocky-Stimuli (57 % der Neuronen zeigten signifikante Änderungen).
• Ein SVM-Decodierer erreichte 75 % Genauigkeit bei der Unterscheidung von Wörtern und Nicht-Wörtern.
• Semantische Merkmale erklärten die neuronale Varianz besser als phonetische Merkmale oder syntaktische Features.

4. Signifikanz und Schlussfolgerung

Diese Studie liefert einen neurocomputationalen Beleg dafür, dass der menschliche Hippocampus während des natürlichen Sprachverständnisses semantische Informationen durch verteilte Populationscodes verarbeitet.

• Paradigmenwechsel: Die Ergebnisse unterstützen die Theorie, dass Bedeutung nicht in einzelnen "Konzept-Zellen" gespeichert ist, sondern in der Geometrie der Aktivität über viele Neuronen hinweg.
• Rolle des Kontexts: Der Hippocampus kodiert nicht statische Wortbedeutungen, sondern dynamische, kontextabhängige Bedeutungen, ähnlich wie moderne LLMs (GPT-2, BERT).
• Mechanismus der Unterscheidung: Die Entdeckung der kontrastiven Kodierung bei sehr ähnlichen Wörtern bietet einen Mechanismus, wie das Gehirn trotz hoher Ähnlichkeit in den Embeddings feine semantische Unterscheidungen trifft (Rauschunterdrückung durch "Repulsion").
• Vergleichbarkeit mit KI: Die neuronale Repräsentation im Hippocampus weist strukturelle Ähnlichkeiten mit den hochdimensionalen, verteilten Repräsentationen in LLMs auf, was darauf hindeutet, dass biologische und künstliche Systeme ähnliche geometrische Prinzipien zur Kodierung von Bedeutung nutzen, auch wenn die zugrundeliegenden Algorithmen unterschiedlich sind.

Zusammenfassend etabliert diese Arbeit den Hippocampus als einen Knotenpunkt für die Integration von relationaler Struktur und kontextueller Semantik, wobei die Bedeutung von Wörtern durch die kollektive Geometrie neuronaler Populationen repräsentiert wird.