Sciencistoj povas pli bone kompreni kaj prognozi ligojn inter diversaj cerbaj areoj danke al nova algoritmo de maŝinlernado bazita en GPU kreita de esploristoj ĉe la Hinda Instituto de Scienco (IISc).
La algoritmo, konata kiel Regularized, Accelerated, Linear Fascicle Evaluation aŭ ReAl-LiFE, kapablas efike analizi la masivajn volumojn de datumoj produktitaj per difuza magneta resonanca bildigo (dMRI) skanadoj de la homa cerbo.
La uzo de la teamo de ReAL-LiFE permesis al ili analizi dMRI-datenojn pli ol 150 fojojn pli rapide ol ili povus havi kun nunaj pintnivelaj teknikoj.
Kiel funkcias la cerba konektebla modelo?
Ĉiun sekundon, la milionoj da neŭronoj de la cerbo ekbrulas, kreante elektrajn pulsojn kiuj moviĝas per neŭralaj retoj - ankaŭ konataj kiel "aksonoj" - de unu parto de la cerbo al alia.
Por ke la cerbo funkciu kiel komputilo, ĉi tiuj ligoj estas necesaj. Tamen, tradiciaj metodoj por studi cerbajn ligojn ofte implikas uzi enpenetrajn bestajn modelojn.
Tamen, dMRI-skanadoj ofertas ne-invasivan manieron ekzameni homajn cerbajn ligojn.
La informvojoj de la cerbo estas la kabloj (aksonoj) kiuj ligas ĝiajn diversajn regionojn. Akvomolekuloj vojaĝas kune kun aksonfaskoj laŭ sia longo en direktita maniero ĉar ili estas formitaj kiel tuboj.
La konektomo, kiu estas detala mapo de la reto de fibroj etendantaj la cerbon, povas esti ebligita per dMRI, kiu ebligas al esploristoj sekvi ĉi tiun movadon.
Bedaŭrinde, identigi ĉi tiujn konektomojn ne estas simpla. Nur la neta fluo de akvomolekuloj ĉe ĉiu loko en la cerbo estas montrita per la datumoj de la skanadoj.
Konsideru la akvomolekulojn kiel aŭtojn. Sen scii ion ajn pri la vojoj, la nuraj informoj kolektitaj estas la direkto kaj rapideco de la aŭtoj en ĉiu punkto en tempo kaj loko.
Monitorante ĉi tiujn trafikajn ŝablonojn, la tasko estas komparebla al konkludado de la retoj de vojoj. Konvenciaj aliroj proksime egalas la atendatan dMRI-signalon de la konkludita konektomo kun la fakta dMRI-signalo por ĝuste identigi tiujn retojn.
Por fari ĉi tiun optimumigon, sciencistoj pli frue kreis algoritmon nomitan LiFE (Linear Fascicle Evaluation), sed unu el ĝiaj malavantaĝoj estis ke ĝi funkciis sur konvenciaj Centraj Pretigaj Unuoj (CPUoj), kio igis la komputadon tempopostula.
Reala vivo estas revolucia modelo, kiu estis kreita de hindaj esploristoj
Komence, esploristoj kreis algoritmon nomitan LiFE (Linear Fascial Evaluation) por fari ĉi tiun alĝustigon, sed unu el ĝiaj malavantaĝoj estis ke ĝi dependis de ordinaraj Centraj Pretigaj Unuoj (CPUoj), kiuj prenis tempon por komputi.
La teamo de Sridharan plibonigis sian teknikon en la plej nova studo por minimumigi la pretiglaboron necesan laŭ diversaj manieroj, inkluzive de forigo de superfluaj ligoj kaj signife plibonigado de la efikeco de LiFE.
La teknologio estis rafinita plu de la esploristoj per inĝenierado por labori pri Grafikaj Pretigaj Unuoj (GPUoj), kiuj estas specialigitaj elektraj blatoj uzataj en altnivelaj videoludaj komputiloj.
Ĉi tio permesis al ili ekzameni datumojn 100-150 fojojn pli rapide ol antaŭaj aliroj. Tlia ĝisdatigita algoritmo, ReAl-LiFE, ankaŭ povus antaŭvidi kiel homa testsubjekto agos aŭ faros certan laboron.
Alivorte, uzante la projektitajn ligajn fortojn de la algoritmo por ĉiu individuo, la teamo povis klarigi variadojn en kondutismaj kaj kognaj testaj poentoj inter specimeno de 200 individuoj.
Tia analizo ankaŭ povas havi kuracajn uzojn." Grandskala datumtraktado iĝas ĉiam pli grava por granddatumaj neŭrosciencaj aplikoj, precipe en komprenado de sana cerba funkcio kaj cerbaj malordoj.
konkludo
En konkludo, ReAl-LiFE ankaŭ povus antaŭvidi kiel homa testsubjekto agos aŭ faros certan laboron.
Alivorte, uzante la projektitajn ligajn fortojn de la algoritmo por ĉiu individuo, la teamo povis klarigi variadojn en kondutismaj kaj kognaj testaj poentoj inter specimeno de 200 individuoj.
Tia analizo ankaŭ povas havi kuracajn uzojn." Grandskala datumtraktado iĝas ĉiam pli grava por granddatumaj neŭrosciencaj aplikoj, precipe en komprenado de sana cerba funkcio kaj cerbaj malordoj.
Lasi Respondon