Onderzoekers denken neurale netwerken te kunnen verbeteren dankzij een ontdekking dat hersenen een veel grotere potentiële opslagcapaciteit hebben dan tot dusver werd gedacht. De ontdekking kan helpen zuinigere, maar precieze neurale netwerken te ontwikkelen.
De ontdekking dat hersenen een tienmaal grotere potentiële capaciteit hebben dan tot dusver gedacht komt voort uit een onderzoek naar synaptische verbindingen in de hippocampus van rattenhersenen. Dat gebied speelt een belangrijke rol bij onder meer het vertalen van korte-termijn- naar lange-termijngeheugen. Onderzoekers gebruikten een virtuele 3d-reconstructie van enkele kubieke micrometers en analyseerden de substructuren van de neuronen. Zij ontdekten dat er veel meer variatie in de afmetingen van synapsverbindingen zit dan tot dusver werd gedacht.
De afmetingen van de synaptische verbinding, waarmee neuronen met elkaar communiceren, zijn samen met hun aantal een maat voor de signaalsterkte: grotere synapsen geven een sterker signaal door en synaptische verbindingen worden sterker door succesvolle communicatie. Op die manier kan de 'opslagcapaciteit' van een neuron en van hersenstructuren worden geschat aan de hand van het aantal synapsen en hun relatieve afmetingen of signaalsterkte. Onderzoekers vonden in hun 3d-reconstructies geen handjevol synapsafmetingen, maar ten minste 26 categorieën. Daarmee groeide het aantal corresponderende mogelijke 'bits' van informatie van een of twee naar ongeveer 4,7 bits. De potentiële geheugencapaciteit is daarmee volgens de onderzoekers van het Salk-instituut een orde van grootte uitgebreider dan gedacht. Extrapolerend naar mensenhersenen zou de capaciteit ongeveer een petabyte bedragen, tien keer meer dan voorheen werd gedacht.
Met de ontdekking kunnen de onderzoekers beter begrijpen hoe hersenen werken en hoe ze met zo weinig energie toekunnen. De precisie zou te danken zijn aan het middelen van signalen over tijd en het variëren van de afmetingen van de synapsen onder invloed van signalen. Zo kan een enkel afwijkend signaal geen grote invloed hebben en worden succesvolle signalen steeds sterker. Die werking zou in neurale netwerken in computers toegepast kunnen worden om betere deep learning te realiseren. Neurale netwerken zouden dan gewenste signalen kunnen promoten en ongewenste signalen negeren, zodat het leren betere resultaten geeft. Bovendien zou de techniek zuinigere neurale netwerken kunnen opleveren.