382 papers
Deze collectie opent een venster op het snijvlak van kwantummechanica en biologische systemen, een fascinerend domein waar de wetten van deeltjesfysica helpen om levensprocessen te begrijpen. Het gaat hier om onderzoek dat kijkt naar hoe kwantumeffecten een rol kunnen spelen in fenomenen zoals fotosynthese of zintuiglijke waarneming, vaak ver weg van de koude laboratoria waar we kwantumcomputing associëren.
Op Gist.Science selecteren we dagelijks de nieuwste preprints uit deze categorie direct vanuit arXiv. Voor elk artikel bieden we twee niveaus van uitleg: een toegankelijke samenvatting voor de geïnteresseerde leek en een technische analyse voor experts. Zo maken we de complexe bevindingen van onderzoekers overal toegankelijk, zonder dat je een doctoraat in fysica nodig hebt.
Hieronder vind je de meest recente publicaties in dit vakgebied, direct geselecteerd en samengevat voor jou.
Dit artikel stelt voor dat het minimaliseren van de variationele vrije energie onder Poisson-aannames op natuurlijke wijze informatie-theoretische coderingssnelheden koppelt aan biofysische vuursnelheden, wat een emergente metabolische kostenterm creëert die energie-efficiënte sparse codering mogelijk maakt in een Poisson variationele autoencoder (P-VAE), een kenmerk dat afwezig is in standaard Gaussische modellen.
Deze studie toont aan dat semantische categorie-informatie succesvol gedecodeerd kan worden uit hoog-densiteit EEG-opnames tijdens het expliciet benoemen van afbeeldingen, waarbij een hoge nauwkeurigheid wordt bereikt door de vroege perceptuele en latere naamgevingsgerelateerde tijdsvensters te combineren met moderne neurale decoderingmethoden.
Dit artikel verkent de theoretische implicaties van het gebruik van hiërarchische Markov-modellen om diergedrag te beschrijven, waarbij wordt aangetoond hoe de eigenwaarden en eigenvectoren van de modellen interpreteerbare tijdschalen en modificaties bieden om de sequentie-achtige aard, voorspelbaarheid en effectieve dimensionaliteit van gedrag te verduidelijken.
Dit artikel introduceert de Urysohn Machine, een metrieks-topologisch computationeel model dat Urysohn-triples en een constructief realisatiestelling gebruikt om classificatiecomplexiteit te definiëren via geometrische maten zoals de breedte van de beslissingsgrens, terwijl het garanties bewijst voor geamortiseerde scheiding, stabiliteit en schaalbaarheid in een herbruikbaar framework.
Dit position paper betoogt dat het integreren van hippocampale-achtige expliciete geheugensystemen essentieel is voor het voortstuwen van Large Language Models richting Artificial General Intelligence, aangezien hogere cognitieve functies zoals strategische planning en metacognitie niet louter kunnen voortkomen uit de impliciete statistische leermechanismen die momenteel ten grondslag liggen aan LLM's.
Dit artikel introduceert een Spatially Masked Regression (SMR)-framework dat de balans tussen lokale en gedistribueerde informatie in elektrofysiologische opnames kwantificeert door elektrodesignalen te reconstrueren terwijl naburige kanalen systematisch worden uitgesloten, wat onthult dat individuele kanalen zowel directe lokale redundantie als een bredere netwerkbrede structuur weerspiegelen.
Dit artikel stelt een theoretisch kader voor dat aantoont dat de hyperbolische geometrie die wordt waargenomen in hippocampale neurale populaties voortvloeit uit specifieke tuning curves en zowel het geheugencapaciteit als de decodeernauwkeurigheid aanzienlijk verbetert door middel van een nieuw hyperbolisch associatief geheugenmodel.
TRACE is een nieuw contrastief leersframework voor multi-trial neurale tijdreeksgegevens dat trial-averaging gebruikt om positieve paren te genereren en tweedimensionale embeddings produceert, waarbij het bestaande methoden overtreft door effectief biologisch relevante variaties, celtype-structuren en datakwaliteitskenmerken te vangen.
Dit artikel maakt gebruik van informatietheorie om aan te tonen dat neurale netwerken eenduidige, intrinsieke representaties kunnen coderen die decodeerbaar zijn vanuit hun relationele connectiviteitsstructuren, waardoor een kwantitatieve methode wordt geboden om de laag-ambigue toestanden te meten die worden gepostuleerd door theorieën over bewustzijn zoals IIT en narrow representationalism.
Dit artikel introduceert een variationeel raamwerk dat gerichte interacties representeert als randstromen op een simpliciale complex om een laagdimensionale Hilbertruimte van persistente harmonische cycli te extraheren, wat schaalbare statistische inferentie mogelijk maakt en reproduceerbare grootschalige recurrente organisatie onthult in hoogdimensionale systemen zoals menselijke fMRI-data die traditionele paarwijze methoden missen.