我们的大脑不仅仅是神经元的总和，因为我们意识和人格的秘密也是脑细胞相互作用的方式。但是这个“连接图”太复杂了，直到现在似乎都没有希望详细解码。然而现在，研究人员已经开始使用人工智能。神经网络——以大脑为模型的计算机程序——应该能帮助我们探索我们的思维器官。

神经细胞需要伙伴：虽然单个细胞做不了什么，但神经细胞组合成一个强大的网络，例如，控制我们的行为。细胞交换关于接触点和突触的信息。了解神经细胞在何时何地相互连接，有助于了解基本的大脑功能以及更高级别的过程，如学习、记忆、意识和神经系统疾病。毕竟，研究人员认为，这一切的关键在于人脑中约1000亿个细胞的互联。然而，要使用这把钥匙，必须检测到连接体——大脑中的每个神经细胞都有成千上万个接触和伙伴细胞。就在几年前，这样的事情似乎是完全不可能的——至少在一个合理的时间内。一方面，记录和绘制游丝需要时间，但神经细胞之间有很多联系。另一方面，即使是最好的计算机算法也太不准确，无法可靠地跟踪神经细胞的过程，并在长距离上识别突触。因此，人们仍然需要数小时的屏幕工作来从电子显微镜的图像堆栈中识别突触。可靠地跟踪远处神经细胞的过程，并识别突触。因此，人们仍然需要数小时的屏幕工作来从电子显微镜的图像堆栈中识别突触。可靠地跟踪远处神经细胞的过程，并识别突触。因此，人们仍然需要数小时的屏幕工作来从电子显微镜的图像堆栈中识别突触。

和超微神经网络作为助手。

然而现在，Martinsried Max Planck神经生物学研究所的科学家们已经解决了这两个问题。近年来，他们开发了染色和显微镜方法，在自动化过程中将脑组织样本转换为三维高分辨率电子显微镜图像。他们最新的显微镜被用作原型，在覆盖下一个样品平面之前，用91个电子束平行扫描样品表面。这将数据采集速率提高了50多倍。整个老鼠大脑可以在几十年内捕获，而不是几十年。但是随着数据的数字化，这还不够。接下来，基于这些信息，必须完成三维连接网络的重建。马克斯普朗克神经生物学研究所的rgenKornfeld和他的同事们已经迈出了这一步。他们用这种方法训练了几个人工神经网络，可以大大加速神经细胞图的重建。

人工神经网络是一种学习算法，可以在我们的大脑模型上运行。分层计算节点协同工作，可以从实例和经验中学习，并总结这些知识。这种神经网络已成功地用于图像处理和模式识别。“没有办法使用人工网络来分析真正的神经网络，”科恩菲尔德说。这并不像听起来那么简单。在几个月的工作中，科学家们训练并测试了所谓的“卷积神经网络”，用于识别和区分图像数据中的细胞过程、细胞成分和突触。经过短时间的学习后，由此产生的SyConn网络现在可以独立地识别这些结构。鸣禽大脑记录的应用表明SyConn是非常可靠的，人类的错误读取就变得多余了。

“这绝对是美妙的，因为有这么低的错误率，这是我们没有想到的，”科恩菲尔德高兴而成功地说。对于新开发的人工神经网络的一个合理的喜悦可以删除未来神经生物学家数千小时的单调工作——因此解密Konnektoms的时间可能会缩短许多年的意识。