ນັກວິທະຍາສາດສາມາດເຂົ້າໃຈ ແລະຄາດການການເຊື່ອມຕໍ່ລະຫວ່າງພື້ນທີ່ສະໝອງຕ່າງໆໄດ້ດີຂຶ້ນຍ້ອນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ GPU-based algorithm ທີ່ສ້າງຂຶ້ນໂດຍນັກຄົ້ນຄວ້າທີ່ສະຖາບັນວິທະຍາສາດອິນເດຍ (IISc).
ສູດການຄິດໄລ່, ເອີ້ນວ່າ Regularized, Accelerated, Linear Fascicle Evaluation ຫຼື ReAl-LiFE, ສາມາດວິເຄາະປະລິມານຂໍ້ມູນອັນໃຫຍ່ຫຼວງໄດ້ຢ່າງມີປະສິດທິພາບໂດຍການສະແກນພາບສະທ້ອນແສງສະນະແມ່ເຫຼັກກະຈາຍ (dMRI) ຂອງສະຫມອງຂອງມະນຸດ.
ການນໍາໃຊ້ຂອງທີມງານຂອງ ReAL-LiFE ໄດ້ອະນຸຍາດໃຫ້ພວກເຂົາວິເຄາະຂໍ້ມູນ dMRI ຫຼາຍກວ່າ 150 ເທື່ອໄວກວ່າທີ່ພວກເຂົາສາມາດມີດ້ວຍເຕັກນິກທີ່ທັນສະໄຫມໃນປະຈຸບັນ.
ຮູບແບບການເຊື່ອມຕໍ່ສະຫມອງເຮັດວຽກແນວໃດ?
ທຸກໆວິນາທີ, ເສັ້ນປະສາດຂອງສະໝອງນັບລ້ານໆໄຟໄໝ້, ການສ້າງກຳມະຈອນໄຟຟ້າທີ່ເຄື່ອນທີ່ຜ່ານເຄືອຂ່າຍ neural, ເຊິ່ງເອີ້ນກັນວ່າ “axons”—ຈາກພາກສ່ວນໜຶ່ງຂອງສະໝອງໄປຫາອີກສ່ວນໜຶ່ງ.
ເພື່ອໃຫ້ສະຫມອງເຮັດວຽກເປັນຄອມພິວເຕີ, ການເຊື່ອມຕໍ່ເຫຼົ່ານີ້ແມ່ນມີຄວາມຈໍາເປັນ. ຢ່າງໃດກໍ່ຕາມ, ວິທີການແບບດັ້ງເດີມສໍາລັບການສຶກສາການເຊື່ອມຕໍ່ສະຫມອງມັກຈະກ່ຽວຂ້ອງກັບການໃຊ້ຕົວແບບສັດທີ່ຮຸກຮານ.
ຢ່າງໃດກໍ່ຕາມ, ການສະແກນ dMRI ສະເຫນີວິທີການທີ່ບໍ່ມີການຮຸກຮານເພື່ອກວດເບິ່ງການເຊື່ອມຕໍ່ສະຫມອງຂອງມະນຸດ.
ທາງດ່ວນຂໍ້ມູນຂ່າວສານຂອງສະຫມອງແມ່ນສາຍເຄເບີ້ນ (axons) ທີ່ເຊື່ອມຕໍ່ພາກພື້ນຕ່າງໆຂອງມັນ. ໂມເລກຸນຂອງນ້ໍາເດີນທາງພ້ອມກັບມັດ axon ຕາມຄວາມຍາວຂອງພວກມັນໃນລັກສະນະທີ່ກໍານົດໄວ້ນັບຕັ້ງແຕ່ພວກມັນຖືກສ້າງຂື້ນຄືກັບທໍ່.
ການເຊື່ອມຕໍ່, ເຊິ່ງເປັນແຜນທີ່ລາຍລະອຽດຂອງເຄືອຂ່າຍເສັ້ນໃຍທີ່ແຜ່ລາມໃນສະຫມອງ, ສາມາດເຮັດໄດ້ໂດຍ dMRI, ເຊິ່ງເຮັດໃຫ້ນັກຄົ້ນຄວ້າຕິດຕາມການເຄື່ອນໄຫວນີ້.
ແຕ່ຫນ້າເສຍດາຍ, ການກໍານົດຕົວເຊື່ອມຕໍ່ເຫຼົ່ານີ້ແມ່ນບໍ່ງ່າຍດາຍ. ພຽງແຕ່ການໄຫຼສຸດທິຂອງໂມເລກຸນນ້ໍາໃນແຕ່ລະສະຖານທີ່ໃນສະຫມອງແມ່ນສະແດງໂດຍຂໍ້ມູນການສະແກນ.
ພິຈາລະນາໂມເລກຸນນ້ໍາເປັນລົດໃຫຍ່. ໂດຍບໍ່ຮູ້ຫຍັງກ່ຽວກັບເສັ້ນທາງ, ຂໍ້ມູນດຽວທີ່ເກັບກໍາແມ່ນທິດທາງແລະຄວາມໄວຂອງລົດໃນແຕ່ລະຈຸດໃນເວລາແລະສະຖານທີ່.
ໂດຍການຕິດຕາມຮູບແບບການຈາລະຈອນເຫຼົ່ານີ້, ວຽກງານແມ່ນທຽບເທົ່າກັບການຄາດເດົາເຄືອຂ່າຍຂອງເສັ້ນທາງ. ວິທີການແບບດັ້ງເດີມກົງກັນຢ່າງໃກ້ຊິດກັບສັນຍານ dMRI ທີ່ຄາດໄວ້ຈາກການເຊື່ອມຕໍ່ທີ່ສົມມຸດຕິຖານກັບສັນຍານ dMRI ຕົວຈິງເພື່ອກໍານົດເຄືອຂ່າຍເຫຼົ່ານີ້ຢ່າງຖືກຕ້ອງ.
ເພື່ອເຮັດໃຫ້ການເພີ່ມປະສິດທິພາບນີ້, ນັກວິທະຍາສາດກ່ອນຫນ້ານັ້ນໄດ້ສ້າງສູດການຄິດໄລ່ທີ່ເອີ້ນວ່າ LiFE (Linear Fascicle Evaluation), ແຕ່ຂໍ້ບົກຜ່ອງອັນຫນຶ່ງຂອງມັນແມ່ນມັນດໍາເນີນການກັບຫນ່ວຍປະມວນຜົນກາງ (CPUs), ເຊິ່ງເຮັດໃຫ້ການຄິດໄລ່ໃຊ້ເວລາຫຼາຍ.
ຊີວິດຈິງ ແມ່ນຮູບແບບການປະຕິວັດທີ່ສ້າງຂຶ້ນໂດຍນັກຄົ້ນຄວ້າອິນເດຍ
ໃນເບື້ອງຕົ້ນ, ນັກຄົ້ນຄວ້າໄດ້ສ້າງສູດການຄິດໄລ່ທີ່ເອີ້ນວ່າ LiFE (Linear Fascial Evaluation) ເພື່ອເຮັດການປັບຕົວນີ້, ແຕ່ຫນຶ່ງໃນຂໍ້ເສຍຂອງມັນແມ່ນວ່າມັນຂຶ້ນກັບຫນ່ວຍປະມວນຜົນກາງ (CPUs), ເຊິ່ງໃຊ້ເວລາໃນການຄິດໄລ່.
ທີມງານຂອງ Sridharan ປັບປຸງເຕັກນິກຂອງພວກເຂົາໃນການສຶກສາໃຫມ່ທີ່ສຸດເພື່ອຫຼຸດຜ່ອນການເຮັດວຽກການປຸງແຕ່ງທີ່ຕ້ອງການໃນຫຼາຍວິທີ, ລວມທັງການຖອນການເຊື່ອມຕໍ່ທີ່ຊ້ໍາກັນແລະປັບປຸງປະສິດທິພາບຂອງ LiFE ຢ່າງຫຼວງຫຼາຍ.
ເທກໂນໂລຍີດັ່ງກ່າວໄດ້ຖືກປັບປຸງໃຫມ່ໂດຍນັກຄົ້ນຄວ້າໂດຍວິສະວະກໍາເພື່ອເຮັດວຽກຢູ່ໃນຫນ່ວຍປະມວນຜົນກາຟິກ (GPUs), ເຊິ່ງເປັນຊິບໄຟຟ້າພິເສດທີ່ໃຊ້ໃນເຄື່ອງຫຼີ້ນເກມທີ່ມີລະດັບສູງ.
ນີ້ອະນຸຍາດໃຫ້ພວກເຂົາກວດເບິ່ງຂໍ້ມູນ 100-150 ເທື່ອໄວກວ່າວິທີການທີ່ຜ່ານມາ. ທສູດການຄິດໄລ່ທີ່ປັບປຸງໃໝ່ຂອງລາວ, ReAl-LiFE, ຍັງສາມາດຄາດການວ່າວິຊາການທົດສອບຂອງມະນຸດຈະປະຕິບັດ ຫຼືເຮັດວຽກໃດນຶ່ງ.
ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ການນໍາໃຊ້ຄວາມເຂັ້ມແຂງຂອງການເຊື່ອມໂຍງທີ່ຄາດຄະເນສໍາລັບແຕ່ລະບຸກຄົນ, ທີມງານສາມາດອະທິບາຍຄວາມແຕກຕ່າງຂອງຄະແນນການທົດສອບພຶດຕິກໍາແລະສະຕິປັນຍາໃນບັນດາຕົວຢ່າງຂອງ 200 ບຸກຄົນ.
ການວິເຄາະດັ່ງກ່າວຍັງສາມາດໃຊ້ເປັນຢາໄດ້.” ການປະມວນຜົນຂໍ້ມູນຂະຫນາດໃຫຍ່ກໍາລັງກາຍເປັນສິ່ງສໍາຄັນຫຼາຍຂື້ນສໍາລັບຄໍາຮ້ອງສະຫມັກ neuroscience ຂໍ້ມູນຂະຫນາດໃຫຍ່, ໂດຍສະເພາະໃນການເຂົ້າໃຈການເຮັດວຽກຂອງສະຫມອງທີ່ມີສຸຂະພາບດີແລະຄວາມຜິດປົກກະຕິຂອງສະຫມອງ.
ສະຫຼຸບ
ສະຫຼຸບແລ້ວ, ReAl-LiFE ຍັງສາມາດຄາດການໄດ້ວ່າວິຊາການທົດສອບຂອງມະນຸດຈະປະຕິບັດ ຫຼືເຮັດວຽກສະເພາະແນວໃດ.
ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ການນໍາໃຊ້ຄວາມເຂັ້ມແຂງຂອງການເຊື່ອມໂຍງທີ່ຄາດຄະເນສໍາລັບແຕ່ລະບຸກຄົນ, ທີມງານສາມາດອະທິບາຍຄວາມແຕກຕ່າງຂອງຄະແນນການທົດສອບພຶດຕິກໍາແລະສະຕິປັນຍາໃນບັນດາຕົວຢ່າງຂອງ 200 ບຸກຄົນ.
ການວິເຄາະດັ່ງກ່າວຍັງສາມາດໃຊ້ເປັນຢາໄດ້.” ການປະມວນຜົນຂໍ້ມູນຂະຫນາດໃຫຍ່ກໍາລັງກາຍເປັນສິ່ງສໍາຄັນຫຼາຍຂື້ນສໍາລັບຄໍາຮ້ອງສະຫມັກ neuroscience ຂໍ້ມູນຂະຫນາດໃຫຍ່, ໂດຍສະເພາະໃນການເຂົ້າໃຈການເຮັດວຽກຂອງສະຫມອງທີ່ມີສຸຂະພາບດີແລະຄວາມຜິດປົກກະຕິຂອງສະຫມອງ.
ອອກຈາກ Reply ເປັນ