विषय - सूची[छिपाना][प्रदर्शन]
भारतीय विज्ञान संस्थान (IISc) के शोधकर्ताओं द्वारा बनाए गए एक नए GPU- आधारित मशीन लर्निंग एल्गोरिदम की बदौलत वैज्ञानिक मस्तिष्क के विभिन्न क्षेत्रों के बीच संबंधों को बेहतर ढंग से समझने और पूर्वानुमान लगाने में सक्षम हो सकते हैं।
एल्गोरिथ्म, जिसे नियमित, त्वरित, रैखिक प्रावरणी मूल्यांकन या रीयल-लाइफ के रूप में जाना जाता है, मानव मस्तिष्क के प्रसार चुंबकीय अनुनाद इमेजिंग (डीएमआरआई) स्कैन द्वारा उत्पादित बड़े पैमाने पर डेटा का कुशलतापूर्वक विश्लेषण करने में सक्षम है।
टीम द्वारा रीयल-लाइफ के उपयोग ने उन्हें वर्तमान अत्याधुनिक तकनीकों की तुलना में dMRI डेटा का 150 गुना अधिक तेजी से विश्लेषण करने की अनुमति दी।
ब्रेन कनेक्टिविटी मॉडल कैसे काम करता है?
हर सेकंड, मस्तिष्क के लाखों न्यूरॉन्स आग लगाते हैं, विद्युत दालों का निर्माण करते हैं जो तंत्रिका नेटवर्क के माध्यम से चलते हैं - जिन्हें "अक्षतंतु" के रूप में भी जाना जाता है - मस्तिष्क के एक हिस्से से दूसरे हिस्से में।
मस्तिष्क को कंप्यूटर के रूप में कार्य करने के लिए, ये कनेक्शन आवश्यक हैं। हालांकि, मस्तिष्क कनेक्शन का अध्ययन करने के लिए पारंपरिक तरीकों में अक्सर आक्रामक पशु मॉडल का उपयोग करना शामिल होता है।
हालांकि, डीएमआरआई स्कैन मानव मस्तिष्क कनेक्शन की जांच करने के लिए एक गैर-आक्रामक तरीका प्रदान करते हैं।
मस्तिष्क के सूचना राजमार्ग केबल (अक्षतंतु) हैं जो इसके विभिन्न क्षेत्रों को जोड़ते हैं। पानी के अणु अक्षतंतु बंडलों के साथ-साथ अपनी लंबाई के साथ निर्देशित तरीके से यात्रा करते हैं क्योंकि वे ट्यूबों की तरह बनते हैं।
कनेक्टोम, जो मस्तिष्क में फैले तंतुओं के नेटवर्क का एक विस्तृत नक्शा है, को dMRI द्वारा संभव बनाया जा सकता है, जो शोधकर्ताओं को इस आंदोलन का पालन करने में सक्षम बनाता है।
दुर्भाग्य से, इन संयोजकों की पहचान करना आसान नहीं है। स्कैन डेटा द्वारा मस्तिष्क में प्रत्येक स्थान पर केवल पानी के अणुओं का शुद्ध प्रवाह दिखाया जाता है।
पानी के अणुओं को ऑटोमोबाइल मानें। रोडवेज के बारे में कुछ भी जाने बिना, एकत्र की गई एकमात्र जानकारी समय और स्थान पर प्रत्येक बिंदु पर कारों की दिशा और गति है।
इन ट्रैफिक पैटर्न की निगरानी करके, कार्य रोडवेज के नेटवर्क का अनुमान लगाने के लिए तुलनीय है। पारंपरिक दृष्टिकोण इन नेटवर्कों को सही ढंग से पहचानने के लिए वास्तविक डीएमआरआई सिग्नल के साथ अनुमानित कनेक्टोम से अपेक्षित डीएमआरआई सिग्नल से निकटता से मेल खाते हैं।
इस अनुकूलन को करने के लिए, वैज्ञानिकों ने पहले LiFE (लीनियर फासिकल इवैल्यूएशन) नामक एक एल्गोरिथ्म बनाया था, लेकिन इसकी एक कमी यह थी कि यह पारंपरिक सेंट्रल प्रोसेसिंग यूनिट्स (CPU) पर संचालित होता था, जिससे गणना में समय लगता था।
वास्तविक जीवन एक क्रांतिकारी मॉडल है जिसे भारतीय शोधकर्ताओं द्वारा बनाया गया था
प्रारंभ में, शोधकर्ताओं ने इस समायोजन को करने के लिए LiFE (लीनियर फेसिअल इवैल्यूएशन) नामक एक एल्गोरिथ्म बनाया, लेकिन इसका एक नुकसान यह था कि यह साधारण सेंट्रल प्रोसेसिंग यूनिट्स (CPU) पर निर्भर था, जिसे गणना करने में समय लगता था।
श्रीधरन की टीम ने विभिन्न तरीकों से आवश्यक प्रसंस्करण कार्य को कम करने के लिए नवीनतम अध्ययन में अपनी तकनीक में सुधार किया, जिसमें अनावश्यक कनेक्शनों को हटाना और LiFE के प्रदर्शन में उल्लेखनीय सुधार करना शामिल है।
ग्राफिक्स प्रोसेसिंग यूनिट्स (जीपीयू) पर काम करने के लिए इसे इंजीनियरिंग द्वारा शोधकर्ताओं द्वारा प्रौद्योगिकी को और परिष्कृत किया गया था, जो कि हाई-एंड गेमिंग पीसी में उपयोग किए जाने वाले विशेष इलेक्ट्रिकल चिप्स हैं।
इसने उन्हें पिछले दृष्टिकोणों की तुलना में 100-150 गुना तेजी से डेटा की जांच करने की अनुमति दी। टीउसका अद्यतन एल्गोरिथम, ReAl-LiFE, यह भी अनुमान लगा सकता है कि एक मानव परीक्षण विषय कैसे कार्य करेगा या एक निश्चित कार्य करेगा।
दूसरे शब्दों में, प्रत्येक व्यक्ति के लिए एल्गोरिदम की अनुमानित लिंक ताकत का उपयोग करके, टीम 200 व्यक्तियों के नमूने के बीच व्यवहार और संज्ञानात्मक परीक्षण स्कोर में भिन्नताओं को समझाने में सक्षम थी।
इस तरह के विश्लेषण के औषधीय उपयोग भी हो सकते हैं।" बड़े डेटा तंत्रिका विज्ञान अनुप्रयोगों के लिए बड़े पैमाने पर डेटा प्रसंस्करण तेजी से महत्वपूर्ण होता जा रहा है, विशेष रूप से स्वस्थ मस्तिष्क समारोह और मस्तिष्क विकारों को समझने में।
निष्कर्ष
अंत में, ReAl-LiFE यह भी अनुमान लगा सकता है कि एक मानव परीक्षण विषय कैसे कार्य करेगा या एक निश्चित कार्य करेगा।
दूसरे शब्दों में, प्रत्येक व्यक्ति के लिए एल्गोरिदम की अनुमानित लिंक ताकत का उपयोग करके, टीम 200 व्यक्तियों के नमूने के बीच व्यवहार और संज्ञानात्मक परीक्षण स्कोर में भिन्नताओं को समझाने में सक्षम थी।
इस तरह के विश्लेषण के औषधीय उपयोग भी हो सकते हैं।" बड़े डेटा तंत्रिका विज्ञान अनुप्रयोगों के लिए बड़े पैमाने पर डेटा प्रसंस्करण तेजी से महत्वपूर्ण होता जा रहा है, विशेष रूप से स्वस्थ मस्तिष्क समारोह और मस्तिष्क विकारों को समझने में।
एक जवाब लिखें