LONDON (IT BOLTWISE) – Die Studie zeigt, dass das visuelle System trotz stark variabler neuronaler Aktivität stabile Wahrnehmung ermöglicht. Ein minimales E-I-M-Ratenmodell der primären Sehrinde kombiniert schnelle Rekrutierung von Hemmung mit langsamer homeostatischer Selbstregulation. Dadurch sinkt die Variabilität erregender Aktivität rechnerisch von 0,325 auf 0,024, also um 93 Prozent. Gleichzeitig bleibt die Verarbeitung moderat unregelmäßiger Dynamik am Rand des Chaos erhalten, ohne die Orientierungsselektivität zu verwischen.
Wenn sich der Blick verändert, feuern im visuellen Kortex laut Schätzlogik nicht einzelne Zellen in einem gedämpften Gleichmaß, sondern ganze Netzwerke in unruhigen Mustern. Genau diese scheinbar widersprüchliche Kombination beschäftigt die praktische Neurowissenschaft seit langem: Auf der einen Seite sorgt trial-zu-trial-Variabilität dafür, dass das Gehirn flexibel bleibt. Auf der anderen Seite würde ein unkontrollierter Übergang in deterministisches Chaos bedeuten, dass schon minimale Startunterschiede die Wahrnehmung bei identischem Sinneseindruck auseinanderdriften lassen. Das neue Modell aus dem Umfeld des Journal of Computational Neuroscience setzt hier an und liefert eine klare mathematische Antwort darauf, wie Stabilität und Anpassungsfähigkeit gleichzeitig auftreten können.
Im Zentrum steht ein reduziertes Modell der primären Sehrinde (V1), das nicht versucht, Milliarden Synapsen oder detaillierte Zellmorphologien nachzubilden. Stattdessen abstrahiert es das Netzwerk über drei sich gegenseitig beeinflussende Variablen – als E-I-M-System: E steht für die erregende Population (pyramidenförmige Zellen), I für schnelle inhibitorische PV+-Interneurone (Parvalbumin-positiv) und M für langsamere modulativ geprägte Antriebe, die Signale aus Thalamus und neuromodulatorischen Bahnen zusammenfassen. In einer großen Parameterstudie von 225 Konfigurationen zeigte sich zunächst ein ernüchterndes Bild: Fast 90 Prozent der getesteten Einstellungen führten zu chaotischen Dynamiken, unter anderem messbar über eine positive Lyapunov-Exponenten-Schätzung von 0,069. Genau diese Ausgangslage macht die anschließende Änderung so aufschlussreich, denn das Ziel ist nicht „Chaos vermeiden“, sondern „Chaos einhegen“.
Die Stabilisierung kommt dabei nicht aus einem einzigen Schalter, sondern aus zwei Rückkopplungsmechanismen, die das reale Gewebe bereits in ähnlicher Form nutzt. Erstens: excitatory-to-inhibitory recruitment, also die schnelle Rekrutierung inhibitorischer Interneurone, sobald die Aktivität der Pyramidenzellen steigt. Zweitens: homeostatic regulation, eine langsamere Selbstregulation, die den modulierten Antrieb M in physiologisch sinnvolle Grenzen zurückführt. Im Modell kippt dadurch das Verhalten: Chaotische Attraktoren werden durch stabile Betriebsschleifen ersetzt. Besonders konkret wird der Effekt bei der Variabilität der erregenden Aktivität – sie sinkt von 0,325 auf 0,024, was einer absoluten Reduktion um 93 Prozent entspricht. Noch wichtiger für die Übertragbarkeit: Die Stabilisierung bleibt robust, auch wenn Parameter um bis zu 25 Prozent verschoben werden; das Modell setzt also nicht auf extrem empfindliche Feinabstimmung.
Dass es sich hierbei nicht nur um „saubere Mathematik“ handelt, prüfen die Forschenden über physiologische Benchmarks. Sie berechnen eine Orientierungsselektivitätskennzahl (Orientation Selectivity Index, OSI), indem sie in der Simulation erregende Einheiten auf orientierte Balkenantworten testen: 10 Winkel von 0° bis 180° in 20°-Schritten. In chaotischer Betriebsform liegen die OSI-Werte im Mittel bei 0,38 ± 0,09, im regulierten Regime bei 0,31 ± 0,10 – beides innerhalb des experimentellen Bereichs, der in Studien an Makaken-V1 berichtet wird. Bemerkenswert ist zusätzlich, dass eine moderate innere Unregelmäßigkeit die Sehschärfe im Modell nicht degradiert; die Neuronen unterscheiden bevorzugte Orientierungen sogar leicht präziser unter near-threshold-Bedingungen.
Für eine zweite Realitätsprüfung koppelt das Team die Modellausgabe anschließend an einen biophysikalischen Hodgkin-Huxley-Spike-Generator. Damit wird aus den glatten Ratenzuständen eine spikende Dynamik abgeleitet, die an den Charakter echter Aktivität gekoppelt ist. Aus der unregelmäßigen Netzwerkantwort ergibt sich eine Spike-Unregelmäßigkeitskennzahl (in der Quelle als Koeffizient angegeben) von 0,27; dieser Wert liegt in einem Bereich, der typischerweise in In-vitro-Schnitten beobachtet wird. Technisch betrachtet adressiert dieser Schritt ein häufiges Problem reduzierter Modelle: Selbst wenn das „Ratenmodell“ in der Dynamik plausibel aussieht, muss sich zeigen, dass die Spikemuster nicht in eine unrealistische Routine kippen. Genau das scheint hier zu gelingen.
Inhaltlich verschiebt die Arbeit damit den Fokus: Stabilität wird nicht als passiver Endzustand verstanden, sondern als aktiver, kontinuierlicher Ausgleich direkt an der Schwelle zur Instabilität. Das ist eine elegante Formulierung für den in der Quelle beschriebenen Trade-off zwischen Rechenbandbreite und Signalzuverlässigkeit. Das System bleibt flexibel genug, um schnelle Änderungen in der visuellen Szene zu verarbeiten, aber es verhindert zugleich einen „Runaway“-Modus, bei dem kleine Abweichungen in dauerhaft divergierende Trajektorien münden. Für die Modellierung bedeutet das auch: „Edge of chaos“ ist nicht zwangsläufig gleichbedeutend mit chaotischer Informationsverzerrung; mit den richtigen Feedback-Motiven wird der Rand der Instabilität zur kontrollierten Arbeitszone.
Damit entstehen zugleich konkrete testbare Hypothesen für die klinische Neurologie. Die Autoren leiten ab, dass ein Zusammenbruch der schnellen inhibitorischen Rückkopplung oder der langsameren homeostatischen Kontrolle dazu führen könnte, dass Aktivität über die Stabilitätsgrenze hinaus kippt. In der Quelle werden als mögliche Kontexte Störungen mit einem Ungleichgewicht zwischen Erregung und Hemmung genannt, etwa Epilepsie und Schizophrenie. Wichtig ist dabei der Charakter der Aussage: Es geht um einen möglichen pathophysiologischen Pfad und um überprüfbare Vorhersagen aus dem Modell, nicht um eine fertige Therapieanleitung. Für Entwickler und Forschungsgruppen ist genau diese Art von „Mechanismus-zu-Test“-Brücke relevant, weil sie die nächste Runde empirischer Experimente gezielt lenken kann – etwa durch Messungen, die zwischen schnellen PV+-Hemmungsdynamiken und langsamer homeostatischer Anpassung unterscheiden.
Unterm Strich liefert das E-I-M-Ansatzmodell einen pragmatischen Rahmen, wie Kortexschaltkreise chaotische Tendenzen unter Kontrolle halten können, ohne die Fähigkeit zur robusten Variation zu verlieren. Für die weitere KI-inspirierte Forschung ist das auch deshalb spannend, weil hier Stabilisierung über strukturiertes Feedback statt über „harte“ Abschaltung von Instabilität erfolgt. In einem realen Gehirn heißt das: Dynamik darf unruhig sein – solange sie in einen limit-cycle-artigen Betriebsmodus gezwungen wird. Genau diesen Gedanken kann man, jenseits der biologischen Details, als Architekturprinzip für andere adaptive Systeme lesen, die gleichzeitig Genauigkeit, Antwortgeschwindigkeit und Fehlertoleranz brauchen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Wie das visuelle System KI-Biologie: Chaos wird durch Feedback gebändigt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Wie das visuelle System KI-Biologie: Chaos wird durch Feedback gebändigt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Wie das visuelle System KI-Biologie: Chaos wird durch Feedback gebändigt« bei Google Deutschland suchen, bei Bing oder Google News!