Domänenübergreifende Generalisierung in der dynamischen System-Rekonstruktion aus neurophysiologischen Zeitreihen

• Antragsteller: Professor Dr. Daniel Durstewitz
• Fachliche Zuordnung: Experimentelle und theoretische Netzwerk-Neurowissenschaften
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 567025973

In der dynamischen System-Rekonstruktion (DSR) wird versucht, aus Zeitreihenmessungen ein generatives Modell des zugrundeliegenden dynamischen Prozesses zu inferieren, d.h. dem zugrundeliegenden Gleichungssystem. Ein erfolgreich rekonstruiertes dynamisches System (DS) sollte in wichtigen zeitlichen, sowie topologischen und geometrischen Eigenschaften (z. B. von Attraktorzuständen), mit dem zugrundeliegenden DS übereinstimmen. DSR ist derzeit ein vielversprechendes Gebiet im Bereich des maschinellen Lernens (ML) und der KI, zu dem unsere Gruppe in den letzten Jahren wesentlich beigetragen hat. DSR-Techniken, die oft auf tiefen rekurrenten neuronalen Netzen (RNNs) basieren, bieten ein großes Potenzial in den Neurowissenschaften als wissenschaftliche Werkzeuge: Sie ermöglichen es, aus neurophysiologischen Messungen dynamisch genaue computationale Modelle zu inferieren, die weiter analysiert, untersucht, perturbiert und simuliert werden können. Eine große offene Frage in der DSR, wie auch allgemeiner im Bereich des maschinellen Lernens (ML) und der KI, ist die der Generalisierung über die Beobachtungsdomäne hinaus (OOD - Out-of-Domain): Kann ein erfolgreich trainiertes DSR-Modell die Dynamik in anderen, im Training nicht gesehenen Bereichen des Zustandsraums oder unter veränderten Parameterbedingungen vorhersagen? Kann beispielsweise ein DSR-Modell, das nur auf 'normaler' physiologischer Aktivität trainiert wurde, erfolgreich Übergänge in epileptische Aktivität oder die Auswirkungen optogenetischer Manipulationen auf neuronale Dynamik quantitativ vorhersagen? Kann es physiologische Aktivität und Verhalten auch unter neuen, nicht im Training präsentierten Verhaltensbedingungen vorhersagen? Fortschritte in diesen Bereichen könnten einen enormen Einfluss auf die neurowissenschaftliche Forschung und viele andere Wissenschaftszweige haben. Hier werden wir diese Frage durch eine Kombination mathematischer Analysen, numerischer Experimente, dem Design neuartiger KI-Modellarchitekturen und Algorithmen, sowie anhand von neurophysiologischen und Verhaltens-Daten untersuchen. In Arbeitspaket (AP) 1 werden wir neue Architekturen für DSR Foundation Models untersuchen, die auf Simulationsdaten von biophysikalischen Modellen und neurophysiologischen Daten vortrainiert werden und prinzipiell von uns identifizierte Schwächen bisheriger Verfahren in Bezug auf OOD-Generalisierung beheben könnten. Im AP 2 werden wir maschinelle Lernverfahren für DSR so modifizieren, dass sie spezifischer neurobiologische Annahmen und Kenntnisse über zugrundeliegende biophysikalische Gleichungssysteme und synaptische Konnektivität einbinden, um damit zu einer besseren Generalisierungsfähigkeit zu gelangen. Im AP 3 werden wir die vielversprechendsten Algorithmen für OOD-Generalisierung an neuronalen und Verhaltensdaten testen, die in Paradigmen zum Regellernen bei Ratten erhoben wurden, und Prädiktionen bezüglich optogenetischer Manipulationen und neuer Verhaltensbedingungen generieren.

• DFG-Verfahren: Sachbeihilfen