تمثيل الخصائص الخلوية للخلايا العصبية يُعدّ أساسياً لفهم وظيفتها في الدماغ. وفي هذا السياق، يُعدّ إنشاء نماذج حيوية واقعية (bio-realistic) محورياً لدمج مجموعات بيانات خلوية متعددة الأبعاد وبناء علاقات سببية. غير أن النماذج الحالية تظل محدودة بسبب ندرة البيانات العصبية التجريبية وتنوعها المُتَمَيِّز. فبما أن النماذج الحيوية الواقعية تُستخدم حالياً بمنطق محدد (deterministic)، فإنها لا تُمكّن من أخذ التباين الطبيعي المُلاحظ تجريبياً بعين الاعتبار. وعلى الرغم من التطور المتسارع لتعلم الآلة العميقة (deep learning) في هذا المجال، فإنها تفشل في التقاط التعقيد البيوفيزيائي الكامل للخلايا العصبية، وديناميات الجهد غير الخطية، والتباين المُتَمَيِّز. وللتصدي لهذه العيوب، نُقدِّم "NOBLE"، وهي إطار عمل مُحَوِّل عصبي (neural operator) يتعلَّم خريطة من تمثيل ترددي مستمر (continuous frequency-modulated embedding) لسمات خلوية قابلة للتفسير، إلى استجابة الجهد السوماتي (الجسم الخلوي) الناتجة عن حقن تيار كهربائي. وقد تم تدريب NOBLE على بيانات مُصَنَّعة مُولَّدة من نماذج خلايا عصبية حيوية واقعية، وتمكّنها من التنبؤ بتوزيعات ديناميات الخلايا العصبية مع أخذ التباين التجريبي الداخلي بعين الاعتبار. على عكس النماذج العصبية الحيوية الواقعية التقليدية، فإن التداخل داخل فضاء التمثيل (embedding space) يُنتج نماذج تُظهر ديناميات متناسقة مع الاستجابات المُلاحظة تجريبياً. وتمكّن NOBLE من إنشاء خلايا اصطناعية بكفاءة عالية، تُشبه بدرجة كبيرة البيانات التجريبية وتمتلك تبايناً بين المحاولات (trial-to-trial variability)، مع تسريع بنسبة 4200 مرة مقارنةً بحلّال العددية (numerical solver). وNOBLE هي أول إطار تعلم آلة عميق مُ-scalable (مُوسَّع) يُحقِّق التحقق من قدرته على التعميم باستخدام بيانات تجريبية حقيقية. وبهذا، تُسجِّل NOBLE سجلاً فريداً في التقاط الخصائص العصبية الأساسية بطريقة تُنبثق تلقائياً، مما يفتح الباب أمام فهم أعمق للتركيب الخلوي والعمليات الحسابية، والهياكل العصبية المُحاكية (neuromorphic architectures)، والدوائر العصبية الكبيرة الحجم، والتطبيقات العامة لذكاء اصطناعي عصبي (neuroAI).