Corpo cellulare (Soma): la parte centrale di un neurone, compreso il nucleo e gli organelli, è il centro di controllo metabolico e genetico della cellula.

Dendriti: strutture ramificate che si estendono dal corpo cellulare. La loro superficie è ricoperta di sinapsi. Sono principalmente responsabili della ricezione dei segnali da altri neuroni.

Assone: fibra lunga e sottile che si estende dal corpo cellulare ed è responsabile della trasmissione dei segnali elettrici ad altri neuroni o cellule muscolari.

Sinapsi: il punto di connessione tra i neuroni, costituito dalla membrana presinaptica (il terminale assone del neurone mittente), dalla fessura sinaptica (il piccolo spazio tra due neuroni) e dalla membrana postsinaptica (che riceve i dendriti o corpi cellulari dei neuroni).

Potenziale di riposo: quando un neurone non viene stimolato, esiste una differenza di potenziale tra l'interno e l'esterno della membrana cellulare, che solitamente è negativa (circa -70 millivolt) ed è mantenuta principalmente dal deflusso di ioni potassio.

Potenziale d'azione: quando il dendrite riceve un segnale eccitatorio di forza sufficiente, il canale ionico del sodio si apre e gli ioni sodio fluiscono all'interno, facendo salire il potenziale di membrana fino alla soglia (circa -55 millivolt), innescando il potenziale d'azione.

Conduzione elettrica: i potenziali d'azione si propagano lungo gli assoni a velocità che vanno da decine a centinaia di metri al secondo, determinate dall'isolamento mielinico dell'assone e dall'attivazione sequenziale dei canali ionici.

Rilascio di neurotrasmettitori: quando il potenziale d'azione raggiunge il terminale dell'assone, fa sì che gli ioni calcio entrino nella cellula, innesca la fusione delle vescicole sinaptiche e della membrana presinaptica e rilascia i neurotrasmettitori nella fessura sinaptica.

Fessura sinaptica: i neurotrasmettitori diffondono attraverso la fessura sinaptica fino alla membrana postsinaptica. Questo processo è molto rapido, solitamente dell'ordine di millisecondi.

Legame ai recettori: i neurotrasmettitori si legano a recettori specifici sulla membrana postsinaptica, provocando l'apertura o la chiusura dei canali ionici, modificando il potenziale di membrana e generando potenziali postsinaptici eccitatori o inibitori.

Integrazione del segnale: il dendrite di un neurone postsinaptico può ricevere segnali da più assoni. Questi segnali vengono integrati nel corpo cellulare per determinare se viene raggiunta la soglia per generare un nuovo potenziale d'azione.

Potenziamento a lungo termine (LTP): l'efficienza della trasmissione sinaptica viene migliorata attraverso la stimolazione eccitatoria ripetuta, che è uno dei meccanismi chiave dell'apprendimento e della memoria. L’LTP comporta un aumento del numero di recettori della membrana postsinaptica, un aumento della sensibilità dei recettori e un aumento dell’efficienza del rilascio dei neurotrasmettitori dalla membrana presinaptica.

Depressione a lungo termine (LTD): l'efficienza della trasmissione sinaptica è indebolita dalla stimolazione inibitoria ripetuta, contrariamente all'LTP. LTD comporta una diminuzione del numero o della sensibilità dei recettori della membrana postsinaptica.

Potatura sinaptica: durante lo sviluppo, le sinapsi inattive vengono eliminate e le sinapsi attive vengono rafforzate come un modo per il cervello di adattarsi ai cambiamenti nell'ambiente. La potatura sinaptica aiuta a ottimizzare la struttura delle reti neurali e a migliorare l'efficienza dell'elaborazione delle informazioni.

Modello neuronale: i neuroni artificiali nelle ANN (reti neurali artificiali) contengono solitamente input (dendriti), pesi (forza delle sinapsi), funzioni di attivazione (simulando l'azione dei neurotrasmettitori) e output (terminali assonici).

Aggiornamento del peso: nelle ANN, i pesi vengono regolati da un algoritmo di apprendimento (come la backpropagation) per ridurre al minimo l'errore di previsione, in modo simile alla plasticità sinaptica. Lo scopo dell'aggiornamento del peso è migliorare la capacità della rete di riconoscere i dati di input.

Funzione di attivazione: la funzione di attivazione nelle ANN simula la risposta non lineare dei neuroni, come ReLU (Rectified Linear Unit) o ​​la funzione Sigmoid, che determina se il neurone "si attiva" e trasmette segnali. La scelta della funzione di attivazione ha un impatto importante sulla capacità di apprendimento e sulle prestazioni della rete.

Struttura della rete: le ANN possono avere più strati di neuroni per formare strutture di rete complesse, simili all'organizzazione gerarchica dei neuroni nel cervello. Le reti di deep learning, come le reti neurali convoluzionali (CNN) e le reti neurali ricorrenti (RNN), simulano diversi livelli di elaborazione delle informazioni e di elaborazione di serie temporali nel cervello.