Endliche Integrationszeit kann optimale Empfindlichkeit vom kritischen Punkt wegverschieben

Warum Timing für scharfe Entscheidungen wichtig ist

Unser Gehirn, unsere Sinne und selbst viele technische Geräte stehen vor demselben Problem: Sie müssen winzige Unterschiede in der Umwelt erkennen und in verlässliche Entscheidungen umsetzen, oft in einem Bruchteil einer Sekunde. Eine verbreitete Idee in Physik und Neurowissenschaft ist, dass solche Systeme am besten arbeiten, wenn sie genau am Rande eines plötzlichen Verhaltenswechsels liegen, an einem sogenannten kritischen Punkt. Diese Studie stellt eine einfache, aber oft übersehene Frage: Wenn man nur begrenzt Zeit hat, die Reaktion eines Systems zu beobachten, ist dieser Randpunkt dann wirklich der beste Betriebszustand?

Der optimale Punkt liegt nicht immer genau am Rand

Die Autoren untersuchen ein vereinfachtes Modell eines gehirnähnlichen Schaltkreises: ein großes Netzwerk spikender Einheiten, die sich wechselseitig anregen. Eine kleine Teilmenge der Einheiten erhält ein externes Signal, etwa die Stärke eines Geruchs oder Tons, und eine andere Teilmenge liefert den Ausgang. Eine separate Ausleseeinheit reagiert nicht sofort, sondern mittelt die Ausgangs‑Spikes über ein gewähltes Zeitfenster, ähnlich einem löchrigen Eimer, der langsam vollläuft und wieder leert. Zwei Stellschrauben steuern das System. Die eine legt fest, wie stark sich die Einheiten gegenseitig erregen, und damit, wie nahe das Netzwerk einem kritischen Punkt ist, an dem Aktivität explodieren oder aussterben würde. Die andere bestimmt, wie lange die Auslese Spikes sammelt, bevor sie ein Urteil fällt.

Mehr Empfindlichkeit kann mehr Verwirrung bringen

Nahe dem kritischen Punkt wird das Netzwerk extrem empfindlich gegenüber kleinen Änderungen im Eingang, was üblicherweise vorteilhaft erscheint. In diesem Bereich schwanken die Aktivitätswerte jedoch auch stark und langsamer über die Zeit. Die Autoren zeigen, dass diese internen Jitter das Signal durcheinanderbringen können, wenn man nur kurze Zeit hinsieht. Zur Quantifizierung definieren sie, wie leicht ein idealer Beobachter zwei verschiedene Eingangsgrößen allein anhand des Ausgangs unterscheiden kann, und zählen, wie viele verschiedene Eingänge bei einer vorgegebenen maximalen Fehlerrate zuverlässig unterschieden werden können. Außerdem verallgemeinern sie das klassische Maß des „dynamischen Bereichs“, das die Spannweite der kodierbaren Eingangsintensitäten beschreibt, sodass es diese rauschenden Fluktuationen ausdrücklich berücksichtigt.

Beobachter mit Zeitbeschränkung bevorzugen ruhigere Netzwerke

Mithilfe exakter Mathematik in zwei Extremgrenzen — sofortige Auslese und unendlich langes Mitteln — kombiniert mit umfangreichen Computersimulationen dazwischen, kartieren die Autoren, wie sich die Diskriminierungsleistung von Kopplungsstärke des Netzwerks und Auslesezeit abhängt. Für jede endliche Beobachtungszeit finden sie, dass die beste Leistung nicht genau am kritischen Punkt liegt. Stattdessen existiert ein optimaler „subkritischer“ Zustand, in dem das Netzwerk weiterhin empfindlich ist, seine Fluktuationen aber besser eingeschränkt sind, sodass die Auslese innerhalb der verfügbaren Zeit ein klareres Bild bilden kann. Mit wachsendem Integrationsfenster rückt dieser optimale Punkt näher an die Kritikalität, weil die Auslese genügend Zeit hat, über die wilden Schwankungen zu mitteln und von der erhöhten Empfindlichkeit zu profitieren.

Folgen für Gehirne und Maschinen

Dieser Kompromiss zwischen Empfindlichkeit und Zuverlässigkeit tritt immer dann auf, wenn ein verrauschtes System mit starken internen Wechselwirkungen schnell Entscheidungen treffen muss. Die Autoren argumentieren, dass ihre Ergebnisse helfen, zu erklären, warum Messungen an echten Gehirnen endliche Verarbeitungszeitskalen zeigen statt eines unbegrenzt langsamen, perfekt kritischen Verhaltens. Viele Wahrnehmungsentscheidungen von Tieren geschehen deutlich unter einer Sekunde, sodass Netzwerke, die leicht von der Kritikalität abseits liegen, einen besseren Kompromiss zwischen Schnelligkeit und Genauigkeit bieten können. Die Resultate legen auch Designregeln für künstliche Systeme nahe, etwa rekurrente neuronale Netze und physikalische „Reservoir‑Computing“-Geräte: Ist die Auslese nahezu instantan, sollte das interne Netzwerk weiter von der Kritikalität entfernt bleiben; kann die Auslese über längere Perioden integrieren, kann das System näher an den Rand getuned werden, um Empfindlichkeit zu gewinnen, ohne die Zuverlässigkeit zu opfern.

Balance finden statt Perfektion

Alltagssprachlich zeigt die Studie, dass das „Aufdrehen der Empfindlichkeit auf Anschlag“ nicht immer ratsam ist, wenn man schnell entscheiden muss und mit Rauschen zurechtkommen soll. Für endliche Beobachtungszeiten gibt es einen Sweetspot leicht unterhalb des am stärksten erregbaren Zustands, in dem Signale noch stark genug sind, um wahrgenommen zu werden, aber nicht so zittrig, dass sie ineinander verschwimmen. Dieses Gleichgewicht zwischen Reaktionsfähigkeit und Vertrauenswürdigkeit könnte ein allgemeines Prinzip dafür sein, wie lebende und künstliche Systeme sich an die Anforderungen realer Aufgaben anpassen.

Zitation: Azizpour, S., Priesemann, V., Zierenberg, J. et al. Finite integration time can shift optimal sensitivity away from criticality. Commun Phys 9, 119 (2026). https://doi.org/10.1038/s42005-026-02584-w

Schlüsselwörter: Kritikalität, Neuronale Netzwerke, dynamischer Bereich, Informationsverarbeitung, Integrationszeit