Restrições Energéticas e Reguladoras na Inferência Preditiva: Uma Extensão Termodinâmica da Psiquiatria Computacional

Modelos de codificação preditiva forneceram uma descrição algorítmica robusta da psicopatologia como uma falha na inferência bayesiana hierárquica. No entanto, esses modelos frequentemente carecem de fechamento biofísico em relação aos custos energéticos associados ao processamento de informação. Este artigo propõe uma extensão termodinâmica mínima à psiquiatria computacional ao introduzir dois parâmetros em nível de sistema: Sobrecarga Entrópica (phi) e Capacidade Dissipativa (alpha). Argumentamos que o espaço de estados de alta dimensionalidade do neocórtex humano impõe demandas metabólicas que atuam como restrições fundamentais à estabilidade neural. Ao formalizar uma condição de estabilidade onde a taxa de redução da incerteza não deve exceder o limite dissipativo do sistema, identificamos condições de fronteira sob as quais a inferência preditiva torna-se inerentemente instável. Discutimos como observações empíricas recentes — como a eficácia da neuromodulação dependente da conectividade e a desregulação do gama em estado de repouso — são estruturalmente consistentes com este modelo regulatório termodinâmico. Integrar essas restrições permite uma compreensão mecanicista mais completa da vulnerabilidade psiquiátrica como uma propriedade emergente de sistemas neurais de alta dimensionalidade operando sob restrições de eficiência metabólica. Implementação em Python do Índice de Rigidez Neurodinâmica (NR): https://github.com/Dasein193/Neurodynamic-Rigidity-Index