Linking macroscale structure and function in brain-like recurrent neural networks

Die Studie stellt BrainRNN vor, eine rekurrente neuronale Netzwerkarchitektur, die von der makroskopischen Struktur des menschlichen Kortex inspiriert ist und zeigt, wie strukturelle Zwangsbedingungen die Entstehung einer funktionalen Organisation ermöglichen, die der des menschlichen Gehirns mit ihren Modulen und Gradienten stark ähnelt.

Das Wesentliche

Kopfzeile: Wie man aus dem „Bauplan" eines Gehirns seine „Fähigkeiten" vorhersagen kann

Stellen Sie sich vor, Sie bauen einen Roboter, der denken soll. Normalerweise geben Ingenieuren diesen Robotern einfach eine riesige Menge an Kabeln und lassen sie alles miteinander verbinden, solange sie die Aufgaben gut lösen. Das funktioniert zwar, aber man weiß oft nicht, warum der Roboter so denkt oder wie er sich verhält, wenn man ihn verändert.

In der menschlichen Natur ist das anders. Unser Gehirn ist nicht einfach ein Haufen Kabel. Es ist wie eine gut organisierte Stadt: Es gibt spezielle Viertel für Sehen (hinten), für Bewegung (vorne) und für das „Denken" (die großen, verbundenen Bereiche dazwischen). Und die Straßen zwischen diesen Vierteln sind nicht zufällig; sie sparen Material, sind aber trotzdem effizient.

Diese Forscher haben nun einen neuen künstlichen Intelligenz-Typ entwickelt, den sie „BrainRNN" nennen. Sie haben diesem künstlichen Gehirn genau diese „Stadt-Regeln" auferlegt, bevor sie es trainiert haben.

Hier ist die Geschichte, was sie herausgefunden haben, einfach erklärt:

1. Der Bauplan: Eine Stadt mit Regeln

Stellen Sie sich das künstliche Gehirn als eine Kugel vor, die wie eine menschliche Hirnhälfte aussieht.

• Die Viertel: Sie haben festgelegt, dass bestimmte Bereiche nur Bilder sehen dürfen (wie das hintere Sehzentrum) und andere nur Bewegungen steuern dürfen (wie das vordere Motorzentrum). Alles dazwischen sind die „Assoziations-Zonen" – das sind die Denker, die zwischen Sehen und Bewegen vermitteln.
• Die Straßen (Kabel): In normalen Computern sind alle Kabel gleich teuer. In diesem neuen Gehirn kostet es aber „Energie", Kabel zu verlegen, die weit voneinander entfernt sind. Je weiter zwei Punkte voneinander entfernt sind, desto teurer ist die Verbindung. Das zwingt das System, kluge, kurze Wege zu finden, genau wie in der Natur.

2. Das Experiment: Was passiert, wenn die Straßen teuer werden?

Die Forscher haben das Gehirn trainiert, 22 verschiedene Aufgaben zu lösen – von einfachen „Schau hierhin"-Aufgaben bis hin zu komplexen „Ich muss mich an etwas erinnern und dann eine Entscheidung treffen"-Aufgaben.

Sie haben nun die „Straßengebühren" (die Kosten für lange Kabel) erhöht und beobachtet, was passiert:

• Bei einfachen Aufgaben: Das Gehirn funktioniert immer noch super. Es nutzt nur die nahen Bereiche (Sehen und Bewegen), weil diese Aufgaben keine weiten Reisen brauchen.
• Bei schwierigen Aufgaben: Hier wird es spannend. Wenn die Straßen teuer werden, schaltet das Gehirn die „Denk-Zonen" (die Assoziationsbereiche) ab. Es versucht, alles mit den nahen Bereichen zu lösen. Das Ergebnis? Die Leistung bei den schwierigen Aufgaben bricht ein.

Die Erkenntnis: Das zeigt, dass wir für komplexe Gedanken (wie Planen oder Erinnern) wirklich diese großen, weit entfernten „Denk-Viertel" brauchen. Ohne sie funktioniert das Gehirn nur für einfache Dinge. Das erklärt vielleicht, warum das menschliche Gehirn im Laufe der Evolution so riesige Denkareale entwickelt hat – wir brauchen sie für unsere Intelligenz!

3. Die Vorhersage: Der Bauplan sagt die Funktion voraus

Das Coolste an dieser Studie ist, dass sie beweisen, wie man aus dem Bauplan (Struktur) die Fähigkeiten (Funktion) ablesen kann.

• In der echten Welt: Wissenschaftler schauen sich oft an, wie das Gehirn aufgebaut ist, um zu verstehen, was es tut.
• In der KI: Normalerweise schauen wir uns erst an, was die KI tut, und versuchen dann zu erraten, wie sie aufgebaut ist.

Mit ihrem „BrainRNN" haben sie gezeigt: Wenn man die Regeln des menschlichen Gehirns (die Stadtstruktur und die teuren langen Straßen) in die KI einbaut, entwickelt die KI automatisch eine ähnliche Organisation wie unser Gehirn.

• Sie bilden Module (kleine Teams, die zusammenarbeiten).
• Sie bilden Gradienten (eine fließende Übergangszone vom Sehen zum Denken zur Bewegung).

Zusammenfassung in einer Metapher

Stellen Sie sich vor, Sie haben zwei Bibliotheken:

1. Die alte Bibliothek (normale KI): Alle Bücher liegen in einem riesigen, unordentlichen Haufen. Man kann sie schnell finden, wenn man weiß, wo sie liegen, aber die Struktur verrät einem nichts über den Inhalt.
2. Die neue Bibliothek (BrainRNN): Die Bücher sind nach Themen sortiert, und die Regale sind so gebaut, dass man nur kurze Wege laufen muss, um verwandte Themen zu finden.

Die Forscher haben gezeigt: Wenn man die Bibliothek so baut (Struktur), dann weiß man sofort, dass sie für komplexe Recherchen (Funktion) geeignet ist, ohne dass man erst alle Bücher durchlesen muss.

Fazit:
Diese Studie ist ein großer Schritt, um Künstliche Intelligenz „menschlicher" zu machen. Sie zeigt, dass die Art und Weise, wie wir unser Gehirn gebaut haben (die Struktur), direkt bestimmt, wie wir denken (die Funktion). Wenn wir KI-Systeme mit ähnlichen strukturellen Regeln bauen, können wir nicht nur leistungsfähigere Maschinen bauen, sondern auch besser verstehen, wie unser eigenes Gehirn funktioniert.

Technische Zusammenfassung

Titel: Verknüpfung von Makrostruktur und Funktion in hirnachahmenden rekurrenten neuronalen Netzwerken (BrainRNNs)

Autoren: Peiyu Chen, Zaixu Cui, Christos Constantinidis
Quelle: bioRxiv Preprint (2026)

---

1. Problemstellung

Die Beziehung zwischen Struktur und Funktion ist ein zentrales Problem sowohl in der Neurobiologie als auch in der Künstlichen Intelligenz (KI).

• Im menschlichen Gehirn: Die makroskalige funktionelle Organisation (Parzellierung, Module, Hierarchien) lässt sich aus der anatomischen Struktur und den intrinsischen Konnektivitätsmustern ableiten. Dies ermöglicht es, Funktion aus Struktur zu inferieren, ohne dass explizite Aufgabenaktivierung vorliegt.
• In der KI: Künstliche neuronale Netze (ANNs) werden zwar erfolgreich an menschliche Kognition auf Repräsentationsebene angepasst, doch ihre innere Architektur wird selten im Hinblick auf biologische Strukturprinzipien untersucht. Die meisten Interpretationsansätze basieren auf post-hoc-Analysen (z. B. Gradient-basierte Attribution) und nicht auf einer Inferenz der Funktion aus der Struktur.
• Die Lücke: Es ist unklar, ob die strukturellen Prinzipien, die Anatomie und Funktion im Gehirn verknüpfen, auch auf künstliche rekurrente Netzwerke (RNNs) übertragbar sind, und ob das Auflegen biologischer Strukturzwänge eine funktionelle Organisation hervorruft, die der des menschlichen Gehirns entspricht.

2. Methodik: Das BrainRNN-Framework

Die Autoren stellen BrainRNN vor, eine rekurrente neuronale Netzwerk-Architektur, die makroskalige Strukturen des menschlichen Kortex nachbildet.

• Topographische Einbettung:
  • Die 128 rekurrenten Einheiten sind quasi-uniform auf einer hemisphärischen Mannigfaltigkeit (Fibonacci-Gitter) in 3D-Raumkoordinaten (links-rechts, posterior-anterior, dorsal-ventral) verteilt.
  • Areal-Schnittstellen: Es gibt strikte funktionale Trennung:
    • Visuelle Einheiten (32): Posterior angeordnet (analog zum primären visuellen Kortex), erhalten externe Eingaben.
    • Motorische Einheiten (16): Anterior angeordnet (analog zum primären motorischen Kortex), geben die Ausgabe (Sakkadenrichtung) aus.
    • Assoziative Einheiten (80): Dazwischen liegend, für höhere kognitive Verarbeitung.
• Trainingsaufgabe: Das Netz wird auf 22 kognitive Aufgaben aus vier Familien trainiert: Visuomotorik (VM), Arbeitsgedächtnis (WM), Match/Non-Match (MNM) und Entscheidungsfindung (DM).
• Wiring-Cost-Constraint (Verdraftungskosten):
  • Um die biologische „ökonomische Vernetzung" (Wiring Economy) zu simulieren, wird ein Regularisierungsterm ($\lambda$) in die Verlustfunktion eingefügt.
  • Dieser Term bestraft starke Verbindungen über große räumliche Distanzen ($L_1$-Regularisierung basierend auf der euklidischen Distanz zwischen Einheiten).
  • Ziel: Minimierung der Verdraftungskosten bei gleichzeitiger Aufrechterhaltung der Aufgabenleistung.

3. Schlüsselbeiträge

1. Entwicklung von BrainRNN: Ein Modell, das topographische (räumliche Lage) und topologische (Konnektivitätskosten) Zwänge integriert.
2. Struktur-Funktions-Kopplung: Demonstration, dass funktionelle Organisation (Module, Gradienten) direkt aus der strukturellen Architektur inferiert werden kann, ähnlich wie im menschlichen Gehirn.
3. Mechanistische Erklärung: Aufklärung, wie strukturelle Zwänge die Expansion assoziativer Regionen für höhere Kognition erzwingen und wie dies die kognitive Kapazität beeinflusst.

4. Ergebnisse

A. Strukturzwänge formen Aktivierungsmuster und kognitive Kapazität

• Selektive Aktivierung: Mit steigendem Wiring-Cost-Parameter ($\lambda$) nimmt die Gesamtzahl der aktivierten Einheiten ab.
  • Visuelle und motorische Einheiten bleiben stabil aktiv.
  • Assoziative Einheiten werden stark reduziert. Unter strengen Zwängen ($\lambda = 10^{-4}$) sind fast nur noch visuelle und motorische Regionen aktiv.
• Kognitive Hierarchie:
  • Einfache Visuomotor-Aufgaben bleiben auch bei starken Zwängen hochperformant.
  • Komplexe Aufgaben (Arbeitsgedächtnis, Entscheidungsfindung) leiden stark unter hohen $\lambda$-Werten, da diese eine breite Rekrutierung assoziativer Einheiten erfordern.
• Ablationsstudien: Ohne die spezifischen visuellen/motorischen Schnittstellen (bei konventionellen RNNs) werden alle Einheiten aktiviert, unabhängig von den Kosten. Die räumliche Organisation der Schnittstellen ist also entscheidend für die selektive Aktivierung.

B. Struktur-Funktions-Kopplung (Structure-Function Coupling)

• Vergleich mit Human-MRI: Die Autoren verglichen die BrainRNNs mit Daten des Human Connectome Project (HCP).
• Ergebnisse:
  • Räumliche Distanz: Wie im Gehirn zeigt sich eine negative Korrelation zwischen räumlicher Distanz und funktioneller Konnektivität (weit entfernte Einheiten sind weniger stark funktional korreliert).
  • Topologische Ähnlichkeit: Die Kosinus-Ähnlichkeit der strukturellen Konnektivität korreliert positiv mit der funktionellen Konnektivität.
  • BrainRNNs mit Strukturzwängen zeigen eine deutlich stärkere Kopplung als konventionelle RNNs oder rein räumlich eingebettete RNNs ohne Kostenzwang.

C. Entstehung funktionaler Module

• Modularität: Funktionale Module (basierend auf Aufgabenvarianz) und Netzwerkmodule (basierend auf struktureller Konnektivität) zeigen eine signifikante Überlappung (gemessen durch Adjusted Mutual Information, AMI).
• Räumliche Verteilung: Die Module sind weder rein lokalisiert noch rein zufällig verteilt, sondern zeigen eine optimale Balance, die der menschlichen Hirnorganisation (z. B. Yeo-Netzwerke) entspricht.
• Einfluss von $\lambda$: Mit steigenden Wiring-Cost-Zwängen nimmt die räumliche Kompaktheit der Module zu, und die Kopplung zwischen Struktur- und Funktionsmodulen wird stärker. Die Strukturzwänge erzwingen also die Entstehung topographisch verankerter Module.

D. Funktionelle Gradienten

• Gradienten-Entdeckung: Durch Hauptkomponentenanalyse (PCA) der rekurrenten Konnektivität lassen sich funktionelle Gradienten ableiten.
• Übereinstimmung: Diese Gradienten spiegeln die sensorimotorisch-assoziativen Hierarchien des menschlichen Gehirns wider (z. B. Sensorimotor $\to$ Assoziation).
• Topographische Verankerung: Die Position der funktionellen Module entlang dieser Gradienten korreliert signifikant mit ihrer räumlichen Distanz.
• Effekt der Zwänge: Stärkere Wiring-Cost-Zwänge reduzieren die Anzahl signifikanter Gradienten (was die kognitive Flexibilität einschränkt), erhöhen aber die Ausrichtung der Gradienten auf die topographische Struktur.

5. Bedeutung und Fazit

• Brücke zwischen Biologie und KI: Die Studie zeigt, dass Prinzipien der Struktur-Funktions-Verknüpfung, die in der Neurowissenschaft etabliert sind, auch auf künstliche Netzwerke anwendbar sind, wenn diese biologisch plausible Strukturzwänge aufweisen.
• Erklärung der Assoziationskortex-Expansion: Die Ergebnisse liefern einen mechanistischen Beleg dafür, dass die evolutionäre Expansion des Assoziationskortex (im Vergleich zu sensorischen/motorischen Arealen) eine direkte Folge des Kompromisses zwischen strukturellen Verdraftungskosten und der Notwendigkeit für höhere kognitive Kapazität ist.
• Neue Perspektive für KI-Interpretierbarkeit: Anstatt Funktion nur aus der Aufgabenleistung abzuleiten, kann bei strukturell fundierten Modellen die Funktion direkt aus der Architektur und den Konnektivitätsmustern inferiert werden. Dies bietet neue Wege für die Entwicklung interpretierbarer KI und für das Verständnis neurologischer Erkrankungen, bei denen Struktur-Funktions-Kopplungen gestört sind.

Zusammenfassend demonstriert das Paper, dass hirnähnliche Strukturzwänge (Topographie + Wiring Economy) notwendig sind, um eine funktionelle Organisation zu erzeugen, die den makroskaligen Prinzipien des menschlichen Gehirns (Module, Gradienten, Kopplung) entspricht.