Das Wilson-Cowan-Modell für Metapopulationen, ein neuronales Massennetzwerk-Modell, behandelt verschiedene subkortikale Regionen des Gehirns als miteinander verbundene Knoten, wobei die Verbindungen unterschiedliche Arten der strukturellen, funktionellen oder effektiven neuronalen Kopplung zwischen diesen Regionen repräsentieren. Jede Region besteht aus wechselseitig interagierenden Populationen von erregenden und hemmenden Neuronen, was dem klassischen Wilson-Cowan-Modell entspricht. Durch die Einbeziehung stabiler Attraktoren in die Dynamik eines solchen Metapopulationsmodells verwandeln wir es in einen Lernalgorithmus, der eine hohe Genauigkeit bei der Klassifikation von Bildern und Texten erreicht. Wir testen das Modell anhand von MNIST und Fashion MNIST in Kombination mit konvolutionellen neuronalen Netzen, an CIFAR-10 und TF-FLOWERS sowie in Kombination mit einer Transformer-Architektur (BERT) auf IMDB – jeweils mit hohen Klassifikationsgenauigkeiten. Diese numerischen Evaluierungen zeigen, dass bereits geringfügige Modifikationen am Wilson-Cowan-Modell für Metapopulationen einzigartige und bisher nicht beobachtete Dynamiken offenbaren können.