几十年来，科学家认为学习发生在突触或脑细胞之间的众多交界处。但是现在，一项新研究提出，学习发生在一些树突中，这些树枝为脑细胞或神经元提供输入。
一项新研究的结果为大脑学习提供了全新的见解。
在一篇发表在“科学报告”期刊上的论文中，作者描述了他们在研究了神经元和细胞培养的计算机模型后如何得出这个结论。
在大脑的巨大神经网络中，神经元表现得像微小的微芯片，通过树突吸收输入，并且 – 当达到某些条件时 – 使用它们的轴突创建输出。
反过来，轴突通过称为突触的链接连接到其他神经元的树突。每个神经元的突触比树突多得多。
新研究的一个重要结果是，因为它提出学习发生在树突而非突触中，每个神经元的学习参数比以前想象的要少得多。
“在这个新的树突学习过程中，”“以色列巴伊兰大学Gonda跨学科脑研究中心的高级研究作者Ido Kanter教授说，”“每个神经元有一些自适应参数，与数千个相比在突触学习场景中微小而敏感的。“”
学习比我们想象的要快
新研究的另一个重要结果是，新的树突模型中的学习过程比传统的突触模型快得多。
这些结果可能对脑部疾病的治疗和计算机应用的设计具有重要意义
– 例如“深度学习算法”和人工智能 – 这些都是基于模仿大脑工作的方式。
研究人员预计，在后者的情况下，他们的研究为更先进的功能设计和更快的处理速度打开了大门。
传统的突触学习模式植根于Donald Hebb的开创性工作，该工作于1949年出版于“行为组织”一书中。
该模型，坎特教授和他的同事称之为“通过链接学习”，“提出在学习过程中发生变化的”学习参数“反映了每个神经元的突触或链接的数量，是神经网络中的计算单位。
‘按节点学习‘
在他们的新模型中 – 他们称之为“通过节点学习” – 研究人员提出，学习参数不反映突触的数量，其中每个神经元有很多，但树突或节点的数量，每个神经元只有少数几个。
因此，他们解释，“在连接神经元的网络中，”“突触模型中每个神经元的学习参数的数量”“比树突模型中的数量”“显着更大”。
大脑的“白日梦”网络比我们想象的更活跃
了解大脑的默认模式网络，它使我们能够进入自动驾驶模式，可能不只是做白日梦。
现在读
他们研究的主要目的是比较突触（链接）和树突（节点）学习情景之间的“合作动力学特性”。“
研究作者得出结论，他们的结果“”强烈表明神经元树突中出现了更快和更强的学习过程，类似于目前归因于突触的学习过程。“
弱突触在学习中起着关键作用
这项研究的另一个重要发现是，似乎弱大的突触占了大脑的大部分并被认为在学习中起着微不足道的作用，实际上非常重要。
作者指出，“动态是违反直觉主要受弱联系支配。”
似乎在树突模型中，弱突触导致学习参数振荡而不是像突触模型那样转向“不切实际的固定极端”。
坎特教授通过比较我们应该如何测量空气质量来总结结果。
“这是否有意义，”“他问道，”“通过摩天大楼高处的许多微小的远距离卫星传感器测量我们呼吸的空气质量，或者靠近鼻子使用一个或几个传感器？
“”
“”同样，神经元估计其输入信号接近其计算单位神经元的效率更高。“
Ido Kanter教授“
”