Edukien aurkibidea[Ezkutatu][Erakutsi]
Zientzialariek garuneko hainbat eremuren arteko konexioak hobeto ulertzeko eta aurreikusteko gai izan daitezke GPUn oinarritutako ikaskuntza automatikoko algoritmo berri bati esker, Indiako Zientzia Institutuko (IISc) ikertzaileek sortutakoa.
Algoritmoa, Ebaluazio Erregularizatua, Azeleratua, Lineal Fascikulua edo ReAl-LiFE izenez ezagutzen dena, giza garuneko difusio-erresonantzia magnetikoaren (dMRI) miaketa bidez sortutako datu-bolumen handiak modu eraginkorrean aztertzeko gai da.
Taldeak ReAL-LiFE erabiltzeari esker, dMRI datuak egungo puntako teknikekin izan ditzaketenak baino 150 aldiz azkarrago azter ditzakete.
Nola funtzionatzen du garunaren konektibitate ereduak?
Segundoro, garunaren milioika neurona sutan jartzen dira, eta neurona-sareen bidez —«axoiak» ere deitzen direnak— garunaren atal batetik bestera mugitzen diren pultsu elektrikoak sortzen dituzte.
Garunak ordenagailu gisa funtziona dezan, beharrezkoak dira konexio hauek. Hala ere, garunaren konexioak aztertzeko metodo tradizionalek animalia eredu inbaditzaileak erabiltzea dakar sarritan.
Hala ere, dMRI eskaneek giza garuneko konexioak aztertzeko modu ez inbaditzailea eskaintzen dute.
Garunaren informazio-bideak bere eskualde desberdinak lotzen dituzten kableak (axoiak) dira. Ur molekulek axoien sortekin batera bidaiatzen dute beren luzeran modu zuzenduan, hodiak bezala eratzen baitira.
Konektoma, hau da, garunean hedatzen den zuntz sarearen mapa zehatza da, dMRI bidez egin daiteke, ikertzaileek mugimendu hori jarraitzeko aukera ematen baitu.
Zoritxarrez, konektoma hauek identifikatzea ez da erraza. Garuneko kokapen bakoitzean ur-molekulen fluxu garbia soilik erakusten dute miaketa-datuek.
Demagun ur molekulak automobil gisa. Errepideei buruz ezer jakin gabe, biltzen den informazio bakarra autoen norabidea eta abiadura une bakoitzean eta leku bakoitzean.
Trafiko-eredu horien jarraipena eginez, zeregina errepideen sareak ondorioztatzearen parekoa da. Planteamendu konbentzionalak estuki bat egiten dute ondorioztaturiko konektomatik esperotako dMRI seinalearekin benetako dMRI seinalearekin sare hauek behar bezala identifikatzeko.
Optimizazio hori egiteko, zientzialariek lehenago LiFE (Linear Fascicle Evaluation) izeneko algoritmoa sortu zuten, baina bere eragozpenetako bat zen ohiko Prozesatzeko Unitate Zentraletan (CPU) funtzionatzen zuela, eta horrek konputazioa denbora asko eskatzen zuen.
BIZITZA BENETAKOA Indiako ikertzaileek sortu zuten eredu iraultzailea da
Hasieran, ikertzaileek LiFE (Linear Fascial Evaluation) izeneko algoritmo bat sortu zuten doikuntza hori egiteko, baina bere desabantaila bat zen Prozesatzeko Unitate Zentral (CPU) arrunten mende zegoela, eta denbora behar zen kalkulatzeko.
Sridharan-en taldeak bere teknika hobetu zuen ikerketa berrienean behar den prozesatze-lana hainbat modutan minimizatzeko, besteak beste, konexio erredundanteak kenduz eta LiFEren errendimendua nabarmen hobetuz.
Teknologia gehiago findu zuten ikertzaileek, ingeniaritza grafikoen prozesatzeko unitateetan (GPU) lan egiteko, hau da, goi mailako jokoetarako ordenagailuetan erabiltzen diren txip elektriko espezializatuak.
Horri esker, aurreko planteamenduek baino 100-150 aldiz azkarrago aztertu zituzten datuak. Tbere algoritmo eguneratuak, ReAl-LiFEk, giza probako subjektu batek lan jakin bat nola jokatuko duen edo nola egingo duen aurreikus dezake.
Beste era batera esanda, banako bakoitzarentzat algoritmoaren proiektatutako lotura indarguneak erabiliz, taldeak 200 pertsonaren lagin baten artean jokabide- eta kognitibo-testen puntuazioen aldakuntzak azaldu ahal izan zituen.
Azterketa horrek erabilera sendagarriak ere izan ditzake». Eskala handiko datuak prozesatzea gero eta garrantzitsuagoa da datu handien neurozientzia aplikazioetarako, batez ere garunaren funtzio osasuntsua eta garunaren nahasteak ulertzeko.
Ondorioa
Ondorioz, ReAl-LiFE-k giza probako subjektu batek nola jokatuko duen edo lan jakin bat egingo duen ere aurreikus lezake.
Beste era batera esanda, banako bakoitzarentzat algoritmoaren proiektatutako lotura indarguneak erabiliz, taldeak 200 pertsonaren lagin baten artean jokabide- eta kognitibo-testen puntuazioen aldakuntzak azaldu ahal izan zituen.
Azterketa horrek erabilera sendagarriak ere izan ditzake». Eskala handiko datuak prozesatzea gero eta garrantzitsuagoa da datu handien neurozientzia aplikazioetarako, batez ere garunaren funtzio osasuntsua eta garunaren nahasteak ulertzeko.
Utzi erantzun bat