Hindistan Bilim Enstitüsü’ndeki (IISc) araştırmacılar tarafından geliştirilen yeni bir Grafik İşleme Birimi (GPU) tabanlı makine öğrenme algoritması, bilim insanlarının beynin farklı bölgeleri arasındaki bağlantıyı daha iyi anlamasına ve tahmin etmesine yardımcı olabilir.
Düzenlileştirilmiş, Hızlandırılmış, Doğrusal Fasikül Değerlendirmesi veya ReAl-LiFE olarak adlandırılan algoritma, insan beyninin difüzyon Manyetik Rezonans Görüntüleme (dMRI) taramalarından üretilen muazzam miktardaki verileri hızla analiz edebilir.
Ekip, bir IISc’ye göre ReAL-LiFE kullanarak dMRI verilerini mevcut son teknoloji algoritmalardan 150 kat daha hızlı değerlendirebildi. basın bülteni Pazartesi günü yayınlandı.
Nörobilim Merkezi’nde (CNS), IISc’de Doçent olan Devarajan Sridharan, “Önceden saatler, günler süren görevler saniyeler ila dakikalar içinde tamamlanabilir” dedi. ders çalışma dergide yayınlandı Doğa Hesaplamalı Bilim.
Her saniye beyinde milyonlarca nöron ateşlenir ve bağlantı kabloları veya “aksonlar” aracılığıyla beyindeki bir noktadan diğerine nöron ağları arasında dolaşan elektrik darbeleri üretir. Bu bağlantılar, beynin gerçekleştirdiği hesaplamalar için gereklidir.
CNS’de doktora öğrencisi ve çalışmanın ilk yazarı olan Varsha Sreenivasan, “Beyin bağlantısını anlamak, beyin-davranış ilişkilerini geniş ölçekte ortaya çıkarmak için kritik öneme sahiptir” dedi. Bununla birlikte, beyin bağlantısını incelemek için geleneksel yaklaşımlar tipik olarak hayvan modellerini kullanır ve istilacıdır. Öte yandan dMRI taramaları, insanlarda beyin bağlantısını incelemek için invaziv olmayan bir yöntem sağlar.
Beynin farklı bölgelerini birbirine bağlayan kablolar (aksonlar) onun bilgi yollarıdır. Akson demetleri tüp şeklinde olduğundan, su molekülleri uzunlukları boyunca yönlendirilmiş bir şekilde bunların içinde hareket eder. dMRI, bilim adamlarının, bir konektom adı verilen beyindeki lif ağının kapsamlı bir haritasını oluşturmak için bu hareketi izlemelerine olanak tanır.
Ne yazık ki, bu bağlaçları tam olarak belirlemek kolay değildir. Açıklamaya göre, taramalardan elde edilen veriler sadece beynin her noktasındaki su moleküllerinin net akışını sağlıyor.
“Su moleküllerinin arabalar olduğunu hayal edin. Elde edilen bilgiler, yollar hakkında hiçbir bilgisi olmayan araçların uzayda ve zamanda her noktadaki yönü ve hızıdır. Görevimiz, bu trafik modellerini gözlemleyerek yol ağlarını çıkarmaya benzer” diye açıklıyor Sridharan.
Bu ağları doğru bir şekilde tanımlamak için geleneksel algoritmalar, gözlemlenen dMRI sinyali ile çıkarsanan bağlantıdan tahmin edilen dMRI sinyalini yakından eşleştirir.
Bilim adamları daha önce bu optimizasyonu gerçekleştirmek için LiFE (Linear Facicle Assessment) adlı bir algoritma geliştirmişlerdi, ancak zorluklarından biri, hesaplamayı zaman alıcı hale getiren geleneksel Merkezi İşlem Birimleri (CPU’lar) üzerinde çalışmasıydı.
Yeni çalışmada, Sridharan’ın ekibi, gereksiz bağlantıları kaldırmak da dahil olmak üzere çeşitli yollarla ilgili hesaplama çabasını azaltmak için algoritmalarını değiştirdi ve böylece LiFE’nin performansını önemli ölçüde geliştirdi.
Algoritmayı daha da hızlandırmak için ekip, algoritmayı Grafik İşlem Birimleri (GPU’lar) adı verilen ve üst düzey oyun bilgisayarlarında bulunan türde özel elektronik çipler üzerinde çalışacak şekilde yeniden tasarladı ve bu, verileri normalden 100-150 kat daha hızlı analiz etmelerine yardımcı oldu. önceki yaklaşımlar
Bu geliştirilmiş algoritma, ReAl-LiFE, bir insan test deneğinin nasıl davranacağını veya belirli bir görevi nasıl gerçekleştireceğini de tahmin edebildi.
Başka bir deyişle, her bir birey için algoritma tarafından tahmin edilen bağlantı güçlerini kullanan ekip, 200 katılımcıdan oluşan bir grupta davranışsal ve bilişsel test puanlarındaki farklılıkları açıklayabildi.
Bu tür analizlerin tıbbi uygulamaları da olabilir. Sreenivasan, “Büyük ölçekli veri işleme, özellikle sağlıklı beyin işlevini ve beyin patolojisini anlamak için büyük veri nörobilim uygulamaları için giderek daha gerekli hale geliyor” diyor.
Örneğin, elde edilen bağlaçları kullanarak ekip, Alzheimer hastalarında davranışsal olarak ortaya çıkmadan önce erken yaşlanma veya beyin fonksiyonlarındaki bozulma belirtilerini belirleyebilmeyi umuyor.
Sridharan, “Başka bir çalışmada, önceki bir ReAL-LiFE sürümünün, Alzheimer hastalığı olan hastaları sağlıklı kontrollerden ayırt etmede diğer rakip algoritmalardan daha iyi sonuç verdiğini bulduk” diyor.
GPU tabanlı uygulamalarının çok genel olduğunu ve diğer birçok alanda optimizasyon sorunlarının üstesinden gelmek için kullanılabileceğini de ekliyor.
