📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Личинка рыбки данио-рерио почти прозрачна, и её мозг можно разглядеть под микроскопом. Но даже у такого крошечного существа нейронные связи запутаны так, что разобраться в них вручную почти невозможно. Учёные сделали хитрый ход: создали точную компьютерную копию этой личинки, где каждая связь известна. Получился виртуальный полигон для проверки методов.

На этот полигон выпустили алгоритм, который сам ищет закономерности. Он перебирает варианты, как шахматист продумывает ходы, и строит модель, предсказывающую поведение нейронов. Результат удивил: найденные модели предсказывали активность мозга точнее, чем проверенные временем классические подходы. Но когда алгоритму давали только внешние сигналы — свет, движение воды, — он находил обманные пути: короткие статистические связи, которые работают только на знакомых данных.

Такой подход помогает не только с рыбками. Реальные записи активности мозга — от мышей до человека — страдают тем же: данных много, а понимания мало. Виртуальный полигон показывает, какие подсказки нужны, чтобы искусственный интеллект не просто подгонял цифры, а открывал, как на самом деле работает мозг.

Оригинальная аннотация

как её написали авторы, на английском 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.