به گزارش علمی نیوز و به نقل از Psychology Today، علوم اعصاب و علوم رفتاری و تحقیقات پزشکی با کمک قدرت پیش‌بینی یادگیری ماشینی هوش مصنوعی (AI) در حال افزایش است. یک مطالعه جدید که در PLoS Computational Biology منتشر شده است، یک مدل یادگیری عمیق هوش مصنوعی را نشان می دهد که می تواند رفتار را با سرعت تقریباً واقعی و با دقت 95 درصد پیش بینی کند.
یادگیری عمیق ابزاری قدرتمند برای رمزگشایی دقیق حرکت، گفتار و بینایی از سیگنال‌های عصبی مغز و مهندسی عصبی مانند فناوری رابط مغز و رایانه (BCI) است که از رابطه متناظر بین سیگنال‌های عصبی و عبارات رفتاری عمدی آنها استفاده می‌کند. تورو تاکومی، نویسنده گزارشگر در دانشکده پزشکی دانشگاه کوبه، همراه با محققان تاکیرو آجیوکا، نوبوهیرو ناکای و اوکیتو یاماشیتا گزارش داده است.
رابط‌های مغز و رایانه به افرادی که دارای اختلالات حرکتی یا گفتاری و سایر ناتوانی‌ها هستند، این امکان را می‌دهد تا دستگاه‌های خارجی مانند رایانه‌ها، اندام‌های روباتیک و همچنین ارتباط برقرار کنند. برای کسانی که از اختلالات عصبی، سندرم قفل شده، اختلال حرکتی و فلج رنج می برند، رابط های مغز و کامپیوتر امیدی برای بهبود کیفیت زندگی روزمره دارند.
یادگیری عمیق زیر مجموعه ای از یادگیری ماشینی است. در یادگیری ماشینی، الگوریتم‌ها به جای اتکا به کدنویسی سخت و صریح دستورالعمل‌ها، از مقادیر عظیم داده‌های آموزشی «یاد می‌گیرند». یک شبکه عصبی عمیق از یک لایه ورودی، یک لایه خروجی و چندین لایه از شبکه های عصبی مصنوعی در بین آنها تشکیل شده است. الگوریتم های یادگیری عمیق مسئول رنسانس مداوم هوش مصنوعی هستند.
طراحی مدل هوش مصنوعی محققین دانشکده پزشکی دانشگاه کوبه شامل یک شبکه عصبی کانولوشن (CNN) برای تجزیه و تحلیل داده های تصویری و یک شبکه عصبی تکراری (RNN) برای پردازش داده های متوالی و متغیر زمان است. محققان این رویکرد را یک یادگیری عمیق "پایان به پایان" می نامند.
شبکه‌های عصبی کانولوشنال، شبکه‌های عصبی یادگیری عمیق هستند که اغلب برای طبقه‌بندی تصویر برای وظایف بینایی رایانه و پردازش زبان طبیعی استفاده می‌شوند. شبکه عصبی کانولوشن یک شبکه پیش‌خور است که نیازی به پیش پردازش ندارد و در شناسایی الگوها در داده‌های تصویر خام برتری دارد. مانند قشر بینایی انسان، یک شبکه عصبی کانولوشنال از یک سری لایه های پردازشی برای تشخیص تدریجی ویژگی هایی با پیچیدگی بیشتر استفاده می کند. با لایه های پیچیده تر، ویژگی های پیچیده تری را می توان شناسایی کرد.
شبکه عصبی تکراری یک الگوریتم یادگیری عمیق دو جهته است که از سری‌های زمانی یا داده‌های متوالی برای انجام وظایفی مانند شرح تصویر، تشخیص گفتار، ترجمه و پردازش زبان طبیعی استفاده می‌کند. در شبکه‌های عصبی مکرر، خروجی به ورودی‌های قبلی در توالی وابسته است. به جای انتشار پس‌انداز سنتی، شبکه‌های عصبی مکرر از پس انتشار در طول زمان (BPTT) برای جمع کردن خطاها در هر مرحله استفاده می‌کنند.
علاوه بر سرعت بلادرنگ و دقت بالا، آنچه که مدل یادگیری عمیق هوش مصنوعی دانشکده پزشکی دانشگاه کوبه را متمایز می‌کند این است که نیازی به پیش‌پردازش داده‌های زمان‌بر برای انتخاب مناطق مورد علاقه ندارد. دانشمندان علوم اعصاب مدل هوش مصنوعی خود را برای طبقه‌بندی رفتاری ارزیابی کردند، به‌ویژه برای تعیین اینکه آیا موش‌های آزمایشگاهی در حال استراحت یا حرکت روی تردمیل با استفاده از تصاویر تمام قشر مغز بدون از پیش تعریف کردن مناطق مورد علاقه مغز هستند. محققان مدل هوش مصنوعی را روی پنج موش اجرا کردند و متوجه شدند که این مدل قادر به تعمیم و غربال کردن ویژگی‌های فردی است.
تیم تحقیقاتی دانشکده پزشکی دانشگاه کوبه گزارش داد: «یافته‌های ما امکان رمزگشایی عصبی رفتارهای ارادی با حرکت کل بدن از تصاویر گسترده قشر و مزایای شناسایی ویژگی‌های اساسی رمزگشاها را نشان می‌دهد».
برای درک اینکه مدل هوش مصنوعی چه مناطقی را به عنوان مناطق مورد علاقه شناسایی کرده است، محققان از یک فرآیند روشمند حذف استفاده کردند. این تیم به طور روشمند بخش هایی از داده های تصویربرداری را حذف کردند و عملکرد مدل یادگیری عمیق هوش مصنوعی را ارزیابی کردند. به این ترتیب، دانشمندان علوم اعصاب قادر به جداسازی و تعیین اینکه کدام داده‌های تصویری بیشترین کمک را در دقت پیش‌بینی مدل هوش مصنوعی داشتند، داشتند. این به روشن کردن ضرب المثل "جعبه سیاه" یادگیری عمیق هوش مصنوعی با نشان دادن اینکه چه داده هایی بیشترین تأثیر را بر عملکرد مدل هوش مصنوعی داشته است، کمک می کند.
