תוכן העניינים[להתחבא][הופעה]
מדענים יכולים להיות מסוגלים יותר להבין ולחזות קשרים בין אזורי מוח שונים הודות לאלגוריתם חדש של למידת מכונה מבוסס-GPU שנוצר על ידי חוקרים מהמכון ההודי למדע (IISc).
האלגוריתם, המכונה Regularized, Accelerated, Linear Fascicle Evaluation או ReAl-LiFE, מסוגל לנתח ביעילות את הנפחים האדירים של נתונים המיוצרים על ידי סריקות דיפוזיה של תהודה מגנטית (dMRI) של המוח האנושי.
השימוש של הצוות ב-ReAL-LiFE אפשר להם לנתח נתוני dMRI יותר מפי 150 מהר יותר ממה שהם יכולים לעשות עם טכניקות עדכניות עדכניות.
כיצד פועל מודל הקישוריות המוחית?
בכל שנייה, מיליוני הנוירונים של המוח יורים, ויוצרים פולסים חשמליים הנעים באמצעות רשתות עצביות - המכונה גם "אקסונים" - מחלק אחד של המוח לאחר.
כדי שהמוח יתפקד כמחשב, יש צורך בחיבורים אלו. עם זאת, שיטות מסורתיות לחקר קשרי מוח כוללות לעתים קרובות שימוש במודלים פולשניים של בעלי חיים.
עם זאת, סריקות dMRI מציעות דרך לא פולשנית לבחון את קשרי המוח האנושיים.
כבישי המידע המהירים של המוח הם הכבלים (האקסונים) המקשרים בין אזוריו השונים. מולקולות מים נעות יחד עם צרורות אקסונים לאורכן בצורה מכוונת מכיוון שהן נוצרות כמו צינורות.
הקונקטום, שהוא מפה מפורטת של רשת הסיבים החוצה את המוח, יכול להתאפשר באמצעות dMRI, המאפשר לחוקרים לעקוב אחר תנועה זו.
למרבה הצער, זיהוי החיבורים הללו אינו פשוט. רק הזרימה נטו של מולקולות מים בכל מקום במוח מוצגת על ידי הנתונים של הסריקות.
ראה את מולקולות המים כמכוניות. מבלי לדעת דבר על הכבישים, המידע היחיד שנאסף הוא הכיוון והמהירות של המכוניות בכל נקודת זמן ומקום.
על ידי ניטור דפוסי תנועה אלה, המשימה דומה להסקת רשתות הכבישים. גישות קונבנציונליות תואמות באופן הדוק את אות ה-dMRI הצפוי מהחיבור המוסק עם אות ה-dMRI בפועל על מנת לזהות נכון את הרשתות הללו.
כדי לבצע אופטימיזציה זו, מדענים יצרו קודם לכן אלגוריתם שנקרא LiFE (Linear Fascicle Evaluation), אך אחד החסרונות שלו היה שהוא פעל על יחידות עיבוד מרכזיות (CPUs) קונבנציונליות, מה שגרם לחישוב זמן רב.
החיים האמיתיים הוא מודל מהפכני שנוצר על ידי חוקרים הודים
בתחילה, חוקרים יצרו אלגוריתם בשם LiFE (Linear Fascial Evaluation) כדי לבצע את ההתאמה הזו, אך אחד החסרונות שלו היה שהוא תלוי ביחידות עיבוד מרכזיות (CPUs) רגילות, שלקח זמן לחשב.
הצוות של Sridharan שיפר את הטכניקה שלהם במחקר החדש ביותר כדי למזער את עבודת העיבוד הנדרשת במגוון דרכים, כולל הסרת חיבורים מיותרים ושיפור משמעותי בביצועים של LiFE.
הטכנולוגיה שוכללה עוד יותר על ידי החוקרים על ידי הנדסה לעבודה על יחידות עיבוד גרפיות (GPU), שהם שבבים חשמליים מיוחדים המשמשים במחשבי גיימינג מתקדמים.
זה איפשר להם לבחון נתונים פי 100-150 מהר יותר מגישות קודמות. טהאלגוריתם המעודכן שלו, ReAl-LiFE, יכול גם לצפות כיצד נבדק אנושי יפעל או יבצע עבודה מסוימת.
במילים אחרות, תוך שימוש בחוזקות הקישור החזויות של האלגוריתם עבור כל פרט, הצוות הצליח להסביר את השונות בציוני המבחנים ההתנהגותיים והקוגניטיביים בקרב מדגם של 200 אנשים.
לניתוח כזה יכולים להיות גם שימושים רפואיים". עיבוד נתונים בקנה מידה גדול הופך להיות חשוב יותר ויותר עבור יישומי מדעי המוח של נתונים גדולים, במיוחד בהבנת תפקוד מוח בריא והפרעות מוחיות.
סיכום
לסיכום, ReAl-LiFE יכול גם לצפות כיצד נבדק אנושי יפעל או יעשה עבודה מסוימת.
במילים אחרות, תוך שימוש בחוזקות הקישור החזויות של האלגוריתם עבור כל פרט, הצוות הצליח להסביר את השונות בציוני המבחנים ההתנהגותיים והקוגניטיביים בקרב מדגם של 200 אנשים.
לניתוח כזה יכולים להיות גם שימושים רפואיים". עיבוד נתונים בקנה מידה גדול הופך להיות חשוב יותר ויותר עבור יישומי מדעי המוח של נתונים גדולים, במיוחד בהבנת תפקוד מוח בריא והפרעות מוחיות.
השאירו תגובה