સામગ્રીનું કોષ્ટક[છુપાવો][બતાવો]
ઇન્ડિયન ઇન્સ્ટિટ્યૂટ ઑફ સાયન્સ (IISc) ના સંશોધકો દ્વારા બનાવવામાં આવેલ નવા GPU-આધારિત મશીન લર્નિંગ અલ્ગોરિધમને કારણે વૈજ્ઞાનિકો મગજના વિવિધ વિસ્તારો વચ્ચેના જોડાણને વધુ સારી રીતે સમજવા અને અનુમાન કરવામાં સક્ષમ બની શકે છે.
રેગ્યુલરાઈઝ્ડ, એક્સિલરેટેડ, લીનિયર ફાસિકલ ઈવેલ્યુએશન અથવા રીઅલ-લાઈફ તરીકે ઓળખાતું અલ્ગોરિધમ, માનવ મગજના ડિફ્યુઝન મેગ્નેટિક રેઝોનન્સ ઇમેજિંગ (dMRI) સ્કેન દ્વારા ઉત્પાદિત ડેટાના વિશાળ જથ્થાનું અસરકારક રીતે વિશ્લેષણ કરવામાં સક્ષમ છે.
ટીમ દ્વારા રિયલ-લાઇફના ઉપયોગથી તેઓને વર્તમાન અત્યાધુનિક તકનીકો સાથે મળી શકે તે કરતાં 150 ગણા વધુ ઝડપથી dMRI ડેટાનું વિશ્લેષણ કરવાની મંજૂરી મળી.
મગજ કનેક્ટિવિટી મોડલ કેવી રીતે કામ કરે છે?
દર સેકન્ડે, મગજના લાખો ચેતાકોષોમાં આગ લાગે છે, જે વિદ્યુત સ્પંદનો બનાવે છે જે ન્યુરલ નેટવર્ક દ્વારા ફરે છે-જેને "એક્સોન" તરીકે પણ ઓળખવામાં આવે છે-મગજના એક ભાગથી બીજા ભાગમાં.
મગજ કમ્પ્યુટર તરીકે કાર્ય કરવા માટે, આ જોડાણો જરૂરી છે. જો કે, મગજના જોડાણોનો અભ્યાસ કરવા માટેની પરંપરાગત પદ્ધતિઓમાં ઘણીવાર આક્રમક પ્રાણી મોડલનો ઉપયોગ કરવામાં આવે છે.
જો કે, dMRI સ્કેન માનવ મગજના જોડાણોની તપાસ કરવા માટે બિન-આક્રમક રીત પ્રદાન કરે છે.
મગજના માહિતી માર્ગો એ કેબલ (એક્સોન્સ) છે જે તેના વિવિધ પ્રદેશોને જોડે છે. પાણીના અણુઓ ચેતાક્ષ બંડલ સાથે તેમની લંબાઈ સાથે નિર્દેશિત રીતે મુસાફરી કરે છે કારણ કે તે નળીઓની જેમ રચાય છે.
કનેક્ટોમ, જે મગજમાં ફેલાયેલા તંતુઓના નેટવર્કનો વિગતવાર નકશો છે, તે dMRI દ્વારા શક્ય બની શકે છે, જે સંશોધકોને આ હિલચાલને અનુસરવામાં સક્ષમ બનાવે છે.
કમનસીબે, આ કનેક્ટોમને ઓળખવું સરળ નથી. મગજમાં દરેક સ્થાન પર પાણીના અણુઓનો માત્ર ચોખ્ખો પ્રવાહ સ્કેન ડેટા દ્વારા બતાવવામાં આવે છે.
પાણીના અણુઓને ઓટોમોબાઈલ તરીકે ધ્યાનમાં લો. રોડવેઝ વિશે કંઈપણ જાણ્યા વિના, માત્ર એકત્ર કરેલી માહિતી એ સમય અને સ્થળના દરેક બિંદુએ કારની દિશા અને ગતિ છે.
આ ટ્રાફિક પેટર્નનું નિરીક્ષણ કરીને, કાર્ય રોડવેના નેટવર્કનું અનુમાન લગાવવા માટે તુલનાત્મક છે. પરંપરાગત અભિગમો આ નેટવર્ક્સને યોગ્ય રીતે ઓળખવા માટે અનુમાનિત જોડાણમાંથી અપેક્ષિત dMRI સિગ્નલ સાથે વાસ્તવિક dMRI સિગ્નલ સાથે નજીકથી મેળ ખાય છે.
આ ઓપ્ટિમાઇઝેશન કરવા માટે, વૈજ્ઞાનિકોએ અગાઉ LiFE (લીનિયર ફેસીકલ ઇવેલ્યુએશન) નામનું એક અલ્ગોરિધમ બનાવ્યું હતું, પરંતુ તેની ખામીઓમાંની એક એ હતી કે તે પરંપરાગત સેન્ટ્રલ પ્રોસેસિંગ યુનિટ્સ (CPUs) પર કામ કરતું હતું, જેણે ગણતરીમાં સમય માંગી લીધો હતો.
વાસ્તવિક જીવનમાં ભારતીય સંશોધકો દ્વારા બનાવવામાં આવેલ ક્રાંતિકારી મોડલ છે
શરૂઆતમાં, સંશોધકોએ આ ગોઠવણ કરવા માટે LiFE (લિનિયર ફેસિયલ ઈવેલ્યુએશન) નામનું અલ્ગોરિધમ બનાવ્યું હતું, પરંતુ તેનો એક ગેરફાયદો એ હતો કે તે સામાન્ય સેન્ટ્રલ પ્રોસેસિંગ યુનિટ્સ (CPUs) પર આધારિત હતું, જેને ગણતરીમાં સમય લાગ્યો હતો.
શ્રીધરનની ટીમે બિનજરૂરી જોડાણોને દૂર કરવા અને LiFE ની કામગીરીમાં નોંધપાત્ર સુધારો કરવા સહિત વિવિધ રીતે જરૂરી પ્રોસેસિંગ કાર્યને ઘટાડવા માટે નવા અભ્યાસમાં તેમની તકનીકમાં સુધારો કર્યો છે.
ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ (GPUs) પર કામ કરવા માટે સંશોધકો દ્વારા ટેક્નોલોજીને વધુ રિફાઇન કરવામાં આવી હતી, જે હાઇ-એન્ડ ગેમિંગ પીસીમાં વપરાતી વિશિષ્ટ ઇલેક્ટ્રિકલ ચિપ્સ છે.
આનાથી તેમને અગાઉના અભિગમો કરતાં 100-150 ગણી ઝડપથી ડેટાની તપાસ કરવાની મંજૂરી મળી. ટીતેનું અપડેટ કરેલ અલ્ગોરિધમ, રીઅલ-લાઇફ, માનવ પરીક્ષણ વિષય કેવી રીતે કાર્ય કરશે અથવા ચોક્કસ કાર્ય કરશે તે પણ અનુમાન કરી શકે છે.
બીજા શબ્દોમાં કહીએ તો, દરેક વ્યક્તિ માટે એલ્ગોરિધમની અનુમાનિત લિંક શક્તિઓનો ઉપયોગ કરીને, ટીમ 200 વ્યક્તિઓના નમૂના વચ્ચે વર્તણૂક અને જ્ઞાનાત્મક પરીક્ષણ સ્કોર્સમાં તફાવતોને સમજાવવામાં સક્ષમ હતી.
આવા વિશ્લેષણનો ઔષધીય ઉપયોગ પણ થઈ શકે છે.” મોટા પાયે ડેટા પ્રોસેસિંગ મોટા-ડેટા ન્યુરોસાયન્સ એપ્લિકેશન્સ માટે વધુને વધુ મહત્વપૂર્ણ બની રહ્યું છે, ખાસ કરીને તંદુરસ્ત મગજ કાર્ય અને મગજની વિકૃતિઓને સમજવામાં.
ઉપસંહાર
નિષ્કર્ષમાં, ReAl-LiFE એ પણ અનુમાન કરી શકે છે કે માનવ પરીક્ષણ વિષય કેવી રીતે કાર્ય કરશે અથવા ચોક્કસ કાર્ય કરશે.
બીજા શબ્દોમાં કહીએ તો, દરેક વ્યક્તિ માટે એલ્ગોરિધમની અનુમાનિત લિંક શક્તિઓનો ઉપયોગ કરીને, ટીમ 200 વ્યક્તિઓના નમૂના વચ્ચે વર્તણૂક અને જ્ઞાનાત્મક પરીક્ષણ સ્કોર્સમાં તફાવતોને સમજાવવામાં સક્ષમ હતી.
આવા વિશ્લેષણનો ઔષધીય ઉપયોગ પણ થઈ શકે છે.” મોટા પાયે ડેટા પ્રોસેસિંગ મોટા-ડેટા ન્યુરોસાયન્સ એપ્લિકેશન્સ માટે વધુને વધુ મહત્વપૂર્ણ બની રહ્યું છે, ખાસ કરીને તંદુરસ્ત મગજ કાર્ય અને મગજની વિકૃતિઓને સમજવામાં.
એક જવાબ છોડો