ഉള്ളടക്ക പട്ടിക[മറയ്ക്കുക][കാണിക്കുക]
ഇന്ത്യൻ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് സയൻസിലെ (ഐഐഎസ്സി) ഗവേഷകർ സൃഷ്ടിച്ച ജിപിയു അധിഷ്ഠിത മെഷീൻ ലേണിംഗ് അൽഗോരിതം മൂലം വിവിധ മസ്തിഷ്ക മേഖലകൾ തമ്മിലുള്ള ബന്ധങ്ങൾ നന്നായി മനസ്സിലാക്കാനും പ്രവചിക്കാനും ശാസ്ത്രജ്ഞർക്ക് കഴിയും.
റെഗുലറൈസ്ഡ്, ആക്സിലറേറ്റഡ്, ലീനിയർ ഫാസിക്കിൾ ഇവാലുവേഷൻ അല്ലെങ്കിൽ റിയൽ-ലൈഫ് എന്നറിയപ്പെടുന്ന അൽഗോരിതം, മനുഷ്യ മസ്തിഷ്കത്തിന്റെ ഡിഫ്യൂഷൻ മാഗ്നറ്റിക് റെസൊണൻസ് ഇമേജിംഗ് (ഡിഎംആർഐ) സ്കാനുകൾ വഴി ഉൽപ്പാദിപ്പിക്കുന്ന ഡാറ്റയുടെ വലിയ അളവുകൾ കാര്യക്ഷമമായി വിശകലനം ചെയ്യാൻ പ്രാപ്തമാണ്.
ടീമിന്റെ ReAL-LiFE-ന്റെ ഉപയോഗം, നിലവിലെ അത്യാധുനിക സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് അവർക്ക് കഴിയുന്നതിനേക്കാൾ 150 മടങ്ങ് വേഗത്തിൽ dMRI ഡാറ്റ വിശകലനം ചെയ്യാൻ അവരെ അനുവദിച്ചു.
മസ്തിഷ്ക കണക്റ്റിവിറ്റി മോഡൽ എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?
ഓരോ സെക്കൻഡിലും, മസ്തിഷ്കത്തിലെ ദശലക്ഷക്കണക്കിന് ന്യൂറോണുകൾ ജ്വലിക്കുന്നു, ന്യൂറൽ നെറ്റ്വർക്കുകൾ വഴി ചലിക്കുന്ന വൈദ്യുത സ്പന്ദനങ്ങൾ സൃഷ്ടിക്കുന്നു - "ആക്സോൺസ്" എന്നും അറിയപ്പെടുന്നു - തലച്ചോറിന്റെ ഒരു ഭാഗത്ത് നിന്ന് മറ്റൊന്നിലേക്ക്.
തലച്ചോറ് ഒരു കമ്പ്യൂട്ടറായി പ്രവർത്തിക്കാൻ, ഈ കണക്ഷനുകൾ ആവശ്യമാണ്. എന്നിരുന്നാലും, മസ്തിഷ്ക ബന്ധങ്ങൾ പഠിക്കുന്നതിനുള്ള പരമ്പരാഗത രീതികൾ പലപ്പോഴും ആക്രമണാത്മക മൃഗ മാതൃകകൾ ഉപയോഗിക്കുന്നത് ഉൾപ്പെടുന്നു.
എന്നിരുന്നാലും, മനുഷ്യ മസ്തിഷ്ക ബന്ധങ്ങൾ പരിശോധിക്കുന്നതിന് dMRI സ്കാനുകൾ ഒരു നോൺ-ഇൻവേസിവ് മാർഗം വാഗ്ദാനം ചെയ്യുന്നു.
തലച്ചോറിന്റെ വിവര ഹൈവേകൾ അതിന്റെ വിവിധ മേഖലകളെ ബന്ധിപ്പിക്കുന്ന കേബിളുകളാണ് (ആക്സോണുകൾ). ട്യൂബുകൾ പോലെ രൂപപ്പെട്ടതിനാൽ ജല തന്മാത്രകൾ അവയുടെ നീളത്തിൽ ആക്സൺ ബണ്ടിലുകൾക്കൊപ്പം സഞ്ചരിക്കുന്നു.
മസ്തിഷ്കത്തിൽ വ്യാപിച്ചുകിടക്കുന്ന നാരുകളുടെ ശൃംഖലയുടെ വിശദമായ ഭൂപടമായ കണക്ടോം, ഈ ചലനം പിന്തുടരാൻ ഗവേഷകരെ പ്രാപ്തരാക്കുന്ന ഡിഎംആർഐ വഴി സാധ്യമാക്കാം.
നിർഭാഗ്യവശാൽ, ഈ കണക്ടോമുകൾ തിരിച്ചറിയുന്നത് എളുപ്പമല്ല. തലച്ചോറിലെ ഓരോ സ്ഥലത്തും ജല തന്മാത്രകളുടെ മൊത്തം ഒഴുക്ക് മാത്രമാണ് സ്കാനുകളുടെ ഡാറ്റ കാണിക്കുന്നത്.
ജല തന്മാത്രകളെ വാഹനങ്ങളായി പരിഗണിക്കുക. റോഡുകളെക്കുറിച്ച് ഒന്നും അറിയാതെ, ഓരോ സ്ഥലത്തും സമയത്തും കാറുകളുടെ ദിശയും വേഗതയും മാത്രമാണ് ശേഖരിക്കുന്നത്.
ഈ ട്രാഫിക് പാറ്റേണുകൾ നിരീക്ഷിക്കുന്നതിലൂടെ, ടാസ്ക്ക് റോഡ്വേകളുടെ ശൃംഖലകൾ അനുമാനിക്കുന്നതുമായി താരതമ്യപ്പെടുത്താവുന്നതാണ്. ഈ നെറ്റ്വർക്കുകളെ ശരിയായി തിരിച്ചറിയുന്നതിനായി പരമ്പരാഗത സമീപനങ്ങൾ അനുമാനിച്ച കണക്ടോമിൽ നിന്ന് പ്രതീക്ഷിക്കുന്ന ഡിഎംആർഐ സിഗ്നലുമായി യഥാർത്ഥ ഡിഎംആർഐ സിഗ്നലുമായി പൊരുത്തപ്പെടുന്നു.
ഈ ഒപ്റ്റിമൈസേഷൻ ചെയ്യുന്നതിന്, ശാസ്ത്രജ്ഞർ മുമ്പ് ലൈഫ് (ലീനിയർ ഫാസിക്കിൾ ഇവാലുവേഷൻ) എന്ന ഒരു അൽഗോരിതം സൃഷ്ടിച്ചിരുന്നു, എന്നാൽ അതിന്റെ പോരായ്മകളിൽ ഒന്ന്, ഇത് പരമ്പരാഗത സെൻട്രൽ പ്രോസസ്സിംഗ് യൂണിറ്റുകളിൽ (സിപിയു) പ്രവർത്തിക്കുന്നു, ഇത് കണക്കുകൂട്ടലിന് സമയമെടുക്കുന്നു.
യഥാർത്ഥ ജീവിതം ഇന്ത്യൻ ഗവേഷകർ സൃഷ്ടിച്ച ഒരു വിപ്ലവ മാതൃകയാണ്
തുടക്കത്തിൽ, ഈ ക്രമീകരണം ചെയ്യാൻ ഗവേഷകർ ലൈഫ് (ലീനിയർ ഫാസിയൽ ഇവാലുവേഷൻ) എന്ന ഒരു അൽഗോരിതം സൃഷ്ടിച്ചു, എന്നാൽ അതിന്റെ ഒരു പോരായ്മ സാധാരണ സെൻട്രൽ പ്രോസസ്സിംഗ് യൂണിറ്റുകളെ (സിപിയു) ആശ്രയിച്ചിരിക്കുന്നു, ഇത് കണക്കാക്കാൻ സമയമെടുത്തു.
അനാവശ്യമായ കണക്ഷനുകൾ നീക്കം ചെയ്യുക, ലൈഫ് ഇയുടെ പ്രകടനം ഗണ്യമായി മെച്ചപ്പെടുത്തുക എന്നിവയുൾപ്പെടെ വിവിധ രീതികളിൽ ആവശ്യമായ പ്രോസസ്സിംഗ് ജോലികൾ കുറയ്ക്കുന്നതിന് ഏറ്റവും പുതിയ പഠനത്തിൽ ശ്രീധരന്റെ ടീം അവരുടെ സാങ്കേതികത മെച്ചപ്പെടുത്തി.
ഹൈ-എൻഡ് ഗെയിമിംഗ് പിസികളിൽ ഉപയോഗിക്കുന്ന പ്രത്യേക ഇലക്ട്രിക്കൽ ചിപ്പുകളായ ഗ്രാഫിക്സ് പ്രോസസ്സിംഗ് യൂണിറ്റുകളിൽ (ജിപിയു) പ്രവർത്തിക്കാൻ എഞ്ചിനീയറിംഗ് വഴി ഈ സാങ്കേതികവിദ്യ ഗവേഷകർ കൂടുതൽ പരിഷ്ക്കരിച്ചു.
മുമ്പത്തെ സമീപനങ്ങളേക്കാൾ 100-150 മടങ്ങ് വേഗത്തിൽ ഡാറ്റ പരിശോധിക്കാൻ ഇത് അവരെ അനുവദിച്ചു. ടിഅവന്റെ പരിഷ്കരിച്ച അൽഗോരിതം, ReAl-LiFE, ഒരു മനുഷ്യ പരീക്ഷണ വിഷയം എങ്ങനെ പ്രവർത്തിക്കും അല്ലെങ്കിൽ ഒരു നിശ്ചിത ജോലി ചെയ്യുമെന്ന് മുൻകൂട്ടി കാണാനും കഴിയും.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഓരോ വ്യക്തിക്കും വേണ്ടിയുള്ള അൽഗോരിതത്തിന്റെ പ്രൊജക്റ്റ് ലിങ്ക് ശക്തികൾ ഉപയോഗിച്ച്, 200 വ്യക്തികളുടെ സാമ്പിളിൽ പെരുമാറ്റപരവും വൈജ്ഞാനികവുമായ ടെസ്റ്റ് സ്കോറുകളിലെ വ്യത്യാസങ്ങൾ വിശദീകരിക്കാൻ ടീമിന് കഴിഞ്ഞു.
അത്തരം വിശകലനത്തിന് ഔഷധപരമായ ഉപയോഗങ്ങളും ഉണ്ടാകും. ബിഗ്-ഡാറ്റ ന്യൂറോ സയൻസ് ആപ്ലിക്കേഷനുകൾക്ക്, പ്രത്യേകിച്ച് ആരോഗ്യകരമായ മസ്തിഷ്ക പ്രവർത്തനങ്ങളും മസ്തിഷ്ക തകരാറുകളും മനസ്സിലാക്കുന്നതിൽ വലിയ തോതിലുള്ള ഡാറ്റ പ്രോസസ്സിംഗ് കൂടുതൽ പ്രാധാന്യമർഹിക്കുന്നു.
തീരുമാനം
ഉപസംഹാരമായി, ഒരു ഹ്യൂമൻ ടെസ്റ്റ് സബ്ജക്റ്റ് എങ്ങനെ പ്രവർത്തിക്കും അല്ലെങ്കിൽ ഒരു നിശ്ചിത ജോലി ചെയ്യും എന്ന് ReAl-LiFE-ന് മുൻകൂട്ടിക്കാണാൻ കഴിയും.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഓരോ വ്യക്തിക്കും വേണ്ടിയുള്ള അൽഗോരിതത്തിന്റെ പ്രൊജക്റ്റ് ലിങ്ക് ശക്തികൾ ഉപയോഗിച്ച്, 200 വ്യക്തികളുടെ സാമ്പിളിൽ പെരുമാറ്റപരവും വൈജ്ഞാനികവുമായ ടെസ്റ്റ് സ്കോറുകളിലെ വ്യത്യാസങ്ങൾ വിശദീകരിക്കാൻ ടീമിന് കഴിഞ്ഞു.
അത്തരം വിശകലനത്തിന് ഔഷധപരമായ ഉപയോഗങ്ങളും ഉണ്ടാകും. ബിഗ്-ഡാറ്റ ന്യൂറോ സയൻസ് ആപ്ലിക്കേഷനുകൾക്ക്, പ്രത്യേകിച്ച് ആരോഗ്യകരമായ മസ്തിഷ്ക പ്രവർത്തനങ്ങളും മസ്തിഷ്ക തകരാറുകളും മനസ്സിലാക്കുന്നതിൽ വലിയ തോതിലുള്ള ഡാറ്റ പ്രോസസ്സിംഗ് കൂടുതൽ പ്രാധാന്യമർഹിക്കുന്നു.
നിങ്ങളുടെ അഭിപ്രായങ്ങൾ രേഖപ്പെടുത്തുക