據VentureBeat報道，在神經系統中繪制生物網絡結構圖（這個領域被稱為連接組學（connectomics））需要大量的計算。人類大腦中有大約860億個神經元，它們通過100萬億個突觸連接起來，對一立方毫米的組織進行成像就可以生成超過1000TB字節的數據。幸運的是，人工智能（AI）可以提供幫助。

在《Nature Methods》雜志上發表的論文中，谷歌和馬克斯-普朗克神經生物研究所的科學家們展示了一種遞歸神經網絡，它是為連接組學分析量身定做的系統。遞歸神經網絡是一種機器學習算法，經常用于手寫和語音識別。

谷歌的研究人員并不是第一個將機器學習應用于連接組學的人。今年3月份，英特爾與麻省理工學院的計算機科學和人工智能實驗室合作，開發了“下一代”大腦圖像處理流水線。但是谷歌聲稱，他們的模型準確性比以前的深度學習技術有了“數量級”的提高。

谷歌算法在鳴禽大腦中追蹤3D神經突

谷歌研究人員使用了一種邊緣檢測算法，該算法可以識別神經突（神經元本體的分支）的邊界，以及一種復發性卷積神經網絡（復發性神經網絡的一個子類），該神經網絡將神經元掃描中的像素聚集起來并突出顯示出來。

為了跟蹤準確性，研究團隊開發了“預期運行長度”（ERL），這是指標在大腦的3D圖像中給隨機神經元一個隨機點，然后測量算法在出錯前跟蹤神經元的距離。研究小組報告說，在對100萬立方微米的斑胸草雀進行腦部掃描后，該模型的表現比之前的算法“要好得多”。

谷歌研究員、論文主要作者維倫·賈恩（Viren Jain）和米查爾·詹納斯澤維斯基（Michal Januszewski）表示：“這些自動化的結果結合少量的額外人力可以幫助解決剩余的錯誤，而馬克斯普朗克研究所的研究人員現在可以研究鳴禽大腦的連接組，以獲得斑胸草雀如何鳴唱的新洞見，并測試它們如何學習鳴唱的理論。”

除了論文之外，這個研究團隊還在Github上發布了模型的TensorFlow代碼，以及他們用來可視化數據集和改進重構結果的WebGL 3D軟件。他們計劃未來繼續改進這個系統，目標是使突觸解析過程完全自動化，并“為馬克斯普朗克研究所和其他機構的項目做出貢獻”。