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

Het menselijk brein is een meester in tijd. Het kan reageren op een plotselinge lichtflits in een fractie van een seconde, maar het kan ook een complexe gedachte minutenlang in gedachten houden of een verhaal weven dat zich over jaren ontvouwt. Dit vermogen om te opereren over dergelang enorme verschillende snelheden is geen fout; het is een fundamentele eigenschap van hoe wij denken, leren en ons aanpassen. Decennialang hebben wetenschappers zich afgevraagd hoe een netwerk van miljarden neuronen erin slaagt de gebeurtenissen uit het verre verleden bij te houden terwijl het nog steeds reageert op het huidige moment. Een leidende theorie suggereerde dat het brein constant op een flinterdunne rand tussen orde en chaos moet zweven, een staat die bekend staat als kritikaliteit, om deze flexibiliteit te bereiken. Nieuw onderzoek daarentegen daagt dit langgekoesterde standpunt uit en stelt voor dat het brein zijn opmerkelijke tijdmeting en aanpassingsvermogen zou kunnen bereiken via een eenvoudiger, robuuster mechanisme: een ingebouwde diversiteit aan snelheden binnen zijn eigen circuits.

In een studie gepubliceerd in oktober 2026 verkenden Francesco Damiani, Gabriele Di Antonio en hun collega's van de Pompeu Fabra Universiteit en het Istituto Superiore di Sanità in Rome deze mogelijkheid met behulp van een computermodel van een neuraal netwerk. Ze bouwden een systeem dat de structuur van het brein nabootst, maar introduceerden een specifiek soort variatie: in plaats van dat elk deel van het netwerk exact hetzelfde gedraagt, gaven ze elke eenheid een verschillende sterkte van zelfverbinding. In de taal van het model zijn sommige eenheden stevig met zichzelf verbonden, waardoor ze traag zijn in het veranderen van hun staat, terwijl andere losjes verbonden zijn, waardoor ze snel kunnen reageren. Het team ontdekte dat deze eenvoudige mix van snelle en langzame eenheden voldoende was om een systeem te creëren dat het verleden onthoudt over een breed scala aan tijdschalen, zonder dat het afgestemd hoeft te worden op een kritieke rand.

De onderzoekers ontdekten dat wanneer deze eenheden worden gerangschikt met de juiste mix van zelfverbindingen, het geheugen van het netwerk niet op een voorspelbare, uniforme manier vervaagt. In plaats daarvan vervalt het geheugen van eerdere inputs langzaam en gestaag, volgens een patroon waarbij informatie uit het verre verleden nog steeds een zwakke invloed heeft op het heden. Dit is wat wetenschappers schaalinvariante geheugen noemen. Het betekent dat het systeem informatie kan verwerken die met elke snelheid arriveert, of het nu gaat om een snelle reeks klikken of een langdurig gesprek, zonder dat het geherconfigureerd hoeft te worden. Het model toonde aan dat deze machtswetmatige verval van geheugen, die vaak wordt gezien in de werkelijke hersenactiviteit, natuurlijk kan voortkomen uit de diversiteit van de interne verbindingen van het netwerk, in plaats van te vereisen dat het hele systeem precair in evenwicht is op de rand van chaos.

Om te testen of dit geheugen daadwerkelijk nuttig was, onderwierp het team hun model aan een reeks mentale uitdagingen. Eerst gaven ze het een taak voor het kortetermijngeheugen waarbij het een sequentie van zes verschillende signalen moest onthouden die met variërende snelheden werden gepresenteerd. Een standaard netwerk, waarbij alle onderdelen identiek zijn, had moeite naarmate de signalen sneller of langzamer kwamen, en vergat snel wat het had gezien. Een netwerk dat is afgestemd op de rand van stabiliteit presteerde beter, maar was fragiel. In contrast hiermee onthield het model met diverse zelfverbindingen de sequentie robuust, ongeacht de timing. Het kon het eerste signaal even goed vasthouden als het laatste, zelfs wanneer de tussenpozen tussen de signalen twintig keer langer waren dan de snelheid van een enkele eenheid. Dit toonde aan dat de mix van snelheden het netwerk in staat stelde om een stabiel verslag van het verleden bij te houden zonder het vermogen te verliezen om te reageren op het nu.

De onderzoekers gingen vervolgens een stap verder door hun model een klassieke puzzel van cognitieve flexibiliteit te laten oplossen, de Wisconsin Card Sorting Test. In deze taak moet een persoon kaarten sorteren op basis van een regel, zoals het matchen op kleur of vorm. De regel verandert onverwachts en de persoon moet de nieuwe regel ontdekken op basis van feedback, zoals een foutsignaal. Dit vereist het vasthouden van de huidige context in gedachten, terwijl men ook klaar moet zijn om direct van koers te veranderen. Het model slaagde voor deze taak door de snelle eenheden te gebruiken om onmiddellijke beslissingen te nemen op basis van de kaarten die het zag, terwijl de langzamere, zelfverbonden eenheden fungeerden als een stabiele reservoir om de huidige regel in gedachten te houden. Wanneer er een fout optrad, kon het netwerk zijn interne staat verschuiven naar een nieuwe "attractor", waardoor het effectief van regel veranderde zonder de hele structuur te hoeven herbedraden. Dit vermogen om contexten soepel en efficiënt te wisselen, kwam rechtstreeks voort uit de interne diversiteit van het netwerk.

Een cruciaal onderdeel van de studie was het vergelijken van deze aanpak met andere manieren om verschillende snelheden in een netwerk te creëren. Het team bouwde een tweede model waarbij de eenheden verschillende snelheden hadden omdat ze gebouwd waren met verschillende tijdsconstanten, een veelvoorkomende manier om diversiteit te simuleren. Hoewel dit tweede model ook de puzzel kon oplossen, vereiste het veel grotere en drastischere veranderingen aan de verbindingen om de regels te leren. Het model met diverse zelfverbindingen leerde de taak echter met slechts minimale aanpassingen aan de bestaande structuur. Dit suggereert dat het hebben van een ingebouwd landschap van verschillende snelheden en stabiele staten een efficiëntere manier is voor een systeem om te leren en zich aan te passen. Het stelt het netwerk in staat om gebruik te maken van bestaande capaciteiten in plaats van telkens vanuit het niets nieuwe capaciteiten op te bouwen wanneer een situatie verandert.

De bevindingen wierpen ook een nieuw licht op een belangrijk debat in de neurowetenschap over kritikaliteit. Jarenlang geloofden veel wetenschappers dat voor het brein om flexibel en krachtig te zijn, het nabij een kritiek punt moet opereren, een staat waarin het perfect in evenwicht is tussen te rigide en te chaotisch zijn. De nieuwe simulaties suggeren dat dit niet strikt noodzakelijk is. De onderzoekers toonden aan dat hun model in een stabiele, subkritische staat bleef — wat betekent dat het veilig weg was van chaos — maar toch de complexe, schaalvrije dynamiek en het flexibele gedrag produceerde waarvan men dacht dat kritikaliteit de enige bron ervan was. Dit impliceert dat het brein niet op een koord hoeft te lopen om goed te functioneren; in plaats daarvan kan het vertrouwen op de rijke, gevarieerde dynamiek die wordt gecreëerd door de eigen structurele diversiteit.

De studie biedt een nieuwe manier om over de organisatie van het brein na te denken. Het suggereert dat de cortex een hiërarchie van netwerken kan zijn, waarbij lagere niveaus omgaan met snelle, directe sensorische inputs en hogere niveaus omgaan met langzame, complexe contexten. Deze hiërarchie zou simpelweg kunnen ontstaan omdat de sterkte van de zelfverbindingen toeneemt naarmate men hoger in de verwerkingsketen van het brein komt. De hogere gebieden zouden van nature meer langzame, stabiele eenheden hebben die in staat zijn abstracte ideeën en regels vast te houden, terwijl de lagere gebieden snellere eenheden zouden hebben voor snelle reacties. Dit enkele principe van variërende zelfverbindingen zou zowel het vermogen van het brein kunnen verklaren om informatie over lange perioden te integreren als het vermogen tot complexe, abstracte gedachte.

Uiteindelijk biedt dit werk een overtuigend alternatief voor het idee dat de kracht van het brein voortkomt uit een delicaat evenwicht van chaos. In plaats daarvan wijst het naar de kracht van diversiteit. Door simpelweg delen te hebben die met verschillende snelheden bewegen en informatie voor verschillende tijdsduur vasthouden, kan een neuraal netwerk van nature het vermogen ontwikkelen om het verleden te onthouden, zich aan nieuwe regels aan te passen en informatie over meerdere tijdschalen te verwerken. De simulaties van de onderzoekers laten zien dat dit mechanisme robuust, efficiënt en in staat is om het soort flexibel gedrag te ondersteunen dat intelligent leven definieert, zonder dat het systeem afgestemd hoeft te zijn op een kritieke rand. Het brein lijkt minder op een koorddanser en meer op een koor van stemmen, die elk in hun eigen tempo zingen en zo een harmonie creëren die zowel stabiel als eindeloos aanpasbaar is.