Heterogeneous self-couplings enable scale-invariant memory and cognitive flexibility without criticality

Das menschliche Gehirn ist ein Meister der Zeit. Es kann in einem Bruchteil einer Sekunde auf einen plötzlichen Lichtblitz reagieren, aber es kann auch einen komplexen Gedanken über Minuten im Geist halten oder eine Geschichte weben, die sich über Jahre hinweg entfaltet. Diese Fähigkeit, über so unterschiedliche Geschwindigkeiten hinweg zu operieren, ist kein Fehler, sondern ein grundlegendes Merkmal der Art und Weise, wie wir denken, lernen und uns anpassen. Seit Jahrzehnten fragen sich Wissenschaftler, wie ein Netzwerk aus Milliarden von Neuronen in der Lage ist, Ereignisse aus der fernen Vergangenheit im Blick zu behalten und gleichzeitig auf den gegenwärtigen Moment zu reagieren. Eine führende Theorie besagte, dass das Gehirn ständig auf einer hauchdünnen Kante zwischen Ordnung und Chaos schweben muss – ein Zustand, der als Kritikalität bekannt ist –, um diese Flexibilität zu erreichen. Neue Forschungen stellen diese lang gehegte Sichtweise jedoch in Frage und schlagen vor, dass das Gehirn seine bemerkenswerte Zeitmessung und Anpassungsfähigkeit durch einen einfacheren, robusteren Mechanismus erreichen könnte: eine eingebaute Vielfalt an Geschwindigkeiten innerhalb seiner eigenen Schaltkreise.

In einer im Oktober 2026 veröffentlichten Studie untersuchten die Forscher Francesco Damiani, Gabriele Di Antonio und ihre Kollegen an der Pompeu Fabra Universität und dem Istituto Superiore di Sanità in Rom diese Möglichkeit mithilfe eines Computermodells eines neuronalen Netzwerks. Sie bauten ein System, das die Struktur des Gehirns nachahmt, führten jedoch eine spezifische Art von Variation ein: Anstatt dass sich jeder Teil des Netzwerks exakt gleich verhält, gaben sie jeder Einheit eine unterschiedliche Stärke ihrer Selbstverbindung. In der Sprache des Modells sind einige Einheiten fest mit sich selbst verbunden, was sie langsam in ihrem Zustand verändert, während andere locker verbunden sind, was es ihnen ermöglicht, schnell zu reagieren. Das Team fand heraus, dass diese einfache Mischung aus schnellen und langsamen Einheiten ausreichte, um ein System zu schaffen, das sich über ein breites Spektrum von Zeitskalen hinweg an die Vergangenheit erinnert, ohne auf eine kritische Kante abgestimmt werden zu müssen.

Die Forscher entdeckten, dass, wenn diese Einheiten mit der richtigen Mischung aus Selbstverbindungen angeordnet sind, das Gedächtnis des Netzwerks nicht auf eine vorhersehbare, einheitliche Weise verblasst. Stattdessen zerfällt die Erinnerung an vergangene Eingaben langsam und stetig, nach einem Muster, bei dem die Information aus der fernen Vergangenheit noch einen schwachen Einfluss auf die Gegenwart hat. Dies ist das, was Wissenschaftler als skaleninvariantes Gedächtnis bezeichnen. Das bedeutet, dass das System in der Lage ist, Informationen zu verarbeiten, die mit jeder beliebigen Geschwindigkeit eintreffen, sei es eine schnelle Serie von Klicks oder ein langsames, langgezogenes Gespräch, ohne neu konfiguriert werden zu müssen. Das Modell zeigte, dass dieser Potenzgesetz-Zerfall des Gedächtnisses, der oft in der realen Gehirnaktivität zu beobachten ist, natürlich aus der Vielfalt der internen Verbindungen des Netzwerks entstehen kann, anstatt die Anforderung zu stellen, dass das gesamte System prekär am Rande des Chaos ausbalanciert sein muss.

Um zu testen, ob dieses Gedächtnis tatsächlich nützlich war, unterzogen das Team ihr Modell einer Reihe von kognitiven Herausforderungen. Zuerst gaben sie ihm eine Kurzzeitgedächtnis-Aufgabe, bei der es eine Sequenz von sechs verschiedenen Signalen speichern musste, die in unterschiedlichen Geschwindigkeiten präsentiert wurden. Ein Standardnetzwerk, in dem alle Teile identisch sind, hatte Schwierigkeiten, wenn die Signale schneller oder langsamer kamen, und vergaß schnell, was es gesehen hatte. Ein auf die Stabilitätskante abgestimmtes Netzwerk schnitt besser ab, war jedoch fragil. Im Gegensatz dazu erinnerte sich das Modell mit den vielfältigen Selbstverbindungen robust an die Sequenz, unabhängig vom Timing. Es konnte das erste Signal ebenso gut festhalten wie das letzte, selbst wenn die Lücken zwischen ihnen zwanzigmal länger waren als die Geschwindigkeit einer einzelnen Einheit. Dies demonstrierte, dass die Mischung der Geschwindigkeiten es dem Netzwerk ermöglichte, eine stabile Aufzeichnung der Vergangenheit aufrechtzuerhalten, ohne die Fähigkeit zu verlieren, auf das Jetzt zu reagieren.

Die Forscher gingen dann einen Schritt weiter und baten das Modell, ein klassisches Rätsel der kognitiven Flexibilität zu lösen, den Wisconsin Card Sorting Test. Bei dieser Aufgabe muss eine Person Karten nach einer Regel sortieren, beispielsweise nach Farbe oder Form. Die Regel ändert sich unerwartet, und die Person muss die neue Regel basierend auf einem Feedback, wie etwa einem Fehlersignal, erkennen. Dies erfordert, den aktuellen Kontext im Sinn zu behalten und gleichzeitig bereit zu sein, sofort umzuschalten. Das Modell bestand diese Aufgabe, indem es seine schnellen Einheiten nutzte, um unmittelbare Entscheidungen basierend auf den gesehenen Karten zu treffen, während seine langsamen, selbstverbundenen Einheiten als stabiler Speicher dienten, um die aktuelle Regel im Gedächtnis zu behalten. Wenn ein Fehler auftrat, konnte das Netzwerk seinen internen Zustand zu einem neuen „Attraktor“ verschieben, was effektiv bedeutete, die Regel zu ändern, ohne seine gesamte Struktur neu verdrahten zu müssen. Diese Fähigkeit, Kontexte reibungslos und effizient zu wechseln, ergab sich direkt aus der internen Vielfalt des Netzwerks.

Ein entscheidender Teil der Studie war der Vergleich dieses Ansatzes mit anderen Wegen, unterschiedliche Geschwindigkeiten in einem Netzwerk zu erzeugen. Das Team baute ein zweites Modell, bei dem die Einheiten unterschiedliche Geschwindigkeiten hatten, weil sie mit unterschiedlichen Zeitkonstanten konstruiert worden waren – eine gängige Methode, um Diversität zu simulieren. Obwohl dieses zweite Modell ebenfalls das Rätsel lösen konnte, erforderte es viel größere und drastischere Änderungen an seinen Verbindungen, um die Regeln zu erlernen. Das Modell mit den vielfältigen Selbstverbindungen hingegen lernte die Aufgabe mit nur winzigen Anpassungen an seiner bestehenden Struktur. Dies deutet darauf hin, dass das Besitzen einer eingebauten Landschaft aus unterschiedlichen Geschwindigkeiten und stabilen Zuständen ein effizienterer Weg für ein System ist, um zu lernen und sich anzupassen. Es ermöglicht dem Netzwerk, bereits vorhandene Fähigkeiten zu rekrutieren, anstatt jedes Mal, wenn sich eine Situation ändert, neue aus dem Boden zu stampfen.

Die Ergebnisse werfen auch ein Licht auf eine große Debatte in den Neurowissenschaften bezüglich der Kritikalität. Jahrelang glaubten viele Wissenschaftler, dass das Gehirn nahe einem kritischen Punkt operieren muss – einem Zustand, in dem es perfekt zwischen zu starr und zu chaotisch ausbalanciert ist –, um flexibel und leistungsfähig zu sein. Die neuen Simulationen legen nahe, dass dies nicht zwingend erforderlich ist. Die Forscher zeigten, dass ihr Modell in einem stabilen, subkritischen Zustand blieb – das heißt, es war sicher vom Chaos entfernt – und dennoch die komplexen, skalenfreien Dynamiken und das flexible Verhalten erzeugte, die man bisher ausschließlich der Kritikalität zugeschrieben hatte. Dies impliziert, dass das Gehirn nicht auf einem Drahtseil wandern muss, um gut zu funktionieren; stattdessen kann es auf die reiche, vielfältige Dynamik vertrauen, die durch seine eigene strukturelle Diversität entsteht.

Die Studie bietet eine neue Art und Weise, darüber nachzudenken, wie das Gehirn organisiert ist. Sie legt nahe, dass der Kortex ein Hierarchie von Netzwerken sein könnte, wobei niedrigere Ebenen mit schnellen, unmittelbaren sensorischen Inputs umgehen und höhere Ebenen mit langsamen, komplexen Kontexten. Diese Hierarchie könnte einfach dadurch entstehen, dass die Stärke der Selbstverbindungen zunimmt, während man sich in der Verarbeitungskette des Gehirns nach oben bewegt. Die höheren Bereiche würden natürlicherweise mehr langsame, stabile Einheiten besitzen, die in der Lage sind, abstrakte Ideen und Regeln festzuhalten, während die niedrigeren Bereiche schnellere Einheiten für rasche Reaktionen hätten. Dieses einzige Prinzip variierender Selbstverbindungen könnte sowohl die Fähigkeit des Gehirns erklären, Informationen über lange Zeiträume zu integrieren, als auch seine Kapazität für komplexes, abstraktes Denken.

Letztendlich liefert diese Arbeit eine überzeugende Alternative zu der Vorstellung, dass die Kraft des Gehirns aus einem empfindlichen Gleichgewicht des Chaos resultiert. Stattdessen weist sie auf die Stärke der Vielfalt hin. Indem es einfach Teile besitzt, die sich mit unterschiedlichen Geschwindigkeiten bewegen und Informationen über unterschiedliche Zeitspannen speichern, kann ein neuronales Netzwerk ganz natürlich die Fähigkeit entwickeln, sich an die Vergangenheit zu erinnern, sich an neue Regeln anzupassen und Informationen über mehrere Zeitskalen hinweg zu verarbeiten. Die Simulationen der Forscher zeigen, dass dieser Mechanismus robust, effizient und in der Lage ist, das durch intelligente Lebensformen definierte flexible Verhalten zu unterstützen, und zwar ohne die Notwendigkeit, dass das System auf eine kritische Kante abgestimmt werden muss. Das Gehirn ist, so scheint es, weniger wie ein Seiltänzer und mehr wie ein Chor von Stimmen, von denen jede in ihrem eigenen Tempo singt und so eine Harmonie schafft, die sowohl stabil als auch unendlich anpassungsfähig ist.