Hulumtuesit përdorin Rrjetet kundërshtare gjeneruese për të përmirësuar ndërfaqet tru-kompjuter

Studiuesit në Shkollën e Inxhinierisë Viterbi të Universitetit të Kalifornisë Jugore (USC) po përdorin rrjete kundërshtare gjeneruese (GAN) për të përmirësuar ndërfaqet tru-kompjuter (BCI) për njerëzit me aftësi të kufizuara. 

GAN-et përdoren gjithashtu për të krijuar video të rreme dhe foto realiste të fytyrave njerëzore. 

Punimi hulumtues u botua në Inxhinieri Biomjekësore e Natyrës. 

Fuqia e BCI-ve

Ekipi ishte në gjendje të mësonte një AI për të gjeneruar të dhëna sintetike të aktivitetit të trurit përmes kësaj qasjeje. Këto të dhëna janë në formën e sinjaleve nervore të quajtura trena spike, të cilat mund të futen në algoritmet e mësimit të makinerive për të përmirësuar BCI-të midis atyre me aftësi të kufizuara. 

BCI-të analizojnë sinjalet e trurit të një individi përpara se të përkthejnë aktivitetin nervor në komanda, gjë që i mundëson përdoruesit të kontrollojë pajisjet dixhitale vetëm me mendimet e tyre. Këto pajisje, të cilat mund të përfshijnë gjëra të tilla si kursorët e kompjuterit, janë në gjendje të përmirësojnë cilësinë e jetës për pacientët që vuajnë nga mosfunksionimi motorik ose paraliza. Ato gjithashtu mund të përfitojnë individët me sindromën e bllokimit, e cila ndodh kur personi nuk është në gjendje të lëvizë ose të komunikojë pavarësisht se është plotësisht i vetëdijshëm.

Ka shumë lloje të ndryshme BCI-sh tashmë në treg, të tilla si ato që matin sinjalet e trurit dhe pajisjet që implantohen në indet e trurit. Teknologjia po përmirësohet vazhdimisht dhe po aplikohet në mënyra të reja, duke përfshirë neurorehabilitimin dhe trajtimin e depresionit. Megjithatë, është ende e vështirë për t'i bërë sistemet mjaft të shpejta për të funksionuar me efikasitet në botën reale.

BCI-të kërkojnë sasi masive të të dhënave nervore dhe periudha të gjata trajnimi, kalibrime dhe mësim për të kuptuar inputet e tyre.

Laurent Itti është një profesor i shkencave kompjuterike dhe bashkëautor i hulumtimit. 

“Marrja e të dhënave të mjaftueshme për algoritmet që fuqizojnë BCI-të mund të jetë e vështirë, e shtrenjtë apo edhe e pamundur nëse individët e paralizuar nuk janë në gjendje të prodhojnë sinjale mjaftueshëm të fuqishme të trurit”, tha Itti. 

Teknologjia është specifike për përdoruesit, që do të thotë se duhet të trajnohet për çdo individ. 

Rrjetet kundërshtare gjeneruese

GAN-et mund ta përmirësojnë të gjithë këtë proces pasi ato janë në gjendje të krijojnë një sasi të pakufizuar imazhesh të reja, të ngjashme duke kaluar nëpër një proces provë dhe gabim.

Shixian Wen, një student i doktoraturës i këshilluar nga Itti dhe autori kryesor i studimit, vendosi të shikojë GAN-et dhe mundësinë që ata të mund të krijojnë të dhëna trajnimi për BCI-të duke gjeneruar të dhëna neurologjike sintetike që nuk dallohen nga homologët e vërtetë. 

Ekipi kreu një eksperiment ku ata stërvitën një sintetizues të thumbave të të mësuarit të thellë me një seancë të dhënash që u regjistruan nga një majmun që arrinte drejt një objekti. Më pas ata përdorën një sintetizues për të gjeneruar një sasi të madhe të dhënash nervore të ngjashme, por të rreme.

Të dhënat e sintetizuara u kombinuan më pas me sasi të vogla të të dhënave të reja reale për të trajnuar një BCI. Me këtë qasje, sistemi ishte në gjendje të ngrihej dhe të funksiononte shumë më shpejt se metodat aktuale. Më konkretisht, të dhënat nervore të sintetizuara nga GAN përmirësuan shpejtësinë e përgjithshme të trajnimit BCI deri në 20 herë.

"Më pak se një minutë e të dhënave reale të kombinuara me të dhënat sintetike funksionojnë si dhe 20 minuta të dhëna reale," tha Wen.

“Është hera e parë që ne kemi parë AI të gjenerojë recetën e mendimit ose lëvizjes nëpërmjet krijimit të trenave sintetike me thumba. Ky hulumtim është një hap kritik drejt bërjes së BCI-ve më të përshtatshme për përdorim në botën reale.” 

Pas seancave të para eksperimentale, sistemi ishte në gjendje të përshtatej me seancat e reja me të dhëna të kufizuara shtesë nervore.

“Kjo është risia e madhe këtu – krijimi i trenave me thumba të rreme që duken njësoj sikur vijnë nga ky person pasi imagjinojnë të bëjnë lëvizje të ndryshme, pastaj duke përdorur këto të dhëna për të ndihmuar në mësimin e personit tjetër”, tha Itti.

Këto zhvillime të reja me të dhëna sintetike të gjeneruara nga GAN mund të çojnë gjithashtu në përparime në fusha të tjera të fushës.

“Kur një kompani është gati të fillojë komercializimin e një skeleti robotik, krahut robotik ose sistemit të sintezës së të folurit, ata duhet të shikojnë këtë metodë, sepse mund t'i ndihmojë ata në përshpejtimin e trajnimit dhe rikualifikimit,” tha Itti. “Sa i përket përdorimit të GAN-it për të përmirësuar ndërfaqet tru-kompjuter, mendoj se ky është vetëm fillimi.”