Die Charakterisierung der zellulären Eigenschaften von Neuronen ist entscheidend für das Verständnis ihrer Funktion im Gehirn. In diesem Forschungsansatz spielt die Erstellung biologisch realistischer Modelle eine zentrale Rolle, da sie die Integration multimodaler zellulärer Datensätze ermöglicht und kausale Zusammenhänge herstellt. Doch die derzeitigen Modellierungsansätze sind durch die begrenzte Verfügbarkeit und die intrinsische Variabilität experimenteller neuronaler Daten eingeschränkt. Die deterministische Formulierung biologisch realistischer Modelle erlaubt derzeit nicht, die beobachtete natürliche Variabilität experimentell zu berücksichtigen. Obwohl tiefes Lernen in diesem Bereich an Bedeutung gewinnt, erfasst es die volle biophysikalische Komplexität von Neuronen, ihre nichtlinearen Spannungsdynamiken und ihre Variabilität nicht vollständig. Um diese Mängel zu beheben, stellen wir NOBLE vor – einen neuralen Operator-Frame­work, der eine Abbildung von einer kontinuierlichen, frequenzmodulierten Darstellung interpretierbarer neuronaler Merkmale auf die somatische Spannungsantwort infolge Strominjektion lernt. NOBLE wird auf synthetischen Daten trainiert, die aus biologisch realistischen Neuronenmodellen generiert wurden, und ermöglicht die Vorhersage von Verteilungen neuronaler Dynamiken unter Berücksichtigung der intrinsischen experimentellen Variabilität. Im Gegensatz zu herkömmlichen biologisch realistischen Neuronenmodellen erlaubt die Interpolation im Embedding-Raum Modelle mit Dynamiken, die mit experimentell beobachteten Reaktionen konsistent sind. NOBLE ermöglicht die effiziente Generierung synthetischer Neuronen, die experimentellen Daten nahekommen und trial-to-trial-Variabilität aufweisen, wobei eine Beschleunigung um den Faktor 4200 gegenüber numerischen Lösern erreicht wird. NOBLE ist der erste skalierbare tiefenlernende Framework, der seine Generalisierung an realen experimentellen Daten validiert. Hierdurch erfasst NOBLE fundamentale neuronale Eigenschaften auf einzigartige, emergente Weise, was den Weg für ein besseres Verständnis der zellulären Zusammensetzung und Berechnungen, neuromorpher Architekturen, großskaliger Gehirnnetzwerke sowie allgemeiner neuroAI-Anwendungen ebnen wird.