Zellkörper (Soma): Der Kernteil eines Neurons, einschließlich Kern und Organellen, ist das metabolische und genetische Kontrollzentrum der Zelle.

Dendriten: Verzweigte Strukturen, die vom Zellkörper ausgehen. Ihre Oberfläche ist mit Synapsen bedeckt. Sie sind hauptsächlich für den Empfang von Signalen anderer Neuronen verantwortlich.

Axon: Eine lange, dünne Faser, die vom Zellkörper ausgeht und für die Übertragung elektrischer Signale an andere Neuronen oder Muskelzellen verantwortlich ist.

Synapse: Der Verbindungspunkt zwischen Neuronen, bestehend aus der präsynaptischen Membran (dem Axonende des sendenden Neurons), dem synaptischen Spalt (dem winzigen Raum zwischen zwei Neuronen) und der postsynaptischen Membran (dem Empfang der Dendriten oder Zellkörper von Neuronen).

Ruhepotential: Wenn ein Neuron nicht stimuliert wird, besteht zwischen der Innenseite und der Außenseite der Zellmembran ein Potentialunterschied, der normalerweise negativ ist (ca. -70 Millivolt) und hauptsächlich durch den Ausfluss von Kaliumionen aufrechterhalten wird.

Aktionspotential: Wenn der Dendrit ein ausreichend starkes Erregungssignal empfängt, öffnet sich der Natriumionenkanal und Natriumionen strömen ein, wodurch das Membranpotential auf den Schwellenwert (ca. -55 Millivolt) ansteigt und das Aktionspotential auslöst.

Elektrische Leitung: Aktionspotentiale breiten sich entlang der Axone mit Geschwindigkeiten im Bereich von mehreren zehn bis hundert Metern pro Sekunde aus, bestimmt durch die Myelin-Isolierung des Axons und die sequentielle Aktivierung von Ionenkanälen.

Freisetzung von Neurotransmittern: Wenn das Aktionspotential das Axonende erreicht, gelangen Kalziumionen in die Zelle, löst die Fusion synaptischer Vesikel und der präsynaptischen Membran aus und setzt Neurotransmitter in den synaptischen Spalt frei.

Synaptischer Spalt: Neurotransmitter diffundieren durch den synaptischen Spalt zur postsynaptischen Membran. Dieser Vorgang erfolgt sehr schnell, normalerweise in der Größenordnung von Millisekunden.

Rezeptorbindung: Neurotransmitter binden an spezifische Rezeptoren auf der postsynaptischen Membran, wodurch sich Ionenkanäle öffnen oder schließen, das Membranpotential verändert und erregende oder hemmende postsynaptische Potentiale erzeugt.

Signalintegration: Der Dendrit eines postsynaptischen Neurons kann Signale von mehreren Axonen empfangen. Diese Signale werden im Zellkörper integriert, um festzustellen, ob die Schwelle zur Erzeugung eines neuen Aktionspotentials erreicht ist.

Langzeitpotenzierung (LTP): Die Effizienz der synaptischen Übertragung wird durch wiederholte erregende Stimulation gesteigert, die einer der Schlüsselmechanismen des Lernens und des Gedächtnisses ist. LTP beinhaltet eine Erhöhung der Anzahl postsynaptischer Membranrezeptoren, eine Erhöhung der Rezeptorempfindlichkeit und eine Erhöhung der Effizienz der Neurotransmitterfreisetzung aus der präsynaptischen Membran.

Langzeitdepression (LTD): Im Gegensatz zur LTP wird die Effizienz der synaptischen Übertragung durch wiederholte inhibitorische Stimulation geschwächt. LTD beinhaltet eine Verringerung der Anzahl oder Empfindlichkeit postsynaptischer Membranrezeptoren.

Synaptische Beschneidung: Während der Entwicklung werden inaktive Synapsen eliminiert und aktive Synapsen gestärkt, damit sich das Gehirn an Veränderungen in der Umgebung anpassen kann. Synaptic Pruning trägt dazu bei, die Struktur neuronaler Netze zu optimieren und die Effizienz der Informationsverarbeitung zu verbessern.

Neuronenmodell: Künstliche Neuronen in ANNs (künstliche neuronale Netze) enthalten normalerweise Eingaben (Dendriten), Gewichte (Stärke von Synapsen), Aktivierungsfunktionen (Simulation der Wirkung von Neurotransmittern) und Ausgaben (Axonterminals).

Gewichtsaktualisierung: In ANNs werden Gewichte durch einen Lernalgorithmus (z. B. Backpropagation) angepasst, um Vorhersagefehler zu minimieren, ähnlich wie bei der synaptischen Plastizität. Der Zweck der Gewichtsaktualisierung besteht darin, die Fähigkeit des Netzwerks zu verbessern, Eingabedaten zu erkennen.

Aktivierungsfunktion: Die Aktivierungsfunktion in ANNs simuliert die nichtlineare Reaktion von Neuronen, wie z. B. ReLU (Rectified Linear Unit) oder Sigmoid-Funktion, die bestimmt, ob das Neuron „aktiviert“ und Signale überträgt. Die Wahl der Aktivierungsfunktion hat einen wichtigen Einfluss auf die Lernfähigkeit und Leistung des Netzwerks.

Netzwerkstruktur: KNNs können aus mehreren Schichten von Neuronen bestehen, um komplexe Netzwerkstrukturen zu bilden, ähnlich der hierarchischen Organisation von Neuronen im Gehirn. Deep-Learning-Netzwerke wie Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) simulieren verschiedene Ebenen der Informationsverarbeitung und Zeitreihenverarbeitung im Gehirn.