人类认知神经科学中的一个有前途的想法是，默认模式网络（DMN）负责协调网络的募集和调度，以计算和解决特定任务的认知问题。这是通过证据表明DMN区域的物理和功能距离的支持，最大程度地删除了与感知和作用直接相关的环境驱动的神经活动的感觉运动区域，这将使DMN可以从层次的顶部策划复杂的认知。但是，发现大脑动力学的功能层次结构需要找到测量大脑区域之间相互作用的最佳方法。与以前的方法相比，使用例如转移熵测量信息的层次流动，我们在这里使用了受热力学启发的，基于深度学习的时间进化网络（TENET）框架来评估事件流动中的不对称性，“箭头”，人类脑信号。这提供了量化层次结构的另一种方法，因为时间的箭头测量了导致基础层次结构平衡的信息流的方向性。反过来，时间的箭头是衡量不可逆性的量度，因此在脑动力学中无序。当应用于接近一千名参与者的大规模人类连接项目（HCP）神经成像数据时，宗旨框架表明，DMN在策划层次结构的层次水平，即在静止状态和执行七个不同的认知任务时会改变的层次级别，即不可逆性的水平。此外，与神经精神疾病相比，对静息状态层次结构的这种量化在健康状态有显着差异。总体而言，目前的基于热力学的机器学习框架为在复杂环境中策划认知与大脑之间的相互作用的大脑动力学基本宗旨提供了重要的新见解。