واجهة الدماغ والآلة
باحثون يستخدمون الشبكات التوليدية المنافسة لتحسين واجهات الحاسوب العصبية
يستخدم باحثون في جامعة جنوب كاليفورنيا (USC) مدرسة فيتربي للهندسة الشبكات التوليدية المنافسة (GANs) لتحسين واجهات الحاسوب العصبية (BCIs) للأشخاص ذوي الإعاقة.
تستخدم الشبكات التوليدية المنافسة أيضًا لإنشاء مقاطع فيديو ووجوه بشرية واقعية.
نشرت ورقة البحث في Nature Biomedical Engineering.
قوة واجهات الحاسوب العصبية
تمكنت الفريق من تعليم الذكاء الاصطناعي لإنشاء بيانات نشاط دماغي اصطناعي من خلال هذا النهج. توجد هذه البيانات في شكل إشارات عصبية تسمى قاطرات الانطلاق، والتي يمكن تغذيتها في خوارزميات التعلم الآلي لتحسين واجهات الحاسوب العصبية بين الأشخاص ذوي الإعاقة.
تتحليل واجهات الحاسوب العصبية إشارات الدماغ الفردية قبل ترجمة النشاط العصبي إلى أوامر، مما يتيح للمستخدم التحكم في الأجهزة الرقمية بفكرته فقط. يمكن أن تشمل هذه الأجهزة، مثل مؤشرات الكمبيوتر، تحسين جودة الحياة للمرضى الذين يعانون من خلل وظيفي أو شلل. كما يمكن أن تفيد الأفراد الذين يعانون من متلازمة الإغلاق، والتي تحدث عندما يكون الشخص غير قادر على الحركة أو التواصل على الرغم من كونه واعيًا تمامًا.
توجد العديد من أنواع واجهات الحاسوب العصبية بالفعل في السوق، مثل تلك التي تقيس إشارات الدماغ والأجهزة التي يتم زرعها في الأنسجة الدماغية. تتم تحسين التكنولوجيا باستمرار وتطبيقها بطرق جديدة، بما في ذلك إعادة التأهيل العصبي وعلاج الاكتئاب. ومع ذلك، لا يزال من الصعب جعل الأنظمة سريعة بما يكفي للعمل بكفاءة في العالم الحقيقي.
تتطلب واجهات الحاسوب العصبية كميات هائلة من البيانات العصبية وفترات تدريب طويلة وضبط وتعلم لفهم مدخلاتها.
لاورينت إيتي أستاذ علوم الحاسوب وشارك في كتابة البحث.
“الحصول على كمية كافية من البيانات للخوارزميات التي تعمل بالحاسوب العصبي يمكن أن يكون صعبًا أو مكلفًا أو حتى مستحيلًا إذا لم يتمكن الأفراد المعاقون من إنتاج إشارات دماغية قوية بدرجة كافية،” قال إيتي.
التكنولوجيا محددة للمستخدم، مما يعني أنها يجب أن يتم تدريبها لكل فرد.
الشبكات التوليدية المنافسة
يمكن أن تحسن هذه الشبكات عملية بأكملها منذ أن تكون قادرة على إنشاء كمية لا حصر لها من الصور الجديدة المماثلة من خلال عملية تجربة وخطأ.
قرر شيكسيان وين، طالب دكتوراه يُشرف عليه إيتي وكاتب رئيسي للدراسة، النظر في الشبكات التوليدية المنافسة وإمكانية إنشاء بيانات تدريبية لواجهات الحاسوب العصبية من خلال إنشاء بيانات عصبية اصطناعية لا يمكن تمييزها عن المكونات الحقيقية.
أجرى الفريق تجربة حيث قاموا بتدريب مصنّع انطلاق sâu مع جلسة واحدة من البيانات المسجلة من قرد يمد يده لتحديد هدف. ثم استخدموا مصنّعًا لإنشاء كمية كبيرة من بيانات عصبية اصطناعية مماثلة ولكن مزيفة.
تم بعد ذلك دمج البيانات الم 합نة مع كميات صغيرة من البيانات الحقيقية الجديدة لتدريب واجهة الحاسوب العصبية. من خلال هذا النهج، تمكنت النظام من التشغيل بسرعة أكبر من الطرق الحالية. وبشكل أكثر تحديدًا، تحسنت بيانات الشبكات التوليدية المنافسة العصبية بشكل عام من سرعة التدريب بنسبة تصل إلى 20 مرة.
“أقل من دقيقة من البيانات الحقيقية مع البيانات الاصطناعية يعمل بنفس جودة 20 دقيقة من البيانات الحقيقية،” قال وين.
“هذا هو المرة الأولى التي نرى فيها الذكاء الاصطناعي يولد وصفة للفكر أو الحركة من خلال إنشاء قاطرات انطلاق اصطناعية. هذا البحث هو خطوة حاسمة نحو جعل واجهات الحاسوب العصبية أكثر ملاءمة للاستخدام في العالم الحقيقي.”
بعد الجلسات التجريبية الأولى، تمكنت النظام من التكيف مع جلسات جديدة مع بيانات عصبية إضافية محدودة.
“هذه هي الابتكار الكبير هنا – إنشاء قاطرات انطلاق مزيفة تبدو كما لو أنها تأتي من هذا الشخص أثناء تخيله لأفعال مختلفة، ثم استخدام هذه البيانات للمساعدة في التعلم على الشخص التالي،” قال إيتي.
يمكن أن تؤدي هذه التطورات الجديدة مع البيانات الاصطناعية المولدة بواسطة الشبكات التوليدية المنافسة إلى إنجازات في مجالات أخرى من المجال.
“عندما تكون شركة جاهزة لبدء تجارية هيكل عظمي روبوتي أو ذراع روبوتي أو نظام 합성 كلام، يجب أن ينظروا إلى هذه الطريقة، لأنها قد تساعدهم في تسريع التدريب وإعادة التدريب،” قال إيتي. “فيما يتعلق باستخدام الشبكات التوليدية المنافسة لتحسين واجهات الحاسوب العصبية، أعتقد أن هذا هو فقط البداية.”
