Wulfram Gerstner erhält den Swartz Prize for Theoretical and Computational Neuroscience 2026
Der Neurowissenschaftler Wulfram Gerstner von der EPFL erhält den Swartz Prize for Theoretical and Computational Neuroscience 2026 für seine Beiträge zum Verständnis der Informationsverarbeitung in Neuronen und der Lernprozesse im Gehirn.

Wulfram Gerstner © 2026 EPFL
Der Swartz Prize for Theoretical and Computational Neuroscience wird von der Society for Neuroscience (SfN) verliehen. Er zeichnet „eine Person aus, deren Arbeit einen bedeutenden und nachhaltigen Beitrag zu theoretischen Modellen oder computergestützten Methoden in den Neurowissenschaften geleistet hat oder die kürzlich einen bemerkenswerten Fortschritt auf dem Gebiet der theoretischen Neurowissenschaften oder der Computational Neuroscience erzielt hat“. Mit dem Preis werden Fortschritte im Verständnis des Gehirns gewürdigt, die auf mathematischen Ansätzen, theoretischer Forschung und Computersimulationen beruhen.
Die Society for Neuroscience (SfN) hat Wulfram Gerstner zum Preisträger 2026 gekürt. Er leitet das Laboratory of Computational Neuroscience an der EPFL. Die SfN würdigt Gerstner für seine „wegweisenden Beiträge zu nahezu allen zentralen Bereichen der theoretischen Neurowissenschaften und Computational Neuroscience“.
Gerstners Forschung befasst sich damit, wie Neuronen miteinander kommunizieren, wie sich ihre Verbindungen während des Lernens verändern und wie neuronale Netzwerke Informationen verarbeiten. Zu seinen wichtigsten Beiträgen zählt die theoretische Vorhersage der „spike-timing-dependent plasticity“ (STDP). Bei diesem Mechanismus beeinflusst der zeitliche Abstand elektrischer Signale zwischen Neuronen die Stärke ihrer synaptischen Verbindungen. Gerstners Arbeiten nahmen spätere experimentelle Befunde vorweg und trugen dazu bei, mathematisch zu beschreiben, wie das Gehirn aus Erfahrungen lernt.
Sein Labor untersucht außerdem, wie überraschende Ereignisse das Lernen beeinflussen und welche Rolle dabei die synaptische Plastizität spielt. Dabei geht es unter anderem darum, wie Signale, die über die Aktivität einzelner Neuronen hinausgehen, Veränderungen ihrer synaptischen Verbindungen beeinflussen.
Ein weiterer Schwerpunkt seiner Forschung ist das „Reinforcement Learning“ (bestärkendes oder verstärkendes Lernen), bei dem Menschen und Tiere aus den Konsequenzen ihrer Handlungen lernen. Sein Team untersucht mithilfe mathematischer Modelle, wie Belohnungen, Erwartungen und frühere Erfahrungen Lernprozesse und Entscheidungsfindung beeinflussen und welche neuronalen Mechanismen diesen Prozessen zugrunde liegen.
Gerstner hat zudem einflussreiche mathematische Modelle einzelner Neuronen und neuronaler Netzwerke entwickelt. Dazu gehört das mit Romain Brette entwickelte „Adaptive Exponential Integrate-and-Fire Model“, welches in der Computational Neuroscience weit verbreitet ist. Mit seinen Arbeiten hat Gerstner die moderne Computational Neuroscience maßgeblich geprägt und mathematische Theorie, experimentelle Neurowissenschaften und maschinelles Lernen miteinander verbunden.
Übersetzt aus dem Englischen von Elena Reiriz Martínez/BCOS




