Geschrieben von Qubic Scientific Team
Wie funktioniert ein Neuron über die Zeit?
Biologische Neuronen funktionieren nicht wie ein Lichtschalter im Schlafzimmer, der eingeschaltet wird. Sie sind ein kontinuierliches dynamisches System. Der neuronale Zustand entwickelt sich ständig weiter, selbst in Abwesenheit externer Reize.
Wie funktioniert ein Neuron über die Zeit?
Grundsätzlich, indem elektrische Ladungen (Ionen) in oder aus seiner Membran bewegt werden, das heißt, indem sein elektrisches Potential verändert wird. Ionen treten ein oder verlassen (hauptsächlich Natrium und Kalium) die verschiedenen Tore des Neurons mit einer bestimmten Intensität und verändern das Potential. Es gibt einige Tore, die als Leckagetore bezeichnet werden, wo Ionen ständig ein- und austreten.
Zeit ist implizit. Das elektrische Potenzial ändert sich ständig über die Zeit.
Die Änderung des elektrischen Potentials eines Neurons über die Zeit hängt ab von:
Der angelegte externe Strom + das Gleichgewicht zwischen den Flüssen von Natriumionen (die ihn erhöhen) und Kaliumionen (die ihn verringern) durch die Tore, die sich öffnen und schließen.
Keine Panik mit dem Graphen. Positive und negative elektrische Ladungen (Ionen) fließen durch die Tore und verursachen Depolarisation (sodass der Strom bis zum Ende des Neurons fließt) oder Hyperpolarisation (sodass es zu einem neutralen Zustand zurückkehrt).
Das Potenzial (V) ändert sich über die Zeit, das ist mathematisch, dV/dt, als Funktion der Summe der Eingangs- und Ausgangstore.
Dies ist das grundlegende Modell der rechnergestützten Neurowissenschaften, das zum Ausdruck bringt, dass der Zustand des Neurons sowohl von aktuellen Signalen als auch von seiner unmittelbaren Geschichte abhängt. Es gibt kein „Zurücksetzen“ zwischen den Ereignissen, da jeder Stimulus auf ein System fällt, das immer läuft.
Lass uns nun zu Neuraxon übergehen, einem bio-inspirierten Modell.
Wir wollen, dass es lebendig ist, ein intelligentes Gewebe. Es kann keine diskreten Zustände haben, sondern nur kontinuierliche.
In Neuraxon haben wir anstelle von Ionenkanälen, die sich öffnen und schließen und Ladungen mit einer bestimmten Intensität bewegen und die Spannung verändern, dynamische synaptische Gewichte. Aber die Modellgleichung behält eine klare und direkte Ähnlichkeit mit dem biologischen Neuron.
Was bedeutet das?
Statt V, Spannung im biologischen Neuron, ist der Zustand von Neuraxon s. Und er ändert sich auch über die Zeit, daher ist ds/dt eine Funktion der Gewichte und Aktivierungen und des vorherigen Zustands.
Im Gegensatz zu einem klassischen KI-Modell, bei dem die synaptischen Gewichte eines Netzwerks stereotypisierte Ausgaben für ein Eingangs signalisieren, sind die Gewichte in Neuraxon nicht statisch.
Stell dir zum Beispiel einen automatischen Antwortmechanismus für „E-Mail-Postfächer“ vor.
In der klassischen KI passt sich die Regel im Laufe der Zeit oder im Kontext nicht an oder verändert sich nicht.
In Neuraxon wird berücksichtigt, ob der „E-Mail-Eingang“ von derselben Person kommt (was auf Dringlichkeit hindeuten könnte) oder ob er an einem Wochenende ankommt (was eine No-Response-Antwort generieren könnte). Mit anderen Worten, die Regel bleibt bestehen, aber wann und wie die Antwort gegeben wird, wird moduliert.
Berechnen LLMs Zeit?
Große Sprachmodelle scheinen in vielen Kontexten ein tiefes Verständnis zu zeigen, aber sie operieren unter einer Logik, die sich von biologischen Systemen unterscheidet (Vaswany, 2017). Sie funktionieren nicht basierend auf einer internen zeitlichen Dynamik, auf einer „Änderung des Potenzials“ oder auf „synaptischen Gewichten“, die die Antwort modulieren, sondern verarbeiten diskrete Sequenzen.
In LLMs existiert „Zeit“ nicht, was es ihnen schwer macht, biologisches Verhalten (wie Intelligenz) zu simulieren. LLMs wissen, wie man unterscheidet, welches Wort davor und welches danach kommt, aber sie gewähren kein Erlebnis von Dauer oder Persistenz. Ordnung ersetzt die Zeit.
Im Gegensatz zu Neuraxon besitzen sie keine internen Rhythmen, die sich beschleunigen oder verlangsamen, noch zeigen sie eine progressive Gewöhnung an wiederholte Stimuli, noch können sie dynamisch antizipieren, basierend auf einem internen Zustand, der sich im Laufe der Zeit ändert.
Die Berechnung des LLM-Modells wäre etwas wie:
output = Fθ(input)
So Ergebnisse sind feste Lösungen aus einer Funktion (Kombination) von Eingaben.
Es gibt keinen Zustand als Funktion der Zeit. Dies sind Daten, die riesige Matrizen bilden und ihren Wert durch eine spezifische Funktion ändern, die, wie im genannten Beispiel, die Möglichkeiten einschränkt: E-Mail-Eingang → automatische Antwort.
Zusammenfassend. Der Abstand zwischen bio-inspirierten Modellen wie Neuraxon und großen Sprachmodellen sollte nicht in Bezug auf Rechenleistung oder Datenvolumen erklärt werden. Es gibt einen tieferen Unterschied.
Das Gehirn ist an sich ein kontinuierliches zeitliches System. Seine Funktionsweise wird durch Dynamiken definiert, die sich über die Zeit entfalten, durch Zustände, die sich entwickeln, verfallen und dauerhaft reorganisieren, selbst in Abwesenheit externer Stimuli (Deco et al., 2009; Northoff, 2018).
Neuraxon positioniert sich bewusst innerhalb dieser Logik. Es versucht nicht, die biophysikalische Komplexität des Gehirns 1 zu 1 zu imitieren, sondern bezieht ausdrücklich die Zeit als rechnerische Variable ein. Sein interner Zustand entwickelt sich kontinuierlich, trägt die Vergangenheit und moduliert die Gegenwart, was Anpassungen ohne die Notwendigkeit eines Zurücksetzens ermöglicht.
LLMs hingegen arbeiten ganz anders. Sie manipulieren Symbole, die in diskreten Sequenzen geordnet sind, ohne ihre eigenen zeitlichen Dynamiken. Es gibt keine Zeit, nur Ordnung. Es gibt keine Anpassung, nur vordefinierte Antworten.
Solange die Zeit nicht Teil des Zustands ist, der die Berechnung regelt, können LLMs effektiv sein, aber sie werden kaum in einem starken Sinne autonom sein.
Zukünftige künstliche Intelligenz soll in dynamischen Umgebungen operieren. Das ist der Grund, warum Neuraxon die Zeit als grundlegende Variable einbezieht.
Ein lebendes intelligentes Gewebe…
Wie hängt das mit Qubic zusammen?
Qubic bietet die kontinuierlich laufende, zustandsorientierte Rechenumgebung, die für zeitbewusste Intelligenz erforderlich ist.
Es ist das natürliche Substrat, auf dem Modelle wie Neuraxon - adaptiv, persistent und niemals „zurücksetzen“ - existieren und sich entwickeln können.
Zusätze
Schau dir die Gleichungen an. Keine Panik!
1 Biologisches Neuron, V Potenzial, „Summe des Flusses der Tore hinein und hinaus“
2 Neuraxon-Modellgleichung - klare und direkte Ähnlichkeit mit dem biologischen Neuron.
s Zustand, wi \u0026 f(si) dynamische synaptische Gewichte
3 LLM-Modellgleichung. Eingaben (geordnet in einer Matrix) erzeugen Matrixausgaben durch eine feste Funktion
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Referenzen
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., \u0026 Friston, K. J. (2009). Das dynamische Gehirn. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). Das spontane Gehirn. MIT Press.
Vaswani, A., et al. (2017). Attention ist alles, was du brauchst. NeurIPS.
Vivancos, D., \u0026 Sanchez, J. (2025). Neuraxon: Ein neuer Plan für neuronales Wachstum \u0026 Berechnung. Qubic Science.
rint. Qubic Science.
\u003ct-161/\u003e\u003ct-162/\u003e