摘要：
To deepen our understanding of the brain and its function, a lot of effort has been put into the subject of whole brain simulation. One prerequisite problem that needs to be solved, in order to do these simulations, involves finding synapse connections between neurons to figure out the pathway of signals in the brain. Since the amount of data needed to represent a brain is quite large, consideration need to be put into the efficiency of the method of finding these connections. An algorithm using a k-d tree as a base was produced and benchmarked in order to estimate the scale of this issue. While the scalability in terms of Big O was quite satisfactory, the case was far from the same in absolute terms. It is concluded that the problem is memory bound and that this should be taken into consideration before time complexity. För att fördjupa vår förståelse av hjärnan och dess funktion, har mycket energi lagts på att skapa simulationer hjärnan i sin helhet. Detta är något som man bara kan göra efter att man löst vissa andra problem, så som att hitta var synapsanslutningar mellan neuroner uppstår. Anledning till detta är att man måste kunna följa hur signalerna i simuleringen av hjärnan rör sig. På grund av att mängden data som behövs när en hel hjärnan ska representeras är väldigt stor så behöver man tänka extra mycket på effektivitet när dessa synapsanslutningar ska lokaliseras. En algoritm baserat på k-d träd producerades och testades för att uppskatta hur svårt detta problem är. Skalbarheten hos algoritmen i Ordo-termer var relativt bra. Samma sak gäller dock inte i absoluta termer. Slutsatsen dras at problemet är bundet av minnesanvändning och att det bör tas i större åtanke än tidskomplexitet.
