Computational Neuroscience

Computational Neuroscience (deutsch theoretische oder computergestützte Neurowissenschaft) untersucht die Funktionsweise von Nervensystemen mit mathematischen Modellen und Simulationen. Ihr Gegenstand ist, wie Nervenzellen und deren Verbände Information verarbeiten – nicht, wie sich diese Verarbeitung technisch nachbauen ließe.

Zusammenfassung

Das Fach unterscheidet sich von der künstlichen Intelligenz durch das Ziel. Die KI will Systeme bauen, die etwas leisten; die theoretische Neurowissenschaft will erklären, wie ein vorhandenes System etwas leistet.

Diese Unterscheidung ist theoretisch klar und praktisch durchlässig. Zahlreiche Verfahren der KI stammen aus neurowissenschaftlichen Modellen, und umgekehrt werden Netze der KI heute als Modelle der Verarbeitung im Gehirn untersucht.

Der Beginn wird üblicherweise bei Alan Hodgkin und Andrew Huxley angesetzt, die 1952 die Erregungsleitung entlang einer Nervenfaser durch Differentialgleichungen beschrieben – für diese Arbeit erhielten sie 1963 den Nobelpreis für Medizin.

Der Begriff selbst ist jünger. Er wurde 1985 von Eric Schwartz geprägt, um eine bis dahin über mehrere Fächer verstreute Forschungsrichtung zu benennen.

Begriffsgeschichte

Die Vorgeschichte reicht zu Warren McCulloch und Walter Pitts zurück, die 1943 ein formales Modell der Nervenzelle vorlegten. Ihr Aufsatz zeigte, dass sich mit solchen Einheiten beliebige logische Funktionen darstellen lassen.

Die Arbeit von Hodgkin und Huxley aus dem Jahr 1952 ist ein anderer Fall: Sie beschrieben keinen Formalismus, sondern maßen an einer Riesenaxonfaser des Tintenfischs die Ströme und passten Gleichungen daran an. Das Modell sagt Verläufe vorher, die zuvor nur beobachtet werden konnten.

In den 1970er und 1980er Jahren entstanden Modelle für Verbände: David Marr formulierte 1982 die Unterscheidung dreier Beschreibungsebenen, die bis heute die Grundlage des Fachs bildet.

Die Verbindung zum Hopfield-Netzwerk von 1982 gehört zu den fruchtbarsten dieser Zeit: Ein Physiker beschrieb ein Gedächtnismodell, das Neurowissenschaft und Physik gleichermaßen anschlussfähig war.

Seit etwa 2014 verläuft der Austausch verstärkt in umgekehrter Richtung. Tiefe Netze werden mit Messungen an visuellen Arealen verglichen, und ihre Zwischenschichten erweisen sich als überraschend gute Vorhersagen neuronaler Aktivität.

Methodische Grundlagen

Die drei Ebenen nach Marr. Ein informationsverarbeitendes System lässt sich auf drei Ebenen beschreiben: Welches Problem wird gelöst, mit welchem Verfahren, und in welcher Umsetzung. Erklärungen auf einer Ebene ersetzen die anderen nicht.

Modelle einzelner Zellen. Von sehr detaillierten Beschreibungen der Ionenströme bis zu stark vereinfachten Modellen, die nur festhalten, wann eine Zelle feuert. Die Wahl richtet sich nach der Frage, nicht nach der Genauigkeit.

Modelle von Verbänden. Netze aus tausenden Einheiten, deren Verhalten sich nicht aus dem der einzelnen Zelle ergibt. Hier kommen Verfahren der statistischen Physik zum Einsatz.

Kodierung und Dekodierung. Zwei komplementäre Fragen: Wie bildet die Aktivität einer Zelle einen Reiz ab, und wie lässt sich aus der Aktivität eines Verbandes auf den Reiz zurückschließen.

Vergleich mit Messdaten. Der Prüfstein des Fachs. Ein Modell muss Vorhersagen erzeugen, die sich an Ableitungen, Bildgebung oder Verhaltensdaten überprüfen lassen.

Anwendungsfelder

Grundlagenforschung. Das Kerngeschäft: Wie entsteht Wahrnehmung, wie wird Gedächtnis gebildet, wie werden Entscheidungen getroffen.

Medizin. Modelle der Erregungsausbreitung sind Grundlage der Erforschung von Epilepsie und Parkinson und der Entwicklung von Verfahren zur Tiefenhirnstimulation.

Schnittstellen zum Nervensystem. Prothesen, die von Nervensignalen gesteuert werden, setzen ein Modell der Dekodierung voraus.

Prüfstand für die KI. Neuronale Netze werden als Modelle der Verarbeitung untersucht – ein Vorgehen, das die Frage aufwirft, ob ein Modell etwas erklärt, wenn es Messdaten vorhersagt, ohne verstanden zu sein.

Kontroversen und Kritik

Sagt Vorhersage etwas über Erklärung? Tiefe Netze sagen die Aktivität visueller Areale gut vorher. Ob daraus folgt, dass das Gehirn ähnlich arbeitet, ist umstritten – die Übereinstimmung könnte auch daher rühren, dass beide dieselbe Aufgabe lösen.

Ein einprägsames Gegenargument lieferte eine Arbeit von 2017: Die Autoren wandten die üblichen Analyseverfahren der Neurowissenschaft auf einen Mikroprozessor an, dessen Funktionsweise vollständig bekannt ist. Die Verfahren lieferten Ergebnisse, die keine brauchbare Erklärung ergaben.

Detailgrad ohne Kriterium. Wie genau ein Modell sein muss, ist nicht allgemein zu beantworten. Sehr detaillierte Simulationen sind schwer zu prüfen und liefern selten Einsichten, die vereinfachte Modelle nicht auch lieferten.

Großprojekte in der Kritik. Vorhaben, ein Gehirn möglichst vollständig zu simulieren, sind mehrfach hinter ihren Ankündigungen zurückgeblieben. Die Kritik richtet sich weniger gegen die Simulation als gegen die Annahme, Vollständigkeit erzeuge Verständnis.

Ungleiche Aufmerksamkeit. Seit dem Aufstieg der KI fließt ein erheblicher Teil der Mittel und der Fachkräfte in Richtung Industrie. Das Fach steht damit in einem Wettbewerb, den es nicht gesucht hat.

Zwei Fächer mit derselben Frage

Das Verhältnis zwischen theoretischer Neurowissenschaft und künstlicher Intelligenz wird häufig als Vorbild-Beziehung beschrieben: Das eine liefere die Vorlage, das andere baue nach. Diese Darstellung trifft für kaum eine Epoche zu.

Die frühen Anleihen waren locker: Das formale Neuron von 1943 ist keine Nervenzelle, und die Rückpropagierung hat kein Vorbild im Gehirn. Was übernommen wurde, war eine Metapher, nicht ein Mechanismus.

Umgekehrt wird heute mit Netzen modelliert, die nicht als Modelle entworfen wurden. Ein Faltungsnetz sagt die Aktivität im visuellen Kortex besser vorher als jedes eigens dafür gebaute Modell – ohne dass jemand es dafür entworfen hätte.

Was beide Fächer tatsächlich teilen, ist die Frage nach der richtigen Beschreibungsebene. Marrs Unterscheidung von 1982 stellt sie für das Gehirn; die Interpretierbarkeitsforschung stellt sie für künstliche Netze, ohne die ältere Formulierung immer zu kennen.

Darin liegt der belastbarste Austausch zwischen beiden: nicht in Bauplänen, sondern in der Erfahrung, dass ein System, dessen Bestandteile man vollständig kennt, damit noch nicht verstanden ist.

Verwandte Begriffe

• Hopfield-Netzwerk – Modell an der Grenze beider Fächer
• Nobelpreis für Physik 2024 – Ehrung dieser Verbindung
• Deep Learning – Feld, das aus der Metapher hervorging
• Mechanistic Interpretability – verwandte Frage für künstliche Netze
• Embodied Cognition – benachbarte Position zur Verkörperung
• Philosophie des Geistes – Disziplin der begrifflichen Fragen
• Geoffrey Hinton – Forscher an der Schnittstelle beider Fächer

Quellenangaben

1. Hodgkin, Alan L. / Huxley, Andrew F. (1952): A Quantitative Description of Membrane Current and Its Application to Conduction and Excitation in Nerve. In: The Journal of Physiology 117 (4), S. 500–544. DOI: 10.1113/jphysiol.1952.sp004764.
2. Jonas, Eric / Kording, Konrad Paul (2017): Could a Neuroscientist Understand a Microprocessor? In: PLOS Computational Biology 13 (1). DOI: 10.1371/journal.pcbi.1005268.
3. Marr, David (1982): Vision: A Computational Investigation into the Human Representation and Processing of Visual Information.
4. McCulloch, Warren S. / Pitts, Walter, 1943. A Logical Calculus of the Ideas Immanent in Nervous Activity. In: Bulletin of Mathematical Biophysics 5 (4), S. 115–133. DOI: 10.1007/BF02478259.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.