ການໂຕ້ຕອບເຄື່ອງຈັກສະຫມອງ
ນັກຄົ້ນຄວ້າໃຊ້ເຄືອຂ່າຍກົງກັນຂ້າມທົ່ວໄປເພື່ອປັບປຸງການໂຕ້ຕອບຂອງສະຫມອງແລະຄອມພິວເຕີ
ນັກຄົ້ນຄວ້າຢູ່ມະຫາວິທະຍາໄລ Southern California (USC) ໂຮງຮຽນວິສະວະກໍາ Viterbi ກໍາລັງໃຊ້ເຄືອຂ່າຍ adversarial ທົ່ວໄປ (GANs) ເພື່ອປັບປຸງການໂຕ້ຕອບຂອງສະຫມອງກັບຄອມພິວເຕີ (BCIs) ສໍາລັບຄົນພິການ.
GANs ຍັງຖືກໃຊ້ເພື່ອສ້າງວິດີໂອທີ່ປອມແປງເລິກໆ ແລະຮູບໜ້າມະນຸດຕົວຈິງ.
ເອກະສານການຄົ້ນຄວ້າໄດ້ຖືກຈັດພີມມາໃນ ວິສະວະ ກຳ ຊີວະພາບ ທຳ ມະຊາດ.
ພະລັງງານຂອງ BCIs
ທີມງານສາມາດສອນ AI ເພື່ອສ້າງຂໍ້ມູນກິດຈະກໍາສະຫມອງສັງເຄາະໂດຍຜ່ານວິທີການນີ້. ຂໍ້ມູນນັ້ນຢູ່ໃນຮູບແບບຂອງສັນຍານ neural ເອີ້ນວ່າ spike trains, ເຊິ່ງສາມາດປ້ອນເຂົ້າໃນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອປັບປຸງ BCIs ໃນບັນດາຄົນພິການ.
BCIs ວິເຄາະສັນຍານສະຫມອງຂອງບຸກຄົນກ່ອນທີ່ຈະແປກິດຈະກໍາທາງ neural ເຂົ້າໄປໃນຄໍາສັ່ງ, ເຊິ່ງເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດຄວບຄຸມອຸປະກອນດິຈິຕອນດ້ວຍຄວາມຄິດຂອງເຂົາເຈົ້າ. ອຸປະກອນເຫຼົ່ານີ້, ເຊິ່ງສາມາດລວມເອົາສິ່ງຕ່າງໆເຊັ່ນຕົວກະພິບຄອມພິວເຕີ, ແມ່ນສາມາດປັບປຸງຄຸນນະພາບຂອງຊີວິດສໍາລັບຄົນເຈັບທີ່ທຸກທໍລະມານຈາກຄວາມຜິດປົກກະຕິຂອງມໍເຕີຫຼືອໍາມະພາດ. ພວກເຂົາຍັງສາມາດໃຫ້ຜົນປະໂຫຍດຕໍ່ບຸກຄົນທີ່ມີໂຣກລັອກໃນ, ເຊິ່ງເກີດຂື້ນໃນເວລາທີ່ຄົນນັ້ນບໍ່ສາມາດເຄື່ອນຍ້າຍຫຼືຕິດຕໍ່ສື່ສານເຖິງແມ່ນວ່າມີສະຕິຢ່າງເຕັມທີ່.
ມີຫຼາຍປະເພດ BCIs ຢູ່ໃນຕະຫຼາດ, ເຊັ່ນວ່າເຄື່ອງວັດແທກສັນຍານສະຫມອງແລະອຸປະກອນທີ່ຝັງເຂົ້າໄປໃນເນື້ອເຍື່ອສະຫມອງ. ເທກໂນໂລຍີກໍາລັງປັບປຸງຢ່າງຕໍ່ເນື່ອງແລະຖືກນໍາໄປໃຊ້ໃນທາງໃຫມ່, ລວມທັງການປິ່ນປົວໂຣກ neurorehabilitation ແລະຊຶມເສົ້າ. ຢ່າງໃດກໍ່ຕາມ, ມັນຍັງເປັນການຍາກທີ່ຈະເຮັດໃຫ້ລະບົບຕ່າງໆໄດ້ໄວພໍທີ່ຈະດໍາເນີນການຢ່າງມີປະສິດທິພາບໃນໂລກຕົວຈິງ.
BCIs ຕ້ອງການຂໍ້ມູນ neural ຈໍານວນຫຼວງຫຼາຍແລະໄລຍະເວລາການຝຶກອົບຮົມຍາວ, ການປັບທຽບ, ແລະການຮຽນຮູ້ທີ່ຈະເຂົ້າໃຈວັດສະດຸປ້ອນຂອງເຂົາເຈົ້າ.
Laurent Itti ເປັນອາຈານສອນວິທະຍາສາດຄອມພິວເຕີ ແລະເປັນຜູ້ຂຽນຮ່ວມກັນຂອງການຄົ້ນຄວ້າ.
"ການໄດ້ຮັບຂໍ້ມູນພຽງພໍສໍາລັບສູດການຄິດໄລ່ທີ່ພະລັງງານ BCIs ສາມາດມີຄວາມຫຍຸ້ງຍາກ, ລາຄາແພງ, ຫຼືແມ້ກະທັ້ງເປັນໄປບໍ່ໄດ້ຖ້າຫາກວ່າບຸກຄົນທີ່ເປັນອໍາມະພາດບໍ່ສາມາດຜະລິດສັນຍານສະຫມອງທີ່ເຂັ້ມແຂງພຽງພໍ," Itti ເວົ້າ.
ເຕັກໂນໂລຢີແມ່ນສະເພາະຜູ້ໃຊ້, ຊຶ່ງຫມາຍຄວາມວ່າມັນຕ້ອງໄດ້ຮັບການຝຶກອົບຮົມສໍາລັບແຕ່ລະຄົນ.
ເຄືອຂ່າຍຄູ່ຮ່ວມມືຜະລິດຕະພັນ
GANs ສາມາດປັບປຸງຂະບວນການທັງຫມົດນີ້ໄດ້ເນື່ອງຈາກພວກເຂົາມີຄວາມສາມາດສ້າງຮູບພາບທີ່ຄ້າຍຄືກັນໃຫມ່ທີ່ບໍ່ຈໍາກັດໂດຍຜ່ານຂະບວນການທົດລອງແລະຄວາມຜິດພາດ.
Shixian Wen, ນັກສຶກສາປະລິນຍາເອກທີ່ແນະນໍາໂດຍ Itti ແລະຜູ້ນໍາຂອງການສຶກສາ, ຕັດສິນໃຈເບິ່ງ GANs ແລະຄວາມເປັນໄປໄດ້ທີ່ພວກເຂົາສາມາດສ້າງຂໍ້ມູນການຝຶກອົບຮົມສໍາລັບ BCIs ໂດຍການສ້າງຂໍ້ມູນ neurological ສັງເຄາະທີ່ບໍ່ສາມາດແຍກອອກຈາກຄູ່ຮ່ວມງານທີ່ແທ້ຈິງ.
ທີມງານໄດ້ດໍາເນີນການທົດລອງທີ່ພວກເຂົາໄດ້ຝຶກອົບຮົມເຄື່ອງສັງເຄາະ spike ການຮຽນຮູ້ເລິກກັບກອງປະຊຸມຫນຶ່ງຂອງຂໍ້ມູນທີ່ຖືກບັນທຶກໄວ້ຈາກລິງເອື້ອມໄປຫາວັດຖຸ. ຫຼັງຈາກນັ້ນ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ເຄື່ອງສັງເຄາະເພື່ອສ້າງຈໍານວນຂະຫນາດໃຫຍ່ຂອງຂໍ້ມູນທີ່ຄ້າຍຄືກັນ, ແຕ່ neural ປອມ.
ຂໍ້ມູນທີ່ຖືກສັງເຄາະໄດ້ຖືກລວມເຂົ້າກັບຂໍ້ມູນທີ່ແທ້ຈິງໃຫມ່ຈໍານວນນ້ອຍໆເພື່ອຝຶກອົບຮົມ BCI. ດ້ວຍວິທີການນີ້, ລະບົບສາມາດລຸກຂຶ້ນແລະແລ່ນໄວກວ່າວິທີການປະຈຸບັນ. ໂດຍສະເພາະ, ຂໍ້ມູນ neural ທີ່ສັງເຄາະ GAN ໄດ້ປັບປຸງຄວາມໄວຂອງການຝຶກອົບຮົມໂດຍລວມ BCIs ເຖິງ 20 ເທົ່າ.
ທ່ານ Wen ກ່າວວ່າ "ມູນຄ່າຂອງຂໍ້ມູນທີ່ແທ້ຈິງຫນ້ອຍກວ່າຫນຶ່ງນາທີລວມກັບຂໍ້ມູນສັງເຄາະເຮັດວຽກເຊັ່ນດຽວກັນກັບຂໍ້ມູນທີ່ແທ້ຈິງ 20 ນາທີ," Wen ເວົ້າ.
“ມັນເປັນຄັ້ງທໍາອິດທີ່ພວກເຮົາໄດ້ເຫັນ AI ສ້າງສູດສໍາລັບການຄິດຫຼືການເຄື່ອນໄຫວໂດຍການສ້າງການຝຶກອົບຮົມ spike ສັງເຄາະ. ການຄົ້ນຄວ້ານີ້ແມ່ນບາດກ້າວອັນສໍາຄັນຕໍ່ການເຮັດໃຫ້ BCIs ເຫມາະສໍາລັບການນໍາໃຊ້ໃນໂລກທີ່ແທ້ຈິງ."
ຫຼັງຈາກກອງປະຊຸມທົດລອງຄັ້ງທໍາອິດ, ລະບົບສາມາດປັບຕົວເຂົ້າກັບກອງປະຊຸມໃຫມ່ທີ່ມີຂໍ້ມູນ neural ເພີ່ມເຕີມທີ່ຈໍາກັດ.
"ນັ້ນແມ່ນນະວັດຕະກໍາອັນໃຫຍ່ຫຼວງຢູ່ທີ່ນີ້ - ການສ້າງລົດໄຟແບບຮວງຕັ້ງແຈບປອມທີ່ເບິ່ງຄືວ່າພວກເຂົາມາຈາກຄົນນີ້ຍ້ອນວ່າພວກເຂົາຈິນຕະນາການເຮັດການເຄື່ອນໄຫວທີ່ແຕກຕ່າງກັນ, ຫຼັງຈາກນັ້ນຍັງໃຊ້ຂໍ້ມູນນີ້ເພື່ອຊ່ວຍໃນການຮຽນຮູ້ຄົນຕໍ່ໄປ," Itti ເວົ້າ.
ການພັດທະນາໃຫມ່ເຫຼົ່ານີ້ກັບຂໍ້ມູນສັງເຄາະທີ່ສ້າງໂດຍ GAN ຍັງສາມາດນໍາໄປສູ່ຄວາມກ້າວຫນ້າໃນຂົງເຂດອື່ນໆຂອງພາກສະຫນາມ.
"ເມື່ອບໍລິສັດພ້ອມທີ່ຈະເລີ່ມຕົ້ນການຄ້າໂຄງກະດູກຫຸ່ນຍົນ, ແຂນຫຸ່ນຍົນຫຼືລະບົບການສັງເຄາະສຽງ, ພວກເຂົາຄວນເບິ່ງວິທີການນີ້, ເພາະວ່າມັນອາດຈະຊ່ວຍໃຫ້ພວກເຂົາເລັ່ງການຝຶກອົບຮົມແລະການຝຶກອົບຮົມຄືນ," Itti ເວົ້າ. "ສໍາລັບການນໍາໃຊ້ GAN ເພື່ອປັບປຸງການໂຕ້ຕອບຂອງສະຫມອງແລະຄອມພິວເຕີ, ຂ້າພະເຈົ້າຄິດວ່ານີ້ແມ່ນພຽງແຕ່ການເລີ່ມຕົ້ນ."