Orodha ya Yaliyomo[Ficha][Onyesha]
Wanasayansi wanaweza kuwa na uwezo bora zaidi wa kuelewa na kutabiri miunganisho kati ya maeneo mbalimbali ya ubongo kutokana na kanuni mpya ya kujifunza kwa mashine inayotegemea GPU iliyoundwa na watafiti katika Taasisi ya Sayansi ya India (IISc).
Algoriti, inayojulikana kama Tathmini ya Udhibiti wa Udhibiti wa Umeme, Ulioharakishwa, wa Linear Fascicle au ReAl-LiFE, ina uwezo wa kuchanganua kwa ufasaha idadi kubwa ya data inayotolewa na uchunguzi wa taswira ya sumaku (dMRI) ya ubongo wa binadamu.
Matumizi ya timu ya ReAL-LiFE yaliwaruhusu kuchanganua data ya dMRI haraka zaidi ya mara 150 kuliko walivyoweza kufanya kwa kutumia mbinu za kisasa.
Je, muundo wa muunganisho wa ubongo hufanyaje kazi?
Kila sekunde, mamilioni ya nyuroni za ubongo huwaka, na kutengeneza mipigo ya umeme inayosogea kupitia mitandao ya neva—pia inajulikana kama “axons”—kutoka sehemu moja ya ubongo hadi nyingine.
Ili ubongo ufanye kazi kama kompyuta, miunganisho hii ni muhimu. Hata hivyo, mbinu za kitamaduni za kusoma miunganisho ya ubongo mara nyingi huhusisha kutumia mifano ya wanyama vamizi.
Walakini, uchunguzi wa dMRI hutoa njia isiyo ya uvamizi ya kuchunguza miunganisho ya ubongo wa mwanadamu.
Njia kuu za habari za ubongo ni nyaya (axons) zinazounganisha maeneo yake mbalimbali. Molekuli za maji husafiri pamoja na vifurushi vya axoni kwa urefu wao kwa njia iliyoelekezwa kwa vile zimeundwa kama mirija.
Kontakt, ambayo ni ramani ya kina ya mtandao wa nyuzi zinazozunguka ubongo, inaweza kufanywa iwezekanavyo na dMRI, ambayo huwawezesha watafiti kufuata harakati hii.
Kwa bahati mbaya, kutambua viunganisho hivi sio rahisi. Mtiririko wa jumla wa molekuli za maji katika kila eneo kwenye ubongo ndio pekee unaoonyeshwa na data ya uchunguzi.
Fikiria molekuli za maji kama magari. Bila kujua chochote kuhusu barabara, taarifa pekee iliyokusanywa ni mwelekeo na kasi ya magari katika kila hatua kwa wakati na mahali.
Kwa kufuatilia mifumo hii ya trafiki, kazi hiyo inalinganishwa na kuingilia mitandao ya barabara. Mbinu za kawaida zinalingana kwa karibu na ishara ya dMRI inayotarajiwa kutoka kwa kiunganishi kilichokisiwa na mawimbi halisi ya dMRI ili kutambua mitandao hii kwa usahihi.
Ili kufanya utoshelezaji huu, wanasayansi hapo awali waliunda algoriti iitwayo Life (Linear Fascicle Evaluation), lakini moja ya kasoro zake ni kwamba iliendesha Vitengo vya Kawaida vya Usindikaji (CPUs), ambayo ilifanya hesabu kuchukua muda.
Maisha halisi ni mtindo wa kimapinduzi ambao uliundwa na watafiti wa Kihindi
Hapo awali, watafiti waliunda algoriti iitwayo Life (Linear Fascial Evaluation) ili kufanya marekebisho haya, lakini moja ya hasara zake ni kwamba ilitegemea Vitengo vya Kawaida vya Usindikaji (CPUs), ambavyo vilichukua muda kukokotoa.
Timu ya Sridharan iliboresha mbinu yao katika utafiti mpya zaidi ili kupunguza kazi ya uchakataji inayohitajika kwa njia mbalimbali, ikiwa ni pamoja na kuondoa miunganisho isiyo ya kawaida na kuboresha kwa kiasi kikubwa utendakazi wa LiFE.
Teknolojia hiyo iliboreshwa zaidi na watafiti kwa kuihandisi kufanya kazi kwenye Vitengo vya Usindikaji wa Graphics (GPUs), ambazo ni chipsi maalum za umeme zinazotumika katika Kompyuta za michezo ya hali ya juu.
Hii iliwawezesha kuchunguza data mara 100-150 kwa kasi zaidi kuliko mbinu za awali. Talgoriti yake iliyosasishwa, ReAl-LiFE, inaweza pia kutarajia jinsi somo la mtihani wa kibinadamu litafanya au kufanya kazi fulani.
Kwa maneno mengine, kwa kutumia uwezo wa kiungo uliokadiriwa wa algoriti kwa kila mtu binafsi, timu iliweza kueleza tofauti za alama za mtihani wa kitabia na utambuzi kati ya sampuli ya watu 200.
Uchambuzi kama huo unaweza pia kuwa na matumizi ya dawa. Uchakataji wa data kwa kiwango kikubwa unazidi kuwa muhimu kwa matumizi ya data kubwa ya sayansi ya neva, hasa katika kuelewa utendakazi mzuri wa ubongo na matatizo ya ubongo.
Hitimisho
Kwa kumalizia, ReAl-LiFE pia inaweza kutarajia jinsi mfanyikazi wa mtihani atafanya au kufanya kazi fulani.
Kwa maneno mengine, kwa kutumia uwezo wa kiungo uliokadiriwa wa algoriti kwa kila mtu binafsi, timu iliweza kueleza tofauti za alama za mtihani wa kitabia na utambuzi kati ya sampuli ya watu 200.
Uchambuzi kama huo unaweza pia kuwa na matumizi ya dawa. Uchakataji wa data kwa kiwango kikubwa unazidi kuwa muhimu kwa matumizi ya data kubwa ya sayansi ya neva, hasa katika kuelewa utendakazi mzuri wa ubongo na matatizo ya ubongo.
Acha Reply