LONDON (IT BOLTWISE) – Forschende an der NYU Langone Health zeigen, wie ein „split attractor network“ im Gehirn von Fruchtfliegen Kurzzeitgedächtnis präzise einschreibt. Zwei getrennte Neuronklassen liefern dabei Inhalt und Timing: PFG-Neuronen speichern die Richtung, hΔK-Neuronen bestimmen den Moment der Einprägung. Ein inhibitorisches Gate hebt sich bei einem Geruchskontext, wodurch sich die Aktivität in einen stabilen Zustandsraum einschwingt. Danach bleibt die Richtung auch dann erhalten, wenn der Duft bereits verschwunden ist.
Wie kann ein Nervensystem Inhalte für Sekunden stabil halten und sie gleichzeitig schnell wieder löschen, ohne dabei in „festgefahrenen“ Rückkopplungsschleifen zu landen? Genau dieses Spannungsfeld stand bei einem aktuellen Neurobiologie-Projekt im Fokus, das Kurzzeitgedächtnis (Working Memory) nicht als abstraktes Computermodell, sondern als konkretes Schaltprinzip in einem lebenden Netzwerk nachweist. Im Zentrum steht eine Architektur, die als „split attractor network“ beschrieben wird: Anstatt dass dieselben Zellen dauerhaft sowohl den Gedächtnisinhalt als auch dessen Dynamik tragen, werden diese Aufgaben räumlich getrennt und erst bei Bedarf gekoppelt.
Die experimentelle Bühne dafür lieferte die Arbeitsgruppe mit dem neuronalen Navigationszentrum der Fruchtfliege Drosophila melanogaster. Das Verhalten wurde dabei über einen klaren Härtetest geführt: Die Tiere folgten einer attraktiven Geruchsspur aus Apfel-Essig, hielten jedoch ihre anfänglich eingeschlagene Richtung noch mehrere Sekunden bei, nachdem der Duft vollständig abgeschaltet war. Diese Persistenz ist ein vielversprechender Proxy dafür, dass das System eine temporäre Zielrichtung intern „merkt“ – und sie ist zugleich genau die Art von Stabilität, bei der klassische Rückkopplungsnetze theoretisch zwar geeignet erscheinen, praktisch aber schwer zu entknoten sind.
Technisch betrachtet besteht das Modell aus zwei neuronalen Populationen, die in ihrer Funktion getrennt werden: PFG-Neuronen (PFG) tragen den Gedächtnisinhalt, indem sie über ihre Anbindung an das interne „Kompass“-System die räumliche Ausrichtung der Fliege repräsentieren. hΔK-Neuronen hingegen steuern das Timing der Gedächtnisbildung: In vielen Phasen des Laufs bleibt die Kommunikation zwischen beiden Populationen durch ein inhibitorisches Gate aktiv blockiert. Sobald der olfaktorische Auslöser vorliegt, hebt sich dieses Gate, und PFG- und hΔK-Zellen beginnen wechselseitig Signale auszutauschen – bis sich eine stabile, selbstverstärkende „Attractor“-Aktivität einstellt. Damit entsteht das Gedächtnis gerade nicht durch permanenten Durchlauf, sondern durch einen gezielt geöffneten Kopplungszeitfenster-Mechanismus.
Entscheidend ist, dass die Persistenz nicht einfach „passiv“ vom Eingangssignal abhängt, sondern durch die Schaltlogik des Netzwerks aktiv gestützt wird. In den beschriebenen Ableitungen zeigt sich, dass die Haltbarkeit der Aktivität in der hΔK-Population von rekurrenter Verschaltung abhängt. Gleichzeitig liefern die synaptischen Dynamiken ein Zusammenspiel aus langsamer rekurrenter Erregung und schneller Inhibition, sodass sich Attractor-ähnliche Zustände über verschiedene Parameterbereiche reproduzieren lassen. Für das Verständnis in Richtung Ingenieurs- und Modellierungsansätze heißt das: Das Netzwerk implementiert ein Gleichgewicht aus Stabilität und Umschaltbarkeit, ohne dass jede Messinformation dauerhaft die gleiche Schiene belegt.
Dieser „Gating“-Ansatz adressiert auch eine Kernfrage, die in Theorien zu attractor-basiertem Working Memory lange offen blieb: Wie kann ein rückgekoppeltes Netzwerk schnell genug anschalten und wieder abschalten, ohne die ursprüngliche Funktion der Information zu verlieren? In den Ergebnissen werden während verschiedener Verhaltensphasen unterschiedliche Kopplungszustände sichtbar. Während Läufen und sensorischen Phasen wirken PFG- und hΔK-Aktivitäten stärker gekoppelt, während Wendephasen und Ruhezeiten werden die Populationen dynamisch entkoppelt. Im Modell lässt sich diese Differenzierung gezielt nachbilden, indem man Inhibition als Mittel nutzt, um hΔK funktional von PFG zu trennen; wird hΔK disinhibiert, „rastet“ die rekurrent gekoppelte Aktivität den gemessenen Eingangsvektor in einen Heading-Memory-Zustand ein.
Für die weitere Forschung sind daraus zwei Folgerungen naheliegend. Erstens verschiebt sich der Fokus von „Attractor-Netzwerke sind plausibel“ hin zu „Attractor-Netzwerke sind verschaltet und operationalisiert“. Genau diese Kopplung von Rechenlogik und physiologischem Schaltungsdesign ist besonders wertvoll, weil die Fruchtfliege durch die weitgehend rekonstruierte Konnektivität als Modellorganismus dient. Zweitens liefern die Autoren einen Weg, wie sich ähnliche Mechanismen in größeren Systemen untersuchen lassen könnten: Inhibitorische Eingänge auf hΔK steigen demnach während der Turns an und sind während Duft- und zielgerichteten Laufphasen unterdrückt – damit bietet das Gate selbst ein messbares Ziel für spätere Analysen, etwa zur Rolle modulierender Neurotransmitter, die das Öffnen und Schließen zeitlich steuern könnten.
Auch für den Markt- und Methodenblick jenseits der Grundlagenbiologie ist das interessant: Wenn Working Memory tatsächlich als „synchronisiertes Zustandsraum-Schalten“ aus getrennten Modulen verstanden werden kann, dann wird die Brücke zur KI-Entwicklung greifbar – etwa zu Architekturen, die zwischen Kurzzeitspeicherung und schnellem Update durch inhibitorische oder gating-artige Mechanismen unterscheiden. In der Forschung wird zwar nicht automatisch aus der Fliege ein Produkt, aber die Prinzipien lassen sich als Blaupause für robuste, störungsresistente Gedächtnisimplementierungen in Lern- und Steuerungsmodellen diskutieren. Der wissenschaftliche Anschluss liegt zudem bei bekannten Zielsystemen wie der Untersuchung kognitiver Störungen, bei denen exekutive Schaltkreise aus dem Gleichgewicht geraten; der hier präsentierte mechanistische Unterbau kann dabei helfen, welche Teilfunktionen in Netzwerken überhaupt repliziert werden müssen. Der Originalartikel ist Open Access in Nature erschienen, mit DOI 10.1038/s41586-026-11144-9.
💳 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 "Split-Attractor-Netzwerk erklärt, wie Fliegen Kurzzeitgedächtnis speichern" 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 "Split-Attractor-Netzwerk erklärt, wie Fliegen Kurzzeitgedächtnis speichern" 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: »Split-Attractor-Netzwerk erklärt, wie Fliegen Kurzzeitgedächtnis speichern« bei Google Deutschland suchen, bei Bing oder Google News!