Las neuronas corticales integran señales ascendentes y ruido eléctrico aleatorio para regular los resultados de señalización, lo que lleva a patrones de actividad estadísticamente aleatorios. Sin embargo, clásicamente, la neurona se modela como una unidad computacional binaria, codificando la entropía de Shannon. Aquí, el potencial de membrana neuronal se modela como una función del comportamiento iónico inherentemente probabilístico. En este nuevo modelo, cada neurona calcula la probabilidad de pasar de un estado apagado a un estado encendido, codificando así la entropía de von Neumann. Los estados puros componentes se integran en una cantidad física de información, y la derivada de esta distribución de probabilidad de alta dimensión produce valores propios a través del sistema cuántico multiescalar. De acuerdo con el teorema de Hellman-Feynman, la resolución del estado del sistema se empareja con un cambio espontáneo en la distribución de carga, por lo que este estado del sistema definido se convierte instantáneamente en el pasado a medida que emerge una nueva distribución de probabilidad. Este modelo mecanicista produce predicciones comprobables sobre la longitud de onda de la energía libre liberada tras la compresión de información y la relación temporal de estos eventos con los resultados fisiológicos. En general, este modelo demuestra cómo las neuronas corticales podrían lograr resultados de señalización no deterministas a través de un proceso computacional de detección de coincidencias ruidosas.