Beyin bilimciler, nöronların nasıl birlikte çalıştığını anlamak için sürekli yeni yöntemler arıyor. Bu arayışta önemli bir adım atan araştırmacılar, FacRNN (Factored Recurrent Neural Network) adlı yenilikçi bir model geliştirdi.
Klasik düşük-rank tekrarlayan sinir ağları (lrRNN), beyin hücre topluluklarının aktivitelerindeki düşük boyutlu gizli dinamikleri ortaya çıkarabiliyor. Ancak bu modellerin fonksiyonel bağlantıları düşük-rank olmasına rağmen, bağımsızlık yorumları yapılamıyor ve farklı gizli boyutlara ayrı hesaplama rolleri atamak zorlaşıyor.
FacRNN, bu sorunu çözmek için grup-wise bağımsızlık varsayımı yapıyor. Model, gizli dinamikler arasında gruplar halinde bağımsızlık sağlarken, grup içinde esnek karmaşıklığa izin veriyor. Bu sayede bağımsız gizli gruplar ayrı ayrı evrimleşebilir, ancak karmaşık hesaplamalar için iç zenginliklerini korur.
Araştırmacılar, lrRNN'i varyasyonel otokodlayıcı (VAE) çerçevesinde yeniden formüle ederek, gizli boyut grupları arasında bağımsızlığı teşvik eden kısmi korelasyon cezası getirdi. Sentetik veriler, maymun M1 motor korteks kayıtları ve fare voltaj görüntüleme verilerinde yapılan deneyler, FacRNN'in başarısını kanıtladı.
Bu gelişme, beynin karmaşık hesaplama süreçlerini anlamamızda yeni perspektifler sunuyor ve nörobilimdeki veri analiz yöntemlerini güçlendiriyor.