శాస్త్రవేత్తలు ఎలుక మెదడు కార్యకలాపాల నుండి వీడియోను పునర్నిర్మించారు

దృష్టి మెదడును అర్థం చేసుకోవడం

University College London లో ఉన్న సంశోధకులు neural decoding లో ఉల్లేఖనీయమైన పురోగతిని సాధించారు. ఎలుకలు చూసిన వీడియో క్లిప్‌లను మెదడు కార్యకలాపం రికార్డింగ్‌ల నుండి మాత్రమే పునర్నిర్మించారు. ఈ పని క్షీరపాయుల మెదడు దృష్టిని ఎలా ప్రక్రియ చేస్తుంది మరియు ఎన్కోడ్ చేస్తుంది అనే విషయంలో ఆలోచన పెంచడంలో ఒక పెద్ద దశ. Brain-computer interfaces మరియు neurological therapies కు ఇంట్లో ఇమ్లికేషన్‌లు ఉన్నాయి।

ఎలుకలు చిన్న వీడియో క్లిప్‌లను చూసుతున్నప్పుడు visual cortex లో neural సంకేతాలను పర్యవేక్షించడానికి భర్తీ calcium imaging పద్ధతులను ఉపయోగించి, సెలవేసిన నిఖిల్‌లను రికార్డ్ చేసినప్పుడు సంశోధకులు advanced ఉపయోగించారు. Neural firing patterns మరియు visual stimuli మధ్య సంబంధంపై machine learning నమూనాలను శిక్షణ ఇవ్వడం ద్వారా, మెదడు డేటా నుండి మాత్రమే సుమారు వీడియోలను పునర్నిర్మించడం సంభవ్యమైనది.

Neural Spikes నుండి చలన చిత్రాలకు

పునర్నిర్మాణ ప్రక్రియ రెండు దశలను చేర్చుకుంది. మొదటిది, సంశోధకులు ఎన్‌కోడింగ్ మోడెల్ నిర్మించారు. ఇది వ్యక్తిగత neurons edge, motion, contrast మరియు spatial patterns వంటి విభిన్న visual features కు ఎలా ప్రతిస్పందిస్తుందో అంచనా వేయడానికి కీలకమైనది. ఈ మోడెల్ visual cortex అంతటా ప్రతిটి రికార్డ్ చేయబడిన neuron యొక్క tuning లక్షణాలను సంగ్రహించింది।

రెండవ దశలో, సంశోధక సమూహం ఈ మోడెల్‌ను రివర్స్ చేసారు — రికార్డ్ చేయబడిన neural కార్యకలాపాన్ని ఫీడ్ చేయడం ద్వారా, ఆ నమూనాలను ఉత్పత్తి చేసిన దృష్టి ఇన్‌పుట్‌ను తిరిగి అంచనా వేయడానికి. ఫలితీకరణలు మూల క్లిప్‌ల యొక్క సాధారణ నిర్మాణం, motion మరియు brightness నమూనాలను సంగ్రహించాయి, అయితే చక్కని వివరాలు ఫెయ్‌స్ట్‌లుగా ఉన్నాయి. వస్తువులు మరియు కదలికలు కూరుకుటన స్థాయిలో గుర్తించదగ్గవిగా ఉన్నాయి, population-level neural కార్యకలాపంలో చేసిన దృష్టి సమాచారం కంచర్న కరిగిన సమీకరణకు చేర్చుకుంది።

ఈ సంశోధనకు ఎలుకలు ఎందుకు ముఖ్యమైనవి

మునుపటి అధ్యయనాలు functional MRI ను ఉపయోగించి మానవ మెదడు కార్యకలాపం నుండి చిత్రాలు మరియు వీడియోలను పునర్నిర్మించాయి. అయితే ఎలుక మోడెల్ విభిన్న ప్రయోజనాలను అందిస్తుంది. Calcium imaging fMRI సాధ్యం కాని single-neuron resolution ను అందిస్తుంది, సంశోధకులను వ్యక్తిగత కణాలు మరియు neural సర్క్యూట్‌ల అధ్యయనం చేయడానికి అనుమతిస్తుంది।

ఎలుకలు మానవ అధ్యయనాలలో అందుబాటులో లేని నియంత్రిత ప్రయోగ స్థితులు మరియు genetic సాధనాలను అందిస్తాయి. సంశోధకులు ఏ neurons రికార్డ్ చేయాలి అని ఖచ్చితంగా తారుమారు చేయలేకపోయారు, అనేక జంతువుల్లో వారి ఆలోచనలను ధృవీకరించవచ్చు, మరియు mouse visual neuroscience గురించిన విస్తృత సాహిత్యానికి వారి ఆలోచనలను సంబంధం చేయవచ్చు।

Brain-Computer Interfaces కోసం ఆశయాలు

కన్నుమూతలు లేదా దృష్టిలోపం ఉన్న వ్యక్తులకు దృష్టిని పునరుద్ధరించాలని చేసిన brain-computer interfaces కసరతికి ఆలోచనలు నేరుగా సంబంధితంగా ఉన్నాయి. Neural స్తరంలో దృష్టి సమాచారం ఎలా ఎన్‌కోడ్ చేయబడుతుందో అర్థం చేసుకోవడం prosthetic సిస్టమ్‌లను నిర్మించడానికి ఒక పూర్వ-అనిర్వచనం.

ప్రస్తుత దృష్టి prosthetics, retinal ఇంప్లాంట్‌ల వంటివి, నిర్బంధ రిజల్యూషన్‌తో అందం దృష్టిని మాత్రమే అందిస్తాయి. చిత్రీకరణ కార్యకలాపం నుండి గొప్ప దృష్టి సమాచారాన్ని సంగ్రహించవచ్చని UCL పని చూపిస్తుంది, భవిష్యత్ చిత్రీకరణ prosthetics చాలా ఎక్కువ-నాణ్యత దృష్టి అనుభవాలను అందించగలవని సూచిస్తుంది.

Machine Learning ఈ పురోగతిని నడిపిస్తుంది

పునర్నిర్మాణ సఫల్యం ఆధునిక deep learning నిర్మాణాలపై ఎక్కువ ఆధారపడ్డది. సంశోధక భర్తీ convolutional neural networks ను ఉపయోగించారు large-scale visual డేటాసెట్‌లపై శిక్షణ ఇవ్వబడిన నిర్వచనాన్ని పునర్నిర్మాణ ప్రక్రియకు priors గా ఉపయోగించారు. ఇది అల్గోరిథం ను natural videos సాధారణంగా ఎలా కనిపిస్తాయో తెలిపేలా శిక్షణ ఇస్తుంది. ఈ పూర్వవిద్య neural డేటా ఒక్కటే సంగ్రహించలేని వివరాలను నిండించడానికి సహాయపడింది।

ఈ విధానం computational నమూనాలు మరియు synthetic బుద్ధిమత్తను కలపటంపై పెరుగుతున్న శరీర నుండి తీసుకుంటుంది. Artificial intelligence తంత్రాలను వాడటం ద్వారా వేగవంతమయ్యే క్రమం, artificial intelligence గందరగోళ వ్యక్తులు biological neural సర్క్యూట్‌ల నుండి పరామర్శ నుండీకుంటారు. ఈ పరస్పరం ఉభయ రంగాలలో పురోగతిని సర్వసమ్మతం చేస్తుంది।

నైతిక ఆలోచనలు మరియు భవిష్యత్ దిశలు

Neural డీకోడింగ సాంకేతికత సుధరుతున్నందున, మానసిక లేఖ రక్షణ మరియు ఆజ్ఞ విషయాలు మరింత ఉద్రిక్తతలైనవి. ప్రస్తుత సిద్ధాంతాలు invasive brain రికార్డింగ్‌లు మరియు నియంత్రిత laboratory పరిస్థితులను చేయవలసిన చేసినప్పటికీ, సాంకేతికత సంక్షేపణ మెదడు డేటా ఎలా రక్షించబడాలో మరియు నియంత్రించబడాలో ముఖ్యమైన చర్చలను వంచింది।

UCL సంశోధక సమూహం నేర్చుకుంటూ జటిల దృష్టి చిత్రణకు వారి నిర్దేశనలను విస్తరించటానికి, natural దృశ్యాలు మరియు సామాజిక సంభాషణలు చేర్చుకుంటూ, మరియు నేర్చుకోవడం మరియు జ్ఞాపకశక్తి నిర్మాణ సమయంలో దృష్టి ప్రక్రియ ఎలా మారుతుంది అని విసిరి. వారు చిత్రీకరణ రికార్ణ సమూహాల అతిరిక్త neural కేంద్రాల రికార్డింగ ద్వారా పునర్నిర్మాణ నాణ్యతను మెరుపుదిద్ధ వాలను విస్తరించటానికి ఉదిరటానికి చేస్తారు।

ఈ వ్యాసం Interesting Engineering ద్వారా రిపోర్టింగ్ పై ఆధారపడింది. అసలు వ్యాసం చదవండి.