Wat is Synapse?

Wat is een synapse?

In je hersenen zitten miljarden zenuwcellen die met elkaar praten via kleine verbindingen: synapsen. Daar springt een signaal over van de ene cel naar de andere. Bij AI-modellen werkt het vergelijkbaar. Een synapse in een neuraal netwerk is de verbinding tussen twee kunstmatige neuronen — een soort digitaal bruggetje waar informatie overheen gaat.

Elk bruggetje heeft een gewicht: een getal dat bepaalt hoe belangrijk dat specifieke signaal is. Stel je voor dat je leert fietsen. In het begin zijn alle bewegingen onwennig, maar na een tijdje versterken sommige verbindingen in je hersenen en verzwakken andere. Precies dat gebeurt tijdens de training van een AI-model: het netwerk past de gewichten van al die synapsen aan totdat het de juiste patronen herkent.

Hoe werkt het eigenlijk?

Een neuraal netwerk is een web van kunstmatige neuronen, geordend in lagen. Elk neuron in laag A is verbonden met meerdere neuronen in laag B. Die verbindingen zijn de synapsen. Wanneer neuron A actief wordt, stuurt het een signaal naar neuron B — maar niet zomaar. Het signaal wordt eerst vermenigvuldigd met het gewicht van de synapse.

Zit daar een hoog gewicht? Dan heeft dat signaal veel invloed. Is het gewicht laag of zelfs negatief? Dan remt het de activiteit van het volgende neuron juist af. Neuron B telt alle binnenkomende signalen bij elkaar op en besluit of het zelf ook actief wordt.

Tijdens de training — bijvoorbeeld met backpropagation — worden die gewichten steeds bijgesteld. Het netwerk kijkt naar de fouten die het maakt en draait aan de knopjes (de gewichten) totdat de output klopt. Zo leer je een model om gezichten te herkennen, tekst te begrijpen of schaakzetten te voorspellen.

Een voorbeeld uit de praktijk

Stel: je traint een model om foto's van honden en katten te onderscheiden. De pixels van een foto gaan het netwerk in. De eerste laag herkent simpele lijntjes en randen. Die neuronen sturen signalen via synapsen naar de volgende laag, die vormen en patronen herkent (oren, snorharen). Elke synapse heeft een gewicht dat bepaalt of zo'n patroon belangrijk is voor "hond" of "kat".

In het begin zijn die gewichten willekeurig — het model gokt. Maar na duizenden foto's en steeds bijgestelde gewichten, weet het netwerk: "Als deze combinatie van vormen actief is, dan is het waarschijnlijk een kat." Die kennis zit opgeslagen in de gewichten van al die synapsen.

Waar kom je het tegen?

Synapsen zijn de ruggengraat van vrijwel elk neuraal netwerk. Of je nu werkt met:

• Grote taalmodellen zoals ChatGPT, Claude, Gemini of Llama — elk woord dat ze genereren, is het resultaat van signalen die door miljarden synapsen stromen

• Beeldherkenning in apps, beveiligingscamera's of medische scans

• Spraakassistenten die jouw stem omzetten in tekst

• Aanbevelingssystemen bij Netflix, Spotify of webshops

Elk van deze systemen heeft een netwerk van synapsen die samen patronen herkennen en voorspellingen doen.

Waarom zou jij hier iets aan hebben?

Als je begrijpt wat een synapse doet, snap je ook waarom AI-modellen zoveel rekenkracht en trainingstijd nodig hebben: elk gewicht moet worden aangepast, soms miljarden keer. Het helpt ook om te begrijpen waarom modellen soms rare fouten maken — als de gewichten niet goed zijn afgesteld, kan het netwerk de verkeerde conclusies trekken.

Denk je na over een eigen AI-toepassing? Dan is het handig om te weten dat de prestaties van je model direct afhangen van hoe goed die synapsen zijn getraind. En dat je met technieken zoals pruning of dropout synapsen kunt uitschakelen om je model sneller en efficiënter te maken — zonder al te veel in te leveren op nauwkeurigheid.