📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

يرقة سمكة الزرد شبه شفافة، ويمكن رؤية دماغها تحت المجهر. ولكن حتى في مثل هذا الكائن الصغير، تكون الوصلات العصبية متشابكة لدرجة يصعب معها فهمها يدويًا. لجأ العلماء إلى حيلة ذكية: صنعوا نسخة حاسوبية دقيقة من هذه اليرقة، حيث تُعرف كل وصلة. فكانت النتيجة ساحة اختبار افتراضية للتحقق من الطرق.

أُطلق على هذه الساحة خوارزمية تبحث بنفسها عن الأنماط. إنها تجرب الاحتمالات مثل لاعب شطرنج يفكر في نقلاته، وتبني نموذجًا يتنبأ بسلوك الخلايا العصبية. أذهلت النتيجة: النماذج التي وُجدت تنبأت بنشاط الدماغ بدقة أكبر من الطرق التقليدية المجربة. ولكن عندما أُعطيت الخوارزمية إشارات خارجية فقط — الضوء، حركة الماء — وجدت طرقًا ملتوية: وصلات إحصائية قصيرة تعمل فقط على البيانات المألوفة.

هذا النهج لا يفيد مع الأسماك فقط. التسجيلات الحقيقية لنشاط الدماغ — من الفئران إلى البشر — تعاني من المشكلة نفسها: بيانات كثيرة وفهم قليل. تُظهر ساحة الاختبار الافتراضية أي التلميحات يحتاجها الذكاء الاصطناعي لكي لا يكتفي بمطابقة الأرقام، بل يكتشف كيف يعمل الدماغ فعلًا.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2602.04492

Constructing mechanistic models of neural circuits is a fundamental goal of neuroscience, yet verifying such models is limited by the lack of ground truth. To rigorously test model discovery, we establish an in silico testbed using neuromechanical simulations of a larval zebrafish as a transparent ground truth. We find that LLM-based tree search autonomously discovers predictive models that significantly outperform established forecasting baselines. Conditioning on sensory drive is necessary but not sufficient for faithful system identification, as models exploit statistical shortcuts. Structural priors prove essential for enabling robust out-of-distribution generalization and recovery of interpretable mechanistic models. Our insights provide guidance for modeling real-world neural recordings and offer a broader template for AI-driven scientific discovery.