Onderzoekers Jaidev Gill en Jing Shuang Li hebben een nieuwe methode ontwikkeld om Model Predictive Control (MPC) te implementeren in neurale netwerken op basis van vuursnelheden. MPC is een wiskundig proces dat essentieel wordt geacht voor de planning van complexe bewegingen en gedragingen in zowel menselijke als dierlijke hersenen. Door deze controllers te vertalen naar neurale dynamiek, trachten de wetenschappers te ontrafelen hoe fysieke implementaties van planning in het brein daadwerkelijk functioneren.
In tegenstelling tot de gangbare praktijk binnen de kunstmatige intelligentie, maken Gill en Li geen gebruik van traditionele trainingsmethoden met grote datasets. In plaats daarvan hanteren zij een constructieve benadering. Volgens de publicatie op arxiv.org wordt hiervoor de 'projected gradient method' toegepast op het duale probleem, waardoor een basisimplementatie van een neuraal netwerk kan worden afgeleid. Om vervolgens verschillende hypothesen over neurale dynamiek te genereren, maken de auteurs gebruik van contractie-analyse en factorisatie, waarmee systematisch alternatieve netwerkarchitecturen kunnen worden gecreëerd.
Om de theoretische validiteit van hun modellen te toetsen, voerden de onderzoekers numerieke simulaties uit met een omgekeerde pendel op een kar. Het doel van de neurale netwerken was om deze pendel in balans te houden, een taak die vergelijkbaar is met het balanceren van een stok op een hand. Een cruciale bevinding uit deze tests is dat 'sparse connectivity' — een kenmerk van biologische hersenen waarbij neuronen niet allemaal met elkaar verbonden zijn — de prestaties van de controle niet negatief beïnvloedde. Dit wijst erop dat de schaarse structuur van biologische netwerken goed compatibel is met de complexe eisen van MPC, zoals beschreven in de .
Deze resultaten plaatsen het onderzoek in een breder kader van neurale netwerken en deep learning. Waar de benadering van Gill en Li zich richt op de directe vertaling van controle-algoritmen naar structuren, maken commerciële en educatieve toepassingen van simplilearn.com vaak gebruik van data-gedreven training. Binnen dat bredere veld worden diverse architecturen ingezet, zoals recurrent neural networks (RNN) voor sequentiële data, vaak ondersteund door frameworks zoals Keras of TensorFlow. De fundamentele werking van deze systemen, waarbij lagen van neuronen informatie verwerken, wordt verder toegelicht in over deep learning.
Het werk van Gill en Li, waarvan een herziene versie in september 2026 op arXiv verscheen, bevindt zich momenteel in de fase van indiening. De studie biedt een potentieel nieuw theoretisch kader voor neurowetenschappers om te begrijpen hoe fysieke neurale circuits in het brein kunnen fungeren als geavanceerde controllers voor motorische planning.