کی میز کے مندرجات[چھپائیں][دکھائیں]
سائنس دان انڈین انسٹی ٹیوٹ آف سائنس (IISc) کے محققین کے ذریعہ تخلیق کردہ GPU پر مبنی مشین لرننگ الگورتھم کی بدولت دماغ کے مختلف علاقوں کے درمیان رابطوں کو سمجھنے اور ان کی پیش گوئی کرنے کے قابل ہو سکتے ہیں۔
الگورتھم، جسے Regularized, Accelerated, Linear Fascicle Evaluation یا ReAl-LiFE کہا جاتا ہے، انسانی دماغ کے ڈفیوژن میگنیٹک ریزوننس امیجنگ (dMRI) اسکینز کے ذریعے تیار کردہ ڈیٹا کے بڑے حجم کا مؤثر طریقے سے تجزیہ کرنے کی صلاحیت رکھتا ہے۔
ٹیم کے ریئل لائف کے استعمال نے انہیں موجودہ جدید ترین تکنیکوں سے 150 گنا زیادہ تیزی سے ڈی ایم آر آئی ڈیٹا کا تجزیہ کرنے کی اجازت دی۔
دماغی رابطے کا ماڈل کیسے کام کرتا ہے؟
ہر سیکنڈ میں، دماغ کے لاکھوں نیوران آگ لگاتے ہیں، جس سے برقی دھڑکنیں پیدا ہوتی ہیں جو کہ عصبی نیٹ ورکس کے ذریعے حرکت کرتی ہیں- جسے "ایکسون" بھی کہا جاتا ہے- دماغ کے ایک حصے سے دوسرے حصے تک۔
دماغ کو کمپیوٹر کے طور پر کام کرنے کے لیے، یہ کنکشن ضروری ہیں۔ تاہم، دماغی رابطوں کا مطالعہ کرنے کے روایتی طریقوں میں اکثر جانوروں کے ناگوار ماڈلز کا استعمال شامل ہوتا ہے۔
تاہم، dMRI اسکین انسانی دماغ کے رابطوں کی جانچ کرنے کا ایک غیر حملہ آور طریقہ پیش کرتے ہیں۔
دماغ کی انفارمیشن ہائی ویز کیبلز (ایکسون) ہیں جو اس کے مختلف خطوں کو جوڑتی ہیں۔ پانی کے مالیکیول ایکسن بنڈلوں کے ساتھ اپنی لمبائی کے ساتھ ایک ہدایت کے ساتھ سفر کرتے ہیں کیونکہ وہ ٹیوبوں کی طرح بنتے ہیں۔
کنیکٹوم، جو کہ دماغ میں پھیلے ہوئے ریشوں کے نیٹ ورک کا تفصیلی نقشہ ہے، اسے dMRI کے ذریعے ممکن بنایا جا سکتا ہے، جو محققین کو اس حرکت کی پیروی کرنے کے قابل بناتا ہے۔
بدقسمتی سے، ان کنیکٹومز کی شناخت آسان نہیں ہے۔ دماغ میں ہر مقام پر پانی کے مالیکیولز کا صرف خالص بہاؤ اسکینز کے ڈیٹا سے دکھایا گیا ہے۔
پانی کے مالیکیولز کو آٹوموبائل سمجھیں۔ روڈ ویز کے بارے میں کچھ جانے بغیر، اکٹھی کی جانے والی واحد معلومات وقت اور جگہ کے ہر مقام پر کاروں کی سمت اور رفتار ہے۔
ٹریفک کے ان نمونوں کی نگرانی کرتے ہوئے، یہ کام روڈ ویز کے نیٹ ورکس کا اندازہ لگانے سے موازنہ ہے۔ ان نیٹ ورکس کو درست طریقے سے شناخت کرنے کے لیے روایتی نقطہ نظر اصل dMRI سگنل کے ساتھ قیاس کنیکٹوم سے متوقع dMRI سگنل سے ملتے ہیں۔
اس اصلاح کو کرنے کے لیے، سائنسدانوں نے پہلے ایک الگورتھم بنایا جسے LiFE (Linear Fascicle Evaluation) کہا جاتا ہے، لیکن اس کی ایک خامی یہ تھی کہ یہ روایتی سنٹرل پروسیسنگ یونٹس (CPUs) پر کام کرتا تھا، جس سے حساب کتاب میں وقت لگتا تھا۔
حقیقی زندگی ایک انقلابی ماڈل ہے جسے ہندوستانی محققین نے بنایا تھا۔
ابتدائی طور پر، محققین نے یہ ایڈجسٹمنٹ کرنے کے لیے LiFE (Linear Fascial Evaluation) کے نام سے ایک الگورتھم بنایا، لیکن اس کا ایک نقصان یہ تھا کہ یہ عام سینٹرل پروسیسنگ یونٹس (CPUs) پر منحصر تھا، جس کی گنتی میں وقت لگتا تھا۔
سریدھرن کی ٹیم نے تازہ ترین مطالعہ میں اپنی تکنیک کو بہتر بنایا تاکہ مختلف طریقوں سے درکار پروسیسنگ کے کام کو کم سے کم کیا جا سکے، بشمول بے کار کنکشن کو ہٹانا اور LiFE کی کارکردگی کو نمایاں طور پر بہتر کرنا۔
ٹیکنالوجی کو محققین نے گرافکس پروسیسنگ یونٹس (GPUs) پر کام کرنے کے لیے انجینئرنگ کے ذریعے مزید بہتر کیا، جو کہ ہائی اینڈ گیمنگ پی سی میں استعمال ہونے والی خصوصی الیکٹریکل چپس ہیں۔
اس نے انہیں پچھلے طریقوں سے 100-150 گنا تیزی سے ڈیٹا کی جانچ کرنے کی اجازت دی۔ ٹیاس کا اپ ڈیٹ کردہ الگورتھم، ReAl-LiFE، یہ بھی اندازہ لگا سکتا ہے کہ انسانی ٹیسٹ کا مضمون کس طرح کام کرے گا یا کوئی خاص کام کرے گا۔
دوسرے لفظوں میں، ہر فرد کے لیے الگورتھم کی متوقع لنک طاقتوں کا استعمال کرتے ہوئے، ٹیم 200 افراد کے نمونے کے درمیان رویے اور علمی ٹیسٹ کے اسکور میں فرق کی وضاحت کرنے میں کامیاب رہی۔
اس طرح کے تجزیے میں دواؤں کے استعمال بھی ہو سکتے ہیں۔ بڑے ڈیٹا نیورو سائنس ایپلی کیشنز کے لیے بڑے پیمانے پر ڈیٹا پروسیسنگ تیزی سے اہم ہوتی جا رہی ہے، خاص طور پر صحت مند دماغی افعال اور دماغی امراض کو سمجھنے میں۔
نتیجہ
آخر میں، ReAl-LiFE یہ بھی اندازہ لگا سکتا ہے کہ انسانی امتحان کا مضمون کس طرح کام کرے گا یا کوئی خاص کام کرے گا۔
دوسرے لفظوں میں، ہر فرد کے لیے الگورتھم کی متوقع لنک طاقتوں کا استعمال کرتے ہوئے، ٹیم 200 افراد کے نمونے کے درمیان رویے اور علمی ٹیسٹ کے اسکور میں فرق کی وضاحت کرنے میں کامیاب رہی۔
اس طرح کے تجزیے میں دواؤں کے استعمال بھی ہو سکتے ہیں۔ بڑے ڈیٹا نیورو سائنس ایپلی کیشنز کے لیے بڑے پیمانے پر ڈیٹا پروسیسنگ تیزی سے اہم ہوتی جا رہی ہے، خاص طور پر صحت مند دماغی افعال اور دماغی امراض کو سمجھنے میں۔
جواب دیجئے