ఇండియన్ ఇన్స్టిట్యూట్ ఆఫ్ సైన్స్ (IISc) పరిశోధకులు రూపొందించిన కొత్త GPU-ఆధారిత మెషీన్ లెర్నింగ్ అల్గోరిథం కారణంగా శాస్త్రవేత్తలు వివిధ మెదడు ప్రాంతాల మధ్య కనెక్షన్లను బాగా అర్థం చేసుకోగలరు మరియు అంచనా వేయగలరు.
రెగ్యులరైజ్డ్, యాక్సిలరేటెడ్, లీనియర్ ఫాసికిల్ ఎవాల్యుయేషన్ లేదా రియల్-లైఫ్ అని పిలువబడే అల్గోరిథం, మానవ మెదడు యొక్క డిఫ్యూజన్ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజింగ్ (dMRI) స్కాన్ల ద్వారా ఉత్పత్తి చేయబడిన డేటా యొక్క భారీ వాల్యూమ్లను సమర్థవంతంగా విశ్లేషించగలదు.
బృందం యొక్క ReAL-LiFE యొక్క ఉపయోగం వారు ప్రస్తుత స్టేట్ ఆఫ్ ది ఆర్ట్ టెక్నిక్లతో కలిగి ఉన్న దాని కంటే 150 రెట్లు వేగంగా dMRI డేటాను విశ్లేషించడానికి వీలు కల్పించింది.
మెదడు కనెక్టివిటీ మోడల్ ఎలా పని చేస్తుంది?
ప్రతి సెకను, మెదడులోని మిలియన్ల కొద్దీ న్యూరాన్లు కాల్చివేస్తాయి, ఇవి నాడీ నెట్వర్క్ల ద్వారా కదిలే విద్యుత్ పల్స్లను సృష్టిస్తాయి-దీనిని "ఆక్సాన్స్" అని కూడా పిలుస్తారు-మెదడులోని ఒక భాగం నుండి మరొకదానికి.
మెదడు కంప్యూటర్గా పనిచేయాలంటే, ఈ కనెక్షన్లు అవసరం. అయినప్పటికీ, మెదడు కనెక్షన్లను అధ్యయనం చేయడానికి సాంప్రదాయ పద్ధతులు తరచుగా దాడి చేసే జంతు నమూనాలను ఉపయోగిస్తాయి.
అయినప్పటికీ, dMRI స్కాన్లు మానవ మెదడు కనెక్షన్లను పరిశీలించడానికి నాన్-ఇన్వాసివ్ మార్గాన్ని అందిస్తాయి.
మెదడు యొక్క సమాచార రహదారులు దాని వివిధ ప్రాంతాలను అనుసంధానించే కేబుల్స్ (ఆక్సాన్లు). నీటి అణువులు గొట్టాల వలె ఏర్పడినందున వాటి పొడవుతో పాటు నిర్దేశిత పద్ధతిలో ఆక్సాన్ కట్టలతో పాటు ప్రయాణిస్తాయి.
మెదడులో విస్తరించి ఉన్న ఫైబర్స్ నెట్వర్క్ యొక్క వివరణాత్మక మ్యాప్ అయిన కనెక్టోమ్, dMRI ద్వారా సాధ్యమవుతుంది, ఇది ఈ కదలికను అనుసరించడానికి పరిశోధకులను అనుమతిస్తుంది.
దురదృష్టవశాత్తు, ఈ కనెక్టోమ్లను గుర్తించడం సులభం కాదు. మెదడులోని ప్రతి ప్రదేశంలో నీటి అణువుల నికర ప్రవాహం మాత్రమే స్కాన్ల డేటా ద్వారా చూపబడుతుంది.
నీటి అణువులను ఆటోమొబైల్స్గా పరిగణించండి. రహదారి మార్గాల గురించి ఏమీ తెలియకుండా, సమయం మరియు ప్రదేశంలో ప్రతి పాయింట్ వద్ద కార్ల దిశ మరియు వేగం మాత్రమే సేకరించబడుతుంది.
ఈ ట్రాఫిక్ నమూనాలను పర్యవేక్షించడం ద్వారా, రహదారి మార్గాల నెట్వర్క్లను ఊహించడం వంటి పనిని పోల్చవచ్చు. సాంప్రదాయిక విధానాలు ఈ నెట్వర్క్లను సరిగ్గా గుర్తించడానికి ఊహించిన కనెక్టోమ్ నుండి ఊహించిన dMRI సిగ్నల్ను వాస్తవ dMRI సిగ్నల్తో సరిపోల్చుతాయి.
ఈ ఆప్టిమైజేషన్ చేయడానికి, శాస్త్రవేత్తలు ఇంతకుముందు LiFE (లీనియర్ ఫాసికిల్ ఎవాల్యుయేషన్) అనే అల్గారిథమ్ను రూపొందించారు, అయితే దాని లోపాలలో ఒకటి ఇది సాంప్రదాయ సెంట్రల్ ప్రాసెసింగ్ యూనిట్లపై (CPUలు) పనిచేయడం, ఇది గణనకు సమయం తీసుకుంటుంది.
నిజ జీవితం భారతీయ పరిశోధకులు రూపొందించిన విప్లవాత్మక నమూనా
ప్రారంభంలో, పరిశోధకులు ఈ సర్దుబాటు చేయడానికి LiFE (లీనియర్ ఫాసియల్ ఎవాల్యుయేషన్) అనే అల్గారిథమ్ను రూపొందించారు, అయితే దాని ప్రతికూలతలలో ఒకటి సాధారణ సెంట్రల్ ప్రాసెసింగ్ యూనిట్లపై ఆధారపడి ఉంటుంది (CPUలు), ఇది గణించడానికి సమయం పట్టింది.
రిడెండెంట్ కనెక్షన్లను తొలగించడం మరియు LiFE పనితీరును గణనీయంగా మెరుగుపరచడం వంటి వివిధ మార్గాల్లో అవసరమైన ప్రాసెసింగ్ పనిని తగ్గించడానికి శ్రీధరన్ బృందం సరికొత్త అధ్యయనంలో వారి సాంకేతికతను మెరుగుపరిచింది.
హై-ఎండ్ గేమింగ్ PCలలో ఉపయోగించే ప్రత్యేకమైన ఎలక్ట్రికల్ చిప్లు అయిన గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్లలో (GPUలు) పని చేయడానికి ఇంజినీరింగ్ చేయడం ద్వారా పరిశోధకులచే సాంకేతికతను మరింత మెరుగుపరిచారు.
ఇది మునుపటి విధానాల కంటే 100-150 రెట్లు వేగంగా డేటాను పరిశీలించడానికి వారిని అనుమతించింది. టిఅతని నవీకరించబడిన అల్గోరిథం, ReAl-LiFE, మానవ పరీక్ష విషయం ఎలా పని చేస్తుందో లేదా ఒక నిర్దిష్ట పనిని ఎలా చేస్తుందో కూడా ఊహించగలదు.
మరో మాటలో చెప్పాలంటే, ప్రతి వ్యక్తికి అల్గోరిథం యొక్క అంచనా వేసిన లింక్ బలాలను ఉపయోగించి, బృందం 200 మంది వ్యక్తుల నమూనాలో ప్రవర్తనా మరియు అభిజ్ఞా పరీక్ష స్కోర్లలో వ్యత్యాసాలను వివరించగలిగింది.
ఇటువంటి విశ్లేషణ ఔషధ ఉపయోగాలు కూడా కలిగి ఉంటుంది. పెద్ద-డేటా న్యూరోసైన్స్ అప్లికేషన్లకు, ముఖ్యంగా ఆరోగ్యకరమైన మెదడు పనితీరు మరియు మెదడు రుగ్మతలను అర్థం చేసుకోవడంలో పెద్ద-స్థాయి డేటా ప్రాసెసింగ్ చాలా ముఖ్యమైనది.
ముగింపు
ముగింపులో, రియల్-లైఫ్ మానవ పరీక్ష విషయం ఎలా పని చేస్తుందో లేదా ఒక నిర్దిష్ట పనిని ఎలా చేస్తుందో కూడా ఊహించగలదు.
మరో మాటలో చెప్పాలంటే, ప్రతి వ్యక్తికి అల్గోరిథం యొక్క అంచనా వేసిన లింక్ బలాలను ఉపయోగించి, బృందం 200 మంది వ్యక్తుల నమూనాలో ప్రవర్తనా మరియు అభిజ్ఞా పరీక్ష స్కోర్లలో వ్యత్యాసాలను వివరించగలిగింది.
ఇటువంటి విశ్లేషణ ఔషధ ఉపయోగాలు కూడా కలిగి ఉంటుంది. పెద్ద-డేటా న్యూరోసైన్స్ అప్లికేషన్లకు, ముఖ్యంగా ఆరోగ్యకరమైన మెదడు పనితీరు మరియు మెదడు రుగ్మతలను అర్థం చేసుకోవడంలో పెద్ద-స్థాయి డేటా ప్రాసెసింగ్ చాలా ముఖ్యమైనది.
సమాధానం ఇవ్వూ