Преглед садржаја[Сакрити][Прикажи]
Научници могу боље да схвате и предвиде везе између различитих области мозга захваљујући новом алгоритму за машинско учење заснованом на ГПУ-у који су креирали истраживачи са Индијског института за науку (ИИСц).
Алгоритам, познат као Регуларизована, Убрзана, Линеарна Фасцицле Евалуатион или РеАл-ЛиФЕ, способан је да ефикасно анализира огромне количине података произведених дифузионом магнетном резонанцом (дМРИ) скенирања људског мозга.
Тимско коришћење РеАЛ-ЛиФЕ-а омогућило им је да анализирају дМРИ податке више од 150 пута брже него што би могли са тренутним најсавременијим техникама.
Како функционише модел повезивања мозга?
Сваке секунде, милиони неурона мозга се активирају, стварајући електричне импулсе који се крећу преко неуронских мрежа – такође познатих као „аксони“ – од једног дела мозга до другог.
Да би мозак функционисао као компјутер, ове везе су неопходне. Међутим, традиционалне методе за проучавање можданих веза често укључују коришћење инвазивних животињских модела.
Међутим, дМРИ скенирање нуди неинвазиван начин за испитивање веза људског мозга.
Информациони путеви мозга су каблови (аксони) који повезују његове различите регионе. Молекули воде путују заједно са сноповима аксона дуж њихове дужине на усмерен начин јер су формирани као цеви.
Конектом, који је детаљна мапа мреже влакана која обухвата мозак, може бити омогућен дМРИ, што омогућава истраживачима да прате овај покрет.
Нажалост, идентификовање ових конектома није једноставно. Подаци скенирања показују само нето проток молекула воде на свакој локацији у мозгу.
Размотрите молекуле воде као аутомобиле. Без знања о путевима, једине прикупљене информације су правац и брзина аутомобила у сваком тренутку и на сваком месту.
Праћењем ових саобраћајних образаца, задатак је упоредив са закључивањем мреже путева. Конвенционални приступи блиско поклапају очекивани дМРИ сигнал из претпостављеног конектора са стварним дМРИ сигналом како би се ове мреже исправно идентификовале.
Да би извршили ову оптимизацију, научници су раније креирали алгоритам под називом ЛиФЕ (Линеар Фасцицле Евалуатион), али један од његових недостатака је био то што је радио на конвенционалним централним процесорским јединицама (ЦПУ), због чега је рачунање одузимало много времена.
Стварни живот је револуционарни модел који су креирали индијски истраживачи
У почетку су истраживачи креирали алгоритам под називом ЛиФЕ (Линеарна фасцијална евалуација) да би извршили ово прилагођавање, али један од његових недостатака је био тај што је зависио од обичних централних процесорских јединица (ЦПУ), за које је требало времена да се израчунају.
Сридхаранов тим је побољшао своју технику у најновијој студији како би минимизирао рад обраде који је потребан на различите начине, укључујући уклањање сувишних веза и значајно побољшање перформанси ЛиФЕ-а.
Истраживачи су додатно побољшали технологију тако што су је конструисали да ради на јединицама за графичку обраду (ГПУ), које су специјализовани електрични чипови који се користе у врхунским рачунарима за игре.
Ово им је омогућило да истражују податке 100-150 пута брже од претходних приступа. Тњегов ажурирани алгоритам, РеАл-ЛиФЕ, такође би могао да предвиди како ће се људски испитаник понашати или обављати одређени посао.
Другим речима, користећи пројектовану снагу везе алгоритма за сваког појединца, тим је могао да објасни варијације у резултатима тестова понашања и когнитивних способности на узорку од 200 појединаца.
Таква анализа може имати и медицинску употребу." Обрада података великих размера постаје све важнија за апликације неуронауке великих података, посебно у разумевању здравих функција мозга и можданих поремећаја.
Zakljucak
У закључку, РеАл-ЛиФЕ би такође могао да предвиди како ће се људски испитаник понашати или обављати одређени посао.
Другим речима, користећи пројектовану снагу везе алгоритма за сваког појединца, тим је могао да објасни варијације у резултатима тестова понашања и когнитивних способности на узорку од 200 појединаца.
Таква анализа може имати и медицинску употребу." Обрада података великих размера постаје све важнија за апликације неуронауке великих података, посебно у разумевању здравих функција мозга и можданих поремећаја.
Ostavite komentar