ভিজ্যুয়াল ব্রেইন ডিকোডিং
ইউনিভার্সিটি কলেজ লন্ডনের গবেষকরা শুধুমাত্র মস্তিষ্কের কার্যকলাপের রেকর্ডিং ব্যবহার করে মাউসগুলি দেখেছে এমন ভিডিও ক্লিপগুলি পুনর্নির্মাণ করার মাধ্যমে neural decoding এ একটি উল্লেখযোগ্য অগ্রগতি অর্জন করেছে। এই কাজটি স্তন্যপায়ী মস্তিষ্ক কীভাবে ভিজ্যুয়াল তথ্য প্রক্রিয়া করে এবং এনকোড করে তা বোঝার ক্ষেত্রে একটি বড় পদক্ষেপ প্রতিনিধিত্ব করে, brain-computer interface এবং স্নায়ুতাত্ত্বিক থেরাপিগুলির জন্য প্রভাব সহ।
দলটি মাউসগুলি ছোট ভিডিও ক্লিপ দেখার সময় visual cortex এ হাজার হাজার neurons এর কার্যকলাপ নিরীক্ষণ করতে উন্নত calcium imaging কৌশল ব্যবহার করেছে। Neural firing patterns এবং ভিজ্যুয়াল উদ্দীপনার মধ্যে সম্পর্কের উপর machine learning মডেল প্রশিক্ষণ করে, গবেষকরা একা মস্তিষ্কের ডেটা থেকে মূল ভিডিওগুলির আনুমানিক পুনর্নির্মাণ তৈরি করতে সক্ষম হয়েছেন।
Neural Spikes থেকে চলমান চিত্র পর্যন্ত
পুনর্নির্মাণ প্রক্রিয়ায় দুটি পর্যায় জড়িত ছিল। প্রথমত, গবেষকরা একটি encoding model তৈরি করেছেন যা স্বতন্ত্র neurons গুলি প্রান্ত, গতি, বৈসাদৃশ্য এবং স্থানিক প্যাটার্নের মতো বিভিন্ন ভিজ্যুয়াল বৈশিষ্ট্যে কীভাবে সাড়া দেবে তা পূর্বাভাস দিয়েছেন। এই মডেলটি visual cortex জুড়ে প্রতিটি রেকর্ড করা neuron এর টিউনিং বৈশিষ্ট্যগুলি ক্যাপচার করেছে।
দ্বিতীয় পর্যায়ে, দলটি এই মডেলটিকে উল্টে দিয়েছে — রেকর্ড করা neural কার্যকলাপে প্রবেশ করেছে এবং পিছিয়ে কাজ করেছে যাতে সেই প্যাটার্নগুলি তৈরি করেছে এমন ভিজ্যুয়াল ইনপুট অনুমান করা যায়। ফলাফল পুনর্নির্মাণগুলি মূল ক্লিপগুলির সামগ্রিক কাঠামো, গতি এবং উজ্জ্বলতা প্যাটার্নগুলি ক্যাপচার করেছে, যদিও সূক্ষ্ম বিবরণগুলি ঝাপসা ছিল। বস্তু এবং আন্দোলনগুলি একটি মোটা স্তরে স্বীকৃত ছিল, যা প্রদর্শন করে যে উল্লেখযোগ্য ভিজ্যুয়াল তথ্য population-level neural activity তে সংরক্ষিত থাকে।
এই গবেষণার জন্য মাউস কেন গুরুত্বপূর্ণ
যদিও পূর্ববর্তী অধ্যয়নগুলি functional MRI ব্যবহার করে মানুষের মস্তিষ্কের কার্যকলাপ থেকে চিত্র এবং এমনকি ভিডিও পুনর্নির্মাণ করেছে, মাউস মডেলটি স্বতন্ত্র সুবিধা প্রদান করে। Calcium imaging একক-neuron রেজোলিউশন প্রদান করে যা fMRI ম্যাচ করতে পারে না, গবেষকদের স্বতন্ত্র কোষ এবং neural circuits গুলির ভিজ্যুয়াল প্রসেসিংয়ে নির্ভুল অবদান অধ্যয়ন করতে অনুমতি দেয়।
মাউসগুলি নিয়ন্ত্রিত পরীক্ষামূলক শর্তাবলী এবং জেনেটিক সরঞ্জামগুলিও অনুমতি দেয় যা মানব অধ্যয়নে উপলব্ধ নয়। গবেষকরা কোন neurons গুলি রেকর্ড করা হয়েছে তা সঠিকভাবে পরিচালনা করতে পারেন, একাধিক প্রাণী জুড়ে তাদের অনুসন্ধানগুলি যাচাই করেন এবং মাউস ভিজ্যুয়াল neuroscience এর বিস্তৃত বিদ্যমান সাহিত্যের সাথে তাদের ফলাফলগুলি সম্পর্কিত করেন।
Brain-Computer Interface এর প্রভাব
এই অনুসন্ধানগুলি অন্ধত্ব বা ভিজ্যুয়াল দুর্বলতার কাছ থেকে দৃষ্টি পুনরুদ্ধারকে লক্ষ্য করে brain-computer interface এর বিকাশের জন্য সরাসরি প্রাসঙ্গিক। Neural স্তরে ভিজ্যুয়াল তথ্য কীভাবে এনকোড করা হয় তা বোঝা হল কৃত্রিম ভিজ্যুয়াল সিগ্ন্যাল ডিকোড বা সরবরাহ করতে পারে এমন prosthetic সিস্টেমগুলি তৈরি করার জন্য একটি প্রয়োজনীয় শর্ত।
বর্তমান ভিজ্যুয়াল prosthetics, যেমন retinal implants, সীমিত রেজোলিউশনের সাথে শুধুমাত্র প্রাথমিক দৃষ্টি প্রদান করে। Cortical কার্যকলাপ থেকে সমৃদ্ধ তথ্য আহরণ করা যেতে পারে এই প্রদর্শন করে, UCL কাজ ভবিষ্যত cortical prosthetics উচ্চতর ভিজ্যুয়াল অভিজ্ঞতা সম্ভবত বিতরণ করতে পারে পরামর্শ দেয়।
Machine Learning অগ্রগতি চালিত করে
পুনর্নির্মাণ প্রক্রিয়ার সাফল্য আধুনিক deep learning স্থাপত্যের উপর অত্যন্ত নির্ভরশীল ছিল। দলটি পুনর্নির্মাণ প্রক্রিয়ার জন্য priors হিসাবে কাজ করার জন্য বড় আকারের ভিজ্যুয়াল ডেটাসেটে প্রশিক্ষিত convolutional neural networks গুলি নিয়োগ করেছে, সারাংশে অ্যালগরিদমকে শেখানো যে প্রাকৃতিক ভিডিওগুলি সাধারণত কেমন দেখায়। এই prior জ্ঞান একা neural ডেটা সমাধান করতে পারে না এমন বিবরণগুলি পূরণ করতে সহায়তা করেছে।
এই পদ্ধতিটি neuroscience এবং AI একত্রিত করে একটি ক্রমবর্ধমান শরীর কাজের উপর নির্মিত হয়। মস্তিষ্কের কম্পিউটেশনাল মডেলগুলি ক্রমবর্ধমানভাবে AI থেকে কৌশল ধার করে, যখন AI গবেষকরা জৈব neural circuits থেকে অনুপ্রেরণা আঁকেন। এই ক্রস-পলিনেশন উভয় ক্ষেত্রে অগ্রগতি ত্বরান্বিত করছে।
নৈতিক বিবেচনা এবং ভবিষ্যত দিকনির্দেশনা
Neural decoding প্রযুক্তি উন্নত হওয়ার সাথে সাথে মানসিক গোপনীয়তা এবং সম্মতি সম্পর্কে প্রশ্নগুলি আরও জরুরি হয়ে ওঠে। বর্তমান কৌশলগুলির জন্য আক্রমণকারী মস্তিষ্কের রেকর্ডিং এবং নিয়ন্ত্রিত পরীক্ষাগার পরিস্থিতি প্রয়োজন হলেও, প্রযুক্তির গতিপথ মস্তিষ্কের ডেটা কীভাবে রক্ষা এবং নিয়ন্ত্রণ করা উচিত সে সম্পর্কে গুরুত্বপূর্ণ আলোচনা উত্থাপন করে।
UCL দল আরও জটিল ভিজ্যুয়াল উদ্দীপনা, প্রাকৃতিক দৃশ্য এবং সামাজিক মিথস্ক্রিয়া সহ তাদের কাজ সম্প্রসারণ করার এবং শেখার এবং মেমরি গঠনের সময় কীভাবে ভিজ্যুয়াল প্রসেসিং পরিবর্তিত হয় তা তদন্ত করার পরিকল্পনা করছে। তারা ভিজ্যুয়াল প্রসেসিং জড়িত মস্তিষ্কের একাধিক অঞ্চল জুড়ে neurons এর বৃহত্তর জনসংখ্যার থেকে রেকর্ড করে পুনর্নির্মাণ গুণমান উন্নত করতেও লক্ষ্য করছে।
এই নিবন্ধটি Interesting Engineering দ্বারা রিপোর্টিংয়ের উপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।
