Indian Institute of Science (IISc) မှ သုတေသီများက ဖန်တီးထားသော GPU-based machine learning algorithm အသစ်ကြောင့် သိပ္ပံပညာရှင်များသည် အမျိုးမျိုးသော ဦးနှောက်နယ်ပယ်များကြား ချိတ်ဆက်မှုများကို ကောင်းစွာနားလည်နိုင်ပြီး ခန့်မှန်းနိုင်မည်ဖြစ်သည်။
ReAl-LiFE ဟုလူသိများသော အယ်လဂိုရီသမ်သည် ပျံ့နှံ့နေသောသံလိုက်ပဲ့တင်ရိုက်ခတ်မှုပုံရိပ်ဖော်ခြင်း (dMRI) စကန်ဖတ်ခြင်းဖြင့် လူ့ဦးနှောက်၏ထုထည်ကြီးမားသောဒေတာများကို ထိရောက်စွာခွဲခြမ်းစိတ်ဖြာနိုင်စွမ်းရှိသည်။
အဖွဲ့၏ ReAL-LiFE ကိုအသုံးပြုခြင်းသည် ၎င်းတို့အား လက်ရှိခေတ်ပေါ်နည်းပညာများဖြင့် ၎င်းတို့ရရှိနိုင်သည်ထက် အဆ 150 ထက်ပို၍ dMRI ဒေတာကို ခွဲခြမ်းစိတ်ဖြာနိုင်စေခဲ့သည်။
ဦးနှောက်ချိတ်ဆက်မှုပုံစံက ဘယ်လိုအလုပ်လုပ်သလဲ။
စက္ကန့်တိုင်းတွင် ဦးနှောက်၏ သန်းပေါင်းများစွာသော အာရုံကြောများ လောင်ကျွမ်းစေပြီး “axons” ဟုလည်းသိကြသည့် အာရုံကြောကွန်ရက်များမှတစ်ဆင့် ရွေ့လျားနေသော လျှပ်စစ်စွမ်းအင်များကို ဖန်တီးကာ ဦးနှောက်၏ အစိတ်အပိုင်းတစ်ခုမှ အခြားတစ်ခုသို့ ပြောင်းလဲသွားပါသည်။
ကွန်ပြူတာတစ်လုံးအနေနဲ့ ဦးနှောက်အလုပ်လုပ်ဖို့အတွက် ဒီချိတ်ဆက်မှုတွေ လိုအပ်ပါတယ်။ သို့သော် ဦးနှောက်ချိတ်ဆက်မှုကို လေ့လာရန် ရိုးရာနည်းလမ်းများတွင် ထိုးဖောက်တိရစ္ဆာန်ပုံစံများကို အသုံးပြုလေ့ရှိသည်။
သို့သော်၊ dMRI စကင်န်များသည် လူ့ဦးနှောက်ချိတ်ဆက်မှုများကို စစ်ဆေးရန် ထိုးဖောက်မဟုတ်သောနည်းလမ်းကို ပေးဆောင်သည်။
ဦးနှောက်၏ သတင်းအချက်အလက် အဝေးပြေးလမ်းများသည် ၎င်း၏ ဒေသအသီးသီးကို ချိတ်ဆက်ပေးသည့် ကေဘယ်များ (axons) များဖြစ်သည်။ ရေမော်လီကျူးများသည် ပြွန်များကဲ့သို့ ဖွဲ့စည်းထားသောကြောင့် ၎င်းတို့၏ အရှည်တစ်လျှောက် axon အစုအဝေးများနှင့်အတူ သွားလာကြသည်။
ဦးနှောက်ကိုဖြန့်ကျက်ထားသော အမျှင်များကွန်ရက်၏အသေးစိတ်မြေပုံဖြစ်သည့် connectome ကို dMRI ဖြင့်ပြုလုပ်နိုင်ပြီး၊ သုတေသီများသည် ဤလှုပ်ရှားမှုကိုလိုက်နာနိုင်စေပါသည်။
ကံမကောင်းစွာပဲ၊ ဤချိတ်ဆက်မှုများကို ဖော်ထုတ်ခြင်းသည် မလွယ်ကူပါ။ ဦးနှောက်ရှိ တည်နေရာတစ်ခုစီရှိ ရေမော်လီကျူးများ၏ အသားတင်စီးဆင်းမှုကိုသာ စကင်န်ဒေတာဖြင့် ပြသသည်။
ရေမော်လီကျူးများကို မော်တော်ကားများအဖြစ် ထည့်သွင်းစဉ်းစားပါ။ လမ်းများအကြောင်း ဘာမှမသိဘဲ စုဆောင်းရရှိသည့် တစ်ခုတည်းသော အချက်အလက်မှာ အချိန်နှင့်နေရာတစ်ခုစီတွင် ကားများ၏ ဦးတည်ရာနှင့် အမြန်နှုန်းဖြစ်သည်။
ဤယာဉ်အသွားအလာပုံစံများကို စောင့်ကြည့်ခြင်းဖြင့်၊ အလုပ်သည် လမ်းများကွန်ရက်များကို ကောက်ချက်ချခြင်းနှင့် နှိုင်းယှဉ်နိုင်သည်။ သမားရိုးကျချဉ်းကပ်မှုများသည် အဆိုပါကွန်ရက်များကို မှန်ကန်စွာသိရှိနိုင်စေရန်အတွက် အမှန်တကယ် dMRI အချက်ပြမှုဖြင့် ကောက်ချက်ချထားသော ချိတ်ဆက်မှုမှ မျှော်မှန်းထားသည့် dMRI အချက်ပြမှုကို နီးကပ်စွာ ကိုက်ညီပါသည်။
ဤကောင်းမွန်အောင်လုပ်ဆောင်ရန် သိပ္ပံပညာရှင်များသည် အစောပိုင်းတွင် LiFE (Linear Fascicle Evaluation) ဟုခေါ်သော အယ်လဂိုရီသမ်တစ်ခုကို ဖန်တီးခဲ့သော်လည်း ၎င်း၏အားနည်းချက်များထဲမှတစ်ခုမှာ ၎င်းသည် တွက်ချက်မှုကို အချိန်ကုန်စေသည့် သမားရိုးကျ Central Processing Units (CPUs) ပေါ်တွင် လုပ်ဆောင်နေခြင်းဖြစ်သည်။
ReAl-LiFE အိန္ဒိယ သုတေသီများ ဖန်တီးထားသည့် တော်လှန်သော ပုံစံတစ်ခု ဖြစ်သည်။
အစပိုင်းတွင် သုတေသီများသည် ဤချိန်ညှိမှုပြုလုပ်ရန် LiFE (Linear Fascial Evaluation) ဟုခေါ်သော အယ်လဂိုရီသမ်တစ်ခုကို ဖန်တီးခဲ့သော်လည်း ၎င်း၏အားနည်းချက်များထဲမှတစ်ခုမှာ ၎င်းသည် တွက်ချက်ရန်အချိန်ယူရသည့် သာမန် Central Processing Units (CPUs) ပေါ်တွင် မူတည်နေခြင်းဖြစ်သည်။
Sridharan ၏အဖွဲ့သည် မလိုအပ်သောချိတ်ဆက်မှုများကို ဖယ်ရှားခြင်းနှင့် LiFE ၏စွမ်းဆောင်ရည်ကို သိသာထင်ရှားစွာတိုးတက်စေခြင်းအပါအဝင် နည်းလမ်းအမျိုးမျိုးဖြင့် လိုအပ်သော လုပ်ငန်းစဉ်များကိုလျှော့ချရန် ၎င်းတို့၏နည်းပညာကို အသစ်ဆုံးလေ့လာမှုတွင် မြှင့်တင်ခဲ့သည်။
အဆိုပါနည်းပညာကို အဆင့်မြင့်ဂိမ်းပီစီများတွင်အသုံးပြုသည့် အထူးပြုလျှပ်စစ်ချစ်ပ်များဖြစ်သည့် Graphics Processing Units (GPUs) တွင် အလုပ်လုပ်ရန် အင်ဂျင်နီယာများက သုတေသနပညာရှင်များက ပိုမိုသန့်စင်ခဲ့သည်။
ယင်းက ၎င်းတို့အား ယခင်နည်းလမ်းများထက် အဆ 100-150 ပိုမိုမြန်ဆန်စွာ ဆန်းစစ်နိုင်စေခဲ့သည်။ Tသူ၏ မွမ်းမံထားသော အယ်လဂိုရီသမ် ReAl-LiFE သည် လူသားစမ်းသပ်မှုဘာသာရပ်က မည်သို့လုပ်ဆောင်မည် သို့မဟုတ် တိကျသောအလုပ်တစ်ခုကို လုပ်ဆောင်မည်ကိုလည်း ကြိုတင်ခန့်မှန်းနိုင်သည်။
တစ်နည်းဆိုရသော် တစ်ဦးချင်းစီအတွက် algorithm ၏ projected link အားသာချက်များကို အသုံးပြု၍ အဖွဲ့သည် နမူနာ 200 ၏ အပြုအမူနှင့် သိမြင်မှုဆိုင်ရာ စာမေးပွဲရမှတ်များတွင် ကွဲပြားမှုများကို ရှင်းပြနိုင်ခဲ့ပါသည်။
ဒီလို ခွဲခြမ်းစိတ်ဖြာမှုမှာလည်း ဆေးဖက်ဝင်အသုံးများနိုင်ပါတယ်။” အထူးသဖြင့် ကျန်းမာသော ဦးနှောက်လုပ်ဆောင်ချက်နှင့် ဦးနှောက်ချို့ယွင်းချက်များကို နားလည်ခြင်းအတွက် ကြီးမားသောဒေတာလုပ်ဆောင်ခြင်းသည် ကြီးမားသောဒေတာ အာရုံကြောသိပ္ပံဆိုင်ရာ အသုံးချမှုများအတွက် ပို၍အရေးကြီးလာသည်။
ကောက်ချက်
နိဂုံးချုပ်အနေဖြင့်၊ ReAl-LiFE သည် လူသားစမ်းသပ်မှုတစ်ခုအား မည်သို့လုပ်ဆောင်မည် သို့မဟုတ် သတ်မှတ်ထားသောအလုပ်တစ်ခုကို လုပ်ဆောင်မည်ကိုလည်း ကြိုတင်ခန့်မှန်းနိုင်သည်။
တစ်နည်းဆိုရသော် တစ်ဦးချင်းစီအတွက် algorithm ၏ projected link အားသာချက်များကို အသုံးပြု၍ အဖွဲ့သည် နမူနာ 200 ၏ အပြုအမူနှင့် သိမြင်မှုဆိုင်ရာ စာမေးပွဲရမှတ်များတွင် ကွဲပြားမှုများကို ရှင်းပြနိုင်ခဲ့ပါသည်။
ဒီလို ခွဲခြမ်းစိတ်ဖြာမှုမှာလည်း ဆေးဖက်ဝင်အသုံးများနိုင်ပါတယ်။” အထူးသဖြင့် ကျန်းမာသော ဦးနှောက်လုပ်ဆောင်ချက်နှင့် ဦးနှောက်ချို့ယွင်းချက်များကို နားလည်ခြင်းအတွက် ကြီးမားသောဒေတာလုပ်ဆောင်ခြင်းသည် ကြီးမားသောဒေတာ အာရုံကြောသိပ္ပံဆိုင်ရာ အသုံးချမှုများအတွက် ပို၍အရေးကြီးလာသည်။
တစ်ဦးစာပြန်ရန် Leave