Neues Modell: Predictive Associative Memory nutzt zeitliche Ko‑Ereignisse statt Ähnlichkeit

In einer wegweisenden Veröffentlichung auf arXiv wird ein neues Konzept für neuronale Speichersysteme vorgestellt: Predictive Associative Memory (PAM). Im Gegensatz zu herkömmlichen Ansätzen, die auf Ähnlichkeit basieren, nutzt PAM die zeitliche Ko‑Ereignisstruktur, um Erinnerungen abzurufen.

Die Architektur kombiniert einen JEPA‑ähnlichen Prädiktor, der aus kontinuierlichen Erlebnisströmen lernt, sowie einen „Inward JEPA“, der vergangene, assoziativ erreichbare Zustände vorhersagt, und einen „Outward JEPA“, der zukünftige Zustände aus aktuellen Sinneseindrücken prognostiziert. Durch diese bidirektionale Strategie kann PAM nicht nur ähnliche, sondern auch zeitlich zusammenhängende Erinnerungen zuverlässig finden.

Die Leistung von PAM wurde an einem synthetischen Benchmark getestet. Der Prädiktor liefert bei 97 % der Fälle die korrekte zeitliche Assoziation als Top‑Ergebnis (Association Precision@1 = 0,970). Bei Zuständen, die sich nur durch Zeit, nicht durch Ähnlichkeit unterscheiden, erreicht das Modell eine Recall@20 von 0,421 und trennt gemeinsam erlebte von nie erlebten Zuständen mit einem AUC‑Wert von 0,916 – weit über dem 0,789, das reine Kosinus‑Ähnlichkeit liefert. Selbst bei Raumwechseln, wo die Ähnlichkeit uninformativ ist, bleibt die Trennkraft stark (AUC = 0,849 vs. 0,503 bei Kosinus).

Ein zeitlicher Shuffle‑Test bestätigt, dass die beobachteten Signale echte zeitliche Zusammenhänge widerspiegeln. PAM demonstriert damit, dass neuronale Speicher nicht ausschließlich auf Ähnlichkeit angewiesen sind, sondern durch die Analyse von zeitlichen Ko‑Ereignissen wesentlich präziser und vielseitiger Erinnerungen abrufen können.