बायोफिजिकल मॉडलिंग बड़े पैमाने पर मस्तिष्क गतिविधि के साथ सेलुलर स्तर पर तंत्रिका गतिशीलता को जोड़कर मस्तिष्क के कार्य को समझने के लिए एक मूल्यवान उपकरण के रूप में कार्य करता है। ये मॉडल जैविक रूप से व्याख्या करने योग्य मापदंडों द्वारा शासित होते हैं, जिनमें से कई को सीधे प्रयोगों के माध्यम से मापा जा सकता है। हालांकि, कुछ पैरामीटर अज्ञात रहते हैं और उन्हें अनुभवजन्य डेटा के साथ सिमुलेशन को संरेखित करने के लिए ट्यून किया जाना चाहिए, जैसे कि आराम-राज्य एफएमआरआई। पारंपरिक अनुकूलन दृष्टिकोण – जिसमें संपूर्ण खोज, ढाल वंश, विकासवादी एल्गोरिदम, और बायेसियन अनुकूलन शामिल हैं – जटिल अंतर समीकरणों के दोहराए जाने वाले संख्यात्मक एकीकरण की आवश्यकता होती है, जिससे वे कई मापदंडों या मस्तिष्क क्षेत्रों से जुड़े मॉडल के लिए कम्प्यूटेशनल रूप से गहन और कठिन होते हैं। नतीजतन, कई अध्ययन केवल कुछ मापदंडों को ट्यून करके या क्षेत्रों में समान गुणों को मानकर समस्या को सरल बनाते हैं, जो जैविक यथार्थवाद को सीमित करता है।
अधिक हाल के प्रयासों का उद्देश्य बायेसियन या विकासवादी रणनीतियों जैसी उन्नत अनुकूलन तकनीकों का उपयोग करते हुए, कॉर्टिकल गुणों में स्थानिक विषमता के लिए लेखांकन द्वारा जैविक बहुलता को बढ़ाना है। ये विधियां नकली और वास्तविक मस्तिष्क गतिविधि के बीच मैच में सुधार करती हैं और औषधीय और पीईटी इमेजिंग के माध्यम से मान्य उत्तेजना/निषेध अनुपात जैसे व्याख्यात्मक मैट्रिक्स उत्पन्न कर सकती हैं। इन प्रगति के बावजूद, एक महत्वपूर्ण अड़चन बनी हुई है: अनुकूलन के दौरान अंतर समीकरणों को एकीकृत करने की उच्च कम्प्यूटेशनल लागत। मॉडल मापदंडों और परिणामस्वरूप आउटपुट के बीच संबंधों को सीखकर इस प्रक्रिया को अनुमानित करने के लिए अन्य वैज्ञानिक क्षेत्रों में डीप न्यूरल नेटवर्क (DNNs) प्रस्तावित किए गए हैं, जो गणना में काफी तेजी लाते हैं। हालांकि, डीएनएन को मस्तिष्क के मॉडल में लागू करना समीकरणों की स्टोकेस्टिक प्रकृति और आवश्यक एकीकरण चरणों की विशाल संख्या के कारण अधिक चुनौतीपूर्ण है, जो वर्तमान डीएनएन-आधारित विधियों को पर्याप्त अनुकूलन के बिना अपर्याप्त बनाता है।
नेशनल यूनिवर्सिटी ऑफ सिंगापुर, पेंसिल्वेनिया विश्वविद्यालय, और यूनिवर्सिटेट पोम्प्यू फैबरा सहित संस्थानों के शोधकर्ताओं ने डेलसोम (मीन फील्ड मॉडलिंग में सरोगेट सांख्यिकी अनुकूलन के लिए डीप लर्निंग) पेश किया है। यह ढांचा एक गहरे सीखने के मॉडल के साथ महंगा संख्यात्मक एकीकरण की जगह लेता है जो भविष्यवाणी करता है कि क्या विशिष्ट पैरामीटर जैविक रूप से यथार्थवादी मस्तिष्क की गतिशीलता का उत्पादन करते हैं। फीडबैक अवरोध नियंत्रण (FIC) मॉडल के लिए लागू, Delssome 2000 × स्पीडअप प्रदान करता है और सटीकता बनाए रखता है। विकासवादी अनुकूलन के साथ एकीकृत, यह अतिरिक्त ट्यूनिंग के बिना, एचसीपी और पीएनसी जैसे डेटासेट में सामान्यीकरण करता है, 50 × स्पीडअप प्राप्त करता है। यह दृष्टिकोण जनसंख्या-स्तरीय तंत्रिका विज्ञान अध्ययन में बड़े पैमाने पर, जैविक रूप से ग्राउंडेड मॉडलिंग को सक्षम बनाता है।
अध्ययन ने एचसीपी और पीएनसी डेटासेट से न्यूरोइमेजिंग डेटा का उपयोग किया, जो कार्यात्मक कनेक्टिविटी (एफसी), कार्यात्मक कनेक्टिविटी डायनेमिक्स (एफसीडी), और स्ट्रक्चरल कनेक्टिविटी (एससी) मैट्रिसेस की गणना करने के लिए आराम-राज्य एफएमआरआई और डिफ्यूजन एमआरआई स्कैन प्रसंस्करण करता है। एक गहन शिक्षण मॉडल, डेलसोम, को दो घटकों के साथ विकसित किया गया था: यह भविष्यवाणी करने के लिए कि एक जैविक सीमा के भीतर फायरिंग दरें गिरती हैं, और नकली और अनुभवजन्य एफसी/एफसीडी डेटा के बीच विसंगतियों का अनुमान लगाने के लिए एक लागत भविष्यवक्ता का अनुमान लगाने के लिए एक रेंज-रेंज क्लासिफायर। प्रशिक्षण, सत्यापन और परीक्षण सेटों में 900,000 से अधिक डेटा बिंदु उत्पन्न करते हुए, CMA-ES अनुकूलन का उपयोग किया। सटीक भविष्यवाणी का समर्थन करने के लिए FIC पैरामीटर, SC, और अनुभवजन्य FC/FCD जैसे अलग -अलग MLPs एम्बेडेड इनपुट।
FIC मॉडल अंतर समीकरणों की एक प्रणाली का उपयोग करके कॉर्टिकल क्षेत्रों में उत्तेजक और निरोधात्मक न्यूरॉन्स की गतिविधि का अनुकरण करता है। मॉडल को CMA-ES एल्गोरिथ्म का उपयोग करके अधिक सटीक बनाने के लिए अनुकूलित किया गया था, जो कम्प्यूटेशनल रूप से महंगे संख्यात्मक एकीकरण के माध्यम से कई पैरामीटर सेट का मूल्यांकन करता है। इस लागत को कम करने के लिए, शोधकर्ताओं ने डेलसोम को पेश किया, एक गहरी सीखने-आधारित सरोगेट जो भविष्यवाणी करता है कि क्या मॉडल पैरामीटर जैविक रूप से प्रशंसनीय फायरिंग दर और यथार्थवादी एफसीडी का उत्पादन करेंगे। Delssome ने मूल्यांकन में 2000 × स्पीड-अप और अनुकूलन में 50 × स्पीड-अप प्राप्त किया, जबकि मूल विधि के लिए तुलनीय सटीकता बनाए रखा।
अंत में, अध्ययन में डेलसोम का परिचय दिया गया है, एक गहरी सीखने की ढांचा जो बायोफिजिकल मस्तिष्क मॉडल में मापदंडों के अनुमान को काफी तेज करता है, पारंपरिक यूलर एकीकरण पर 2000 × स्पीडअप और CMA-ES अनुकूलन के साथ संयुक्त होने पर 50 × बढ़ावा प्राप्त करता है। Delssome में दो तंत्रिका नेटवर्क शामिल हैं जो फायरिंग दर वैधता और FC+FCD लागत की भविष्यवाणी करते हैं, जो मॉडल मापदंडों और अनुभवजन्य डेटा के साझा एम्बेडिंग का उपयोग करते हैं। फ्रेमवर्क अतिरिक्त ट्यूनिंग के बिना डेटासेट में सामान्यीकरण करता है और मॉडल सटीकता को बनाए रखता है। यद्यपि विभिन्न मॉडलों या मापदंडों के लिए रिट्रेनिंग की आवश्यकता होती है, डेल्सोम का मुख्य दृष्टिकोण-समय श्रृंखला के बजाय सरोगेट आंकड़ों को निर्धारित करना-जनसंख्या-स्तरीय मस्तिष्क मॉडलिंग के लिए एक स्केलेबल समाधान के रूप में।
यह रहा कागज़। इसके अलावा, हमें फॉलो करना न भूलें ट्विटर और हमारे साथ जुड़ें तार -चैनल और लिंक्डइन जीआरओयूपी। हमारे साथ जुड़ने के लिए मत भूलना 90K+ एमएल सबरेडिट।
🔥 ।
आईआईटी मद्रास में मार्कटेकपोस्ट में एक परामर्श इंटर्न और दोहरे डिग्री के छात्र सना हसन, वास्तविक दुनिया की चुनौतियों का समाधान करने के लिए प्रौद्योगिकी और एआई को लागू करने के बारे में भावुक हैं। व्यावहारिक समस्याओं को हल करने में गहरी रुचि के साथ, वह एआई और वास्तविक जीवन के समाधानों के चौराहे के लिए एक नया दृष्टिकोण लाता है।
