Wetenskaplikes kan beter in staat wees om verbande tussen verskillende breinareas te begryp en te voorspel danksy 'n nuwe GPU-gebaseerde masjienleeralgoritme wat deur navorsers by die Indiese Instituut van Wetenskap (IISc) geskep is.
Die algoritme, bekend as Regularized, Accelerated, Linear Fascicle Evaluation of ReAl-LiFE, is in staat om die massiewe volumes data wat deur diffusie magnetiese resonansbeelding (dMRI) skanderings van die menslike brein geproduseer word, doeltreffend te ontleed.
Die span se gebruik van ReAL-LiFE het hulle in staat gestel om dMRI-data meer as 150 keer vinniger te ontleed as wat hulle met huidige moderne tegnieke kon hê.
Hoe werk die breinverbindingsmodel?
Elke sekonde brand die brein se miljoene neurone, wat elektriese pulse skep wat via neurale netwerke – ook bekend as “aksone” – van een deel van die brein na 'n ander beweeg.
Vir die brein om as 'n rekenaar te funksioneer, is hierdie verbindings nodig. Tradisionele metodes vir die bestudering van breinverbindings behels egter dikwels die gebruik van indringerdiermodelle.
DMRI-skanderings bied egter 'n nie-indringende manier om menslike breinverbindings te ondersoek.
Die inligtingspaaie van die brein is die kabels (aksone) wat sy verskillende streke verbind. Watermolekules beweeg saam met aksonbundels langs hul lengte op 'n gerigte wyse aangesien hulle soos buise gevorm is.
Die connectome, wat 'n gedetailleerde kaart is van die netwerk van vesels wat oor die brein strek, kan moontlik gemaak word deur dMRI, wat navorsers in staat stel om hierdie beweging te volg.
Ongelukkig is dit nie eenvoudig om hierdie verbindings te identifiseer nie. Slegs die netto vloei van watermolekules by elke plek in die brein word deur die skanderings se data getoon.
Beskou die watermolekules as motors. Sonder om iets van die paaie te weet, is die enigste inligting wat ingesamel word die rigting en spoed van die motors op elke tyd en plek.
Deur hierdie verkeerspatrone te monitor, is die taak vergelykbaar met die afleiding van die netwerke van paaie. Konvensionele benaderings pas nou by die verwagte dMRI-sein van die afgeleide konneksoom met die werklike dMRI-sein om hierdie netwerke korrek te identifiseer.
Om hierdie optimalisering te doen, het wetenskaplikes vroeër 'n algoritme genaamd LiFE (Linear Fascicle Evaluation) geskep, maar een van die nadele daarvan was dat dit op konvensionele sentrale verwerkingseenhede (CPU's) gewerk het, wat die berekening tydrowend gemaak het.
Regte lewe is 'n revolusionêre model wat deur Indiese navorsers geskep is
Aanvanklik het navorsers 'n algoritme genaamd LiFE (Linear Fascial Evaluation) geskep om hierdie aanpassing te doen, maar een van die nadele daarvan was dat dit afhanklik was van gewone sentrale verwerkingseenhede (CPU's), wat tyd geneem het om te bereken.
Sridharan se span het hul tegniek in die nuutste studie verbeter om die verwerkingswerk wat benodig word op 'n verskeidenheid maniere te verminder, insluitend die verwydering van oortollige verbindings en die aansienlike verbetering van LiFE se werkverrigting.
Die tegnologie is verder verfyn deur die navorsers deur dit te ontwerp om te werk op Graphics Processing Units (GPU's), wat gespesialiseerde elektriese skyfies is wat in hoë-end-speletjie-rekenaars gebruik word.
Dit het hulle in staat gestel om data 100-150 keer vinniger as vorige benaderings te ondersoek. Tsy opgedateerde algoritme, ReAl-LiFE, kan ook voorsien hoe 'n menslike proefpersoon sal optree of 'n sekere werk sal doen.
Met ander woorde, met behulp van die algoritme se geprojekteerde skakelsterktes vir elke individu, was die span in staat om afwykings in gedrags- en kognitiewe toetstellings onder 'n steekproef van 200 individue te verduidelik.
Sulke ontleding kan ook medisinale gebruike hê.” Grootskaalse dataverwerking word al hoe belangriker vir grootdata neurowetenskaptoepassings, veral om gesonde breinfunksie en breinafwykings te verstaan.
Gevolgtrekking
Ten slotte kan ReAl-LiFE ook voorsien hoe 'n menslike proefpersoon sal optree of 'n sekere werk sal doen.
Met ander woorde, met behulp van die algoritme se geprojekteerde skakelsterktes vir elke individu, was die span in staat om afwykings in gedrags- en kognitiewe toetstellings onder 'n steekproef van 200 individue te verduidelik.
Sulke ontleding kan ook medisinale gebruike hê.” Grootskaalse dataverwerking word al hoe belangriker vir grootdata neurowetenskaptoepassings, veral om gesonde breinfunksie en breinafwykings te verstaan.
Lewer Kommentaar