In het zenuwstelsel is timing niet slechts een detail; het is de taal van het leven zelf. Wanneer een neuron een elektrisch signaal afgeeft, bepaalt het exacte moment daarvan of een spier samentrekt, een sensatie wordt gevoeld of een ritme wordt aangehouden. Als een signaal dat bedoeld is om een loopbeweging te coördineren zelfs maar een fractie van een seconde te laat aankomt, is het resultaat niet alleen een tragere stap, maar een struikelpartij. Deze precisie is de reden waarom wetenschappers lang hebben gezocht naar manieren om computermodellen te bouwen die deze biologische circuits met perfecte nauwkeurigheid nabootsen. Echter, standaard computersimulaties worstelen vaak met deze taak. Ze werken doorgaans door de staat van het systeem op vaste, regelmatige intervallen te controleren, zoals een camera die elke seconde een foto maakt. Als er tussen die momentopnames een kritieke gebeurtenis plaatsvindt, kan de simulatie deze missen of de timing foutief weergeven. Voor biologische systemen die vertrouwen op precisie in fracties van seconden, is deze methode vaak te rigide en onnauwkeurig om te garanderen dat het model correct functioneert in real-time.

Een team van onderzoekers heeft een nieuwe manier voorgesteld om deze neurale circuits te modelleren, die dit probleem oplost door de activiteit van de hersenen meer te behandelen als een reeks discrete gebeurtenissen in plaats van een continue stroom. Ze beschrijven een biologisch neuron niet als een vloeiende, stromende rivier van elektriciteit, maar als een machine die kleine pakketjes energie verzamelt totdat het een kantelpunt bereikt, waarop het een signaal afgeeft. Deze benadering, die zij een "Petri-neuron" noemen, stelt hen in staat om exact te berekenen hoe lang het zal duren voordat een signaal door een netwerk reist, met een wiskundige garantie dat de timing een specifieke limiet nooit zal overschrijden. Door dit model te testen op drie verschillende soorten kleine hersencircuits, hebben de onderzoekers aangetoond dat het de complexe ritmes en competitieve gedragingen uit de natuur kan reproduceren, terwijl het een strikte, onbreekbare belofte geeft over wanneer elk signaal zal arriveren.

De kern van dit werk is een nieuwe manier van denken over hoe een enkel neuron werkt. In de biologische wereld bevindt een neuron zich in een rusttoestand totdat het elektrische stimulatie ontvangt. Terwijl het deze signalen verzamelt, stijgt de interne spanning. Als de spanning een specifieke drempelwaarde overschrijdt, vuurt het neuron een spike af en gaat het vervolgens in een herstelperiode waarin het niet onmiddellijk opnieuw kan vuren. De onderzoekers hebben dit biologische proces vertaald naar een systeem van plaatsen en transities, vergelijkbaar met een stroomdiagram waarbij tokens van het ene vakje naar het andere bewegen. In hun model verzamelt een neuron tokens om binnenkomende signalen te representeren. Als het aantal tokens een ingestelde limiet bereikt, vuurt het neuron, stuurt het een signaal naar zijn buren en gaat het vervolgens in een herstelfase waarin het wacht voordat het nieuwe signalen kan accepteren. Deze structuur stelt de onderzoekers in staat om het systeem te analyseren met de instrumenten van de formele logica, waarmee ze bewijzen dat het neuron altijd op een voorspelbare manier zal handelen en dat het nooit in een toestand terecht zal komen waarin het niet kan vuren of herstellen.

Om te waarborgen dat dit model in de echte wereld werkt, moest het team rekening houden met het feit dat computerhardware niet perfect precies is. Zelfs snelle computers kunnen kleine vertragingen of "jitter" introduceren bij het verwerken van gebeurtenissen. De onderzoekers testten hun model op twee zeer verschillende machines: een krachtige desktopcomputer en een kleine, goedkope microcontroller. Ze ontdekten dat de desktopcomputer, die complexe planning gebruikt om veel programma's tegelijkertijd te draaien, aanzienlijke timingfouten introduceerde die het ongeschikt maakten voor het simuleren van neuronen die in minder dan een milliseconde moeten reageren. De kleine microcontroller was echter zeer voorspelbaar, met timingfouten die zo klein waren dat ze bijna verwaarloosbaar waren. Dit onderscheid is cruciaal omdat het aantoont dat voor dit soort precieze neurale modellering de keuze van hardware even belangrijk is als het wiskundige model zelf.

De onderzoekers onderwierpen hun model vervolgens aan een test door drie specifieke typen neurale circuits te simuleren die bekend zijn in de hersenen. De eerste was een feedback-inhibitie-lus, een veelvoorkomende opstelling waarbij een exciterend neuron een inhiberend neuron activeert, dat vervolgens het oorspronkelijke neuron uitschakelt om te voorkomen dat het te veel vuurt. In hun simulatie produceerde dit circuit ritmische pulsen die overeenkwamen met de gamma-band ritmes die worden gezien in de menselijke hersenactiviteit tijdens intense concentratie. Belangrijker nog, het model bewees wiskundig dat het inhiberende signaal altijd binnen een bepaald aantal cycli zou arriveren, wat voorkomt dat het circuit uit de hand loopt. Dit bood een formele garantie van stabiliteit die eerdere simulatiemethoden niet konden bieden.

Het tweede circuit dat werd getest, was een laterale inhibitie-netwerk, dat verantwoordelijk is voor het verscherpen van contrasten, zoals wanneer het oog een rand onderscheidt van een achtergrond. In deze opstelling concurreren twee neuronen met elkaar, waarbij de één met de sterkere input de ander onderdrukt. De onderzoekers toonden aan dat hun model deze competitie kon oplossen met een gegarandeerde maximale vertraging, ongeacht hoe sterk de inputs waren. Dit betekent dat het systeem wiskundig zeker is om binnen een specifieke tijdspanne een winnaar te kiezen, een eigenschap die essentieel is voor real-time sensorische verwerking maar moeilijk te bewijzen is in andere typen neurale modellen.

Ten slotte bouwden de onderzoekers een hiërarchische kenmerkdetector, een eenvoudige versie van het visuele systeem die specifieke vormen zoals horizontale of verticale lijnen identificeert. Dit circuit was ontworpen om de manier na te bootsen waarop de hersenen visuele informatie in lagen verwerken. De simulatie reproduceerde succesvol het verwachte gedrag, waarbij het netwerk de oriëntatie van een lijn correct identificeerde en de detectie van andere oriëntaties onderdrukte. De timing van de eerste respons in dit netwerk kwam exact overeen met de analytische voorspellingen van de onderzoekers, wat bevestigt dat hun methode de snelheid van complexe informatieverwerking nauwkeurig kan voorspellen.

Het werk demonstreert dat het door neurale circuits te bekijken vanuit het perspectief van event-driven logica, mogelijk is om modellen te creëren die niet alleen biologisch plausibel maar ook wiskundig verifieerbaar zijn. De onderzoekers hebben aangetoond dat het mogelijk is om een digitale representatie van een neuron te bouwen die een ingebouwde garantie van timingcorrectheid bezit. Hoewel het huidige model enkele aspecten van de biologie vereenvoudigt, zoals de subtiele veranderingen in de gevoeligheid van een neuron tijdens herstel, suggereren de resultaten een krachtig nieuw pad voorwaarts. Het biedt een manier om neurale systemen te ontwerpen voor hardware die met absolute betrouwbaarheid moet werken, waardoor wordt gewaarborgd dat wanneer een machine moet reageren op de wereld, dit gebeurt met dezelfde precisie van een fractie van een seconde als een levend brein.