谷歌公司和德國馬普學會的研究人員聯合開發出了一種迴歸神經網絡，能夠描繪出人類大腦的神經元圖譜。

刻畫神經系統中的生物網絡結構是一個被稱爲聯接組學（connectomics）的研究領域，它是計算密集型的。人的大腦大約包含由100萬億個神經突觸連接起來的860億個神經元，如果對1立方毫米的人腦組織進行成像，可以產生超過1000 TB的數據。

幸運的是，人工智能可以提供幫助。

Google和Max Planck神經生物學研究所的科學家在《自然方法》雜誌上發表了一篇論文（高精度自動重建神經元與洪水填充網絡），介紹了一種循環神經網絡—一種常用於手寫和語音識別的機器學習算法—已經針對聯通組學的分析工作進行了專門優化。

最先將機器學習用於聯通組學的並不是谷歌的研究人員——2018年3月，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”腦圖像處理流水線。但谷歌聲稱他們模型的準確性比以前的深度學習技術提高了“一個數量級”。

研究人員採用了一種邊緣檢測算法來識別神經突起的邊界（生長於神經元體上的結構），結合反饋卷積神經網絡—遞歸神經網絡的一個子類別—將掃描圖像中能夠描述神經元的像素組合在一起並進行突出顯示。

爲了保持準確性，該團隊提出了一個度量值“預期運行長度”（expected run length，ERL）。如果給定大腦3D圖像中的一個帶有隨機神經元的隨機點，這個度量值能夠測量算法在不出錯的情況下跟蹤神經元的距離。該研究小組報告說，在對斑胸草雀的大腦進行的一次100萬立方微米的掃描中，該模型的表現比以前的算法“好得多”。

谷歌的研究人員和論文的主要作者Viren Jain與Michal Januszewski在一篇博文中寫道：“通過將這些自動化結果與修復剩餘錯誤所需的少量額外人力相結合，Max Planck研究所的研究人員現在能夠研究鳴鳥的聯接組（connectome），以獲得對斑胸草雀的歌唱機理的新見解，並測試與這種鳥如何學習歌唱相關的理論。”

除了論文之外，該團隊還在Github上發佈了其模型的TensorFlow代碼，以及用於可視化數據集和改進重建結果的WebGL 3D軟件。他們計劃在未來對該系統做進一步完善，目的是實現突觸解析過程的完全自動化，並“爲Max Planck研究所和其他地方的項目做出貢獻。”