Energiebasierte Autoregressive Generierung optimiert neuronale Populationsdynamik
Die Erforschung der Funktionsweise des Gehirns ist ein zentrales Ziel der Neurowissenschaften und hat weitreichende Konsequenzen für Therapieansätze und die Entwicklung neuronaler Geräte. Traditionelle computergestützte Modelle stehen dabei vor einem grundlegenden Dilemma: Sie müssen entweder sehr genau sein, was enorme Rechenressourcen erfordert, oder sie sind schnell, aber weniger realistisch. Mit dem neuen Ansatz Energy-based Autoregressive Generation (EAG) wird dieses Spannungsfeld neu definiert.
EAG kombiniert einen energiebasierten Transformer, der die zeitlichen Dynamiken in einem latenten Raum lernt, mit strikt korrekten Scoring-Regeln. Dadurch entsteht ein Modell, das neuronale Populationen und Einzelzell-Spikes mit hoher Genauigkeit simulieren kann, während es gleichzeitig deutlich schneller arbeitet als herkömmliche Diffusionsmodelle.
Die Leistungsfähigkeit von EAG wurde an synthetischen Lorenz-Daten sowie an zwei etablierten Benchmark-Sätzen – MC_Maze und Area2_bump – getestet. In allen Fällen erzielte EAG eine überlegene Generierungsqualität und verbesserte die Rechenzeit signifikant im Vergleich zu diffusionbasierten Methoden. Besonders beeindruckend ist die Fähigkeit, unter realistischen Bedingungen sowohl Populations- als auch Einzelzellstatistiken exakt abzubilden.
Ein weiterer Mehrwert liegt in der bedingten Generierung: EAG kann auf unbekannte Verhaltenskontexte generalisieren und die Genauigkeit von motorischen Brain‑Computer‑Interface‑Decodierungen durch die Verwendung synthetischer Daten steigern. Diese Eigenschaften eröffnen neue Möglichkeiten für die Forschung und die Entwicklung von neurotechnologischen Anwendungen.
Der komplette Code ist frei verfügbar unter GitHub.