Sinir biliminin temel prensiplerinden biri, hem biyolojik hem de yapay sinir ağlarının bilgiyi nöronlar arasındaki sinaptik bağlantıların gücünde depoladığıdır. Ancak şimdiye kadar, sinir ağlarının ateşleme aktivitesinde kodlanan bilgiyi ölçmek için iyi kurulmuş teoriler varken, ağın bağlantı dağılımında saklanan bilgiyi ölçecek bir çerçeve bulunmuyordu.
Yeni araştırma, bu önemli boşluğu doldurarak sinaptik bilgi için teorik bir framework geliştirdi. Araştırmacılar, yoğun bağlantılı Hebbian ağları kullanarak otoassosiyatif hafıza görevleri gerçekleştirdi ve depolanacak veri kalıplarını log-normal dağılımlar olarak modelledi.
Çalışmanın en önemli katkısı, Shannon karşılıklı bilgi teorisini kullanarak veri ile tek, çift ve keyfi n-tuple sinaptik bağlantılar arasındaki bilgiyi analitik olarak yaklaştırmalarıdır. Bu matematiksel yaklaşım, ağ içindeki farklı bağlantı kombinasyonlarının ne kadar bilgi taşıdığını kesin olarak hesaplamamızı sağlıyor.
Framework'ün doğrulaması, kalıp depolama kapasitesi hakkındaki yerleşik bilgileri destekliyor ve aynı zamanda yeni perspektifler sunuyor. Bu çalışma, sadece teorik açıdan önemli olmakla kalmayıp, gelecekte daha verimli yapay sinir ağları tasarlamak için de pratik uygulamalar vaat ediyor.