人工神经网络是松散地基于大脑功能的算法，因此不应将它们视为大脑学习的等价物。

研究神经元和大脑如何学习的所有细节的科学是计算神经科学，你提出的问题几乎是一个悬而未决的问题，但它有很多很好的假设。

您描述的关于人工神经网络如何更新其“权重”的方法称为反向传播，一些作者包括 O'Reilly、Randall；Munakata, Yuko (2000) 在认知神经科学中的计算探索：通过模拟大脑来理解心灵认为反向传播实际上是推动大脑学习的算法。在后来的出版物中，他们提出了包含海马区的架构来重建短期记忆。

然而近年来，随着主流深度学习的出现，新思想与旧思想和新方法一起出现。那些希望复制大脑及其功能或至少尽可能地近似它的人是：

• 尖峰神经网络
• Hierarchical temporal memory / Numenta（他们也有数据科学问题的资源和解决方案，如异常检测和分类）
• 计算智能中的其他理论

尖峰神经网络的计算成本高且难以调整，它们的性能与深度学习的性能并不接近，但是自然大脑使用某种形式的尖峰神经网络，它可以告诉你这类模型的潜力。

另一个有趣的提及是神经图灵机。对于某些受大脑启发的过程如何用于计算各种问题，这是一种有趣的方法。