Сома: Основная часть нейрона, включая ядро ​​и органеллы, является центром метаболического и генетического контроля клетки.

Дендриты: разветвленные структуры, отходящие от тела клетки. Их поверхность покрыта синапсами. Они в основном отвечают за прием сигналов от других нейронов.

Аксон: длинное тонкое волокно, которое отходит от тела клетки и отвечает за передачу электрических сигналов другим нейронам или мышечным клеткам.

Синапс: точка соединения между нейронами, состоящая из пресинаптической мембраны (окончание аксона посылающего нейрона), синаптической щели (крошечное пространство между двумя нейронами) и постсинаптической мембраны (принимающей дендриты или тела нейронов).

Потенциал покоя: когда нейрон не стимулируется, существует разность потенциалов между внутренней и внешней частью клеточной мембраны, которая обычно отрицательна (около -70 милливольт) и в основном поддерживается за счет оттока ионов калия.

Потенциал действия: когда дендрит получает возбуждающий сигнал достаточной силы, канал ионов натрия открывается и ионы натрия поступают внутрь, вызывая повышение мембранного потенциала до порогового значения (около -55 милливольт), запуская потенциал действия.

Электрическая проводимость. Потенциалы действия распространяются вдоль аксонов со скоростью от десятков до сотен метров в секунду, что определяется миелиновой изоляцией аксона и последовательной активацией ионных каналов.

Высвобождение нейротрансмиттера: когда потенциал действия достигает окончания аксона, он заставляет ионы кальция проникать в клетку, запускает слияние синаптических везикул с пресинаптической мембраной и высвобождает нейромедиаторы в синаптическую щель.

Синаптическая щель: Нейромедиаторы диффундируют через синаптическую щель к постсинаптической мембране. Этот процесс происходит очень быстро, обычно порядка миллисекунд.

Связывание с рецепторами. Нейротрансмиттеры связываются со специфическими рецепторами на постсинаптической мембране, вызывая открытие или закрытие ионных каналов, изменяя мембранный потенциал и генерируя возбуждающие или тормозящие постсинаптические потенциалы.

Интеграция сигналов: Дендрит постсинаптического нейрона может получать сигналы от нескольких аксонов. Эти сигналы интегрируются в теле клетки, чтобы определить, достигнут ли порог для генерации нового потенциала действия.

Долговременная потенциация (ДП): эффективность синаптической передачи повышается за счет повторной возбуждающей стимуляции, которая является одним из ключевых механизмов обучения и памяти. ДП предполагает увеличение количества рецепторов постсинаптической мембраны, повышение чувствительности рецепторов и повышение эффективности высвобождения нейромедиатора из пресинаптической мембраны.

Длительная депрессия (LTD): эффективность синаптической передачи ослабляется при повторной тормозной стимуляции, в отличие от LTP. LTD предполагает уменьшение количества или чувствительности рецепторов постсинаптической мембраны.

Синаптическая обрезка: во время развития неактивные синапсы устраняются, а активные синапсы укрепляются, что позволяет мозгу адаптироваться к изменениям в окружающей среде. Синаптическая обрезка помогает оптимизировать структуру нейронных сетей и повысить эффективность обработки информации.

Модель нейрона: Искусственные нейроны в ИНС (искусственные нейронные сети) обычно содержат входы (дендриты), веса (силу синапсов), функции активации (имитирующие действие нейротрансмиттеров) и выходы (терминалы аксонов).

Обновление весов. В ИНС веса корректируются с помощью алгоритма обучения (например, обратного распространения ошибки), чтобы минимизировать ошибку прогнозирования, аналогично синаптической пластичности. Целью обновления веса является улучшение способности сети распознавать входные данные.

Функция активации: функция активации в ИНС моделирует нелинейный ответ нейронов, например, ReLU (выпрямленная линейная единица) или сигмовидная функция, которая определяет, «активируется» ли нейрон и передает ли сигналы. Выбор функции активации оказывает важное влияние на способность к обучению и производительность сети.

Сетевая структура: ИНС могут иметь несколько слоев нейронов, образуя сложные сетевые структуры, аналогичные иерархической организации нейронов в мозге. Сети глубокого обучения, такие как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), моделируют различные уровни обработки информации и обработки временных рядов в мозге.