یک ایمپلنت عصبی که از فناوری یادگیری عمیق استفاده می‌کند، مثل یک ضربان‌ساز برای مغز خواهد بود و می‌تواند برخی از اختلالات مغزی مانند صرع و بیماری پارکینسون را درمان کند.
پژوهشگران دانشگاه تورنتو در حال ترکیب هوش مصنوعی و میکروالکترونیک برای ایجاد فناوری نوآورانه‌ای هستند که ایمن و موثر باشد. این گروه پژوهشی می‌خواهد از ایمپلنت‌های عصبی در تراشه‌های سیلیکونی مینیاتوری به روشی مشابه که برای تولید تراشه‌های مورد استفاده در رایانه‌های امروزی انجام می‌شود، استفاده کند.
شیلین لیو پژوهشگر ارشد و استادیار دانشکده علوم کاربردی و مهندسی در دانشگاه تورنتو می‌گوید: نورون‌ها از طریق سیگنال‌های الکتریکی با یکدیگر صحبت می‌کنند و یک ایمپلنت عصبی درمانی، مانند ضربان‌سازی برای مغز، تحریک الکتریکی ایجاد می‌کند و در موارد رعشه یا تشنج سعی می‌کند نورون‌ها را به حالت طبیعی بازگرداند.
لیو اشاره می‌کند که این ایمپلنت عصبی، شبکه‌های عصبی را مانند یک سوئیچ یا مانند دکمه راه‌اندازی مجدد کامپیوتر روشن و خاموش می‌کند. وی همچنین پیچیدگی این پروژه پژوهشی را یادآور می‌شود و خاطرنشان می‌کند که آنطور که به نظر می‌رسد، ساده نخواهد بود و پژوهشگران همچنان در تلاش برای درک پیچیدگی این پروژه هستند.
لیو که همچنین عضوی از مرکز فناوری عصبی CRANIA است که با همکاری دانشگاه تورنتو و شبکه بهداشت دانشگاهی همکاری می‌کند، می‌گوید: دانشمندان هنوز به طور کامل نحوه عملکرد آن را درک نکرده‌اند.
این گروه پژوهشی با هدف بهبود سلامت مغز و ایجاد درمان‌های جایگزین با عصب‌شناسان، دانشمندان داده و مواد و پزشکان همکاری می‌کند.
پروژه ایمپلنت عصبی این گروه پژوهشی به عنوان یک گزینه درمانی آینده‌نگرانه برای بیمارانی که ممکن است به داروهای فعلی واکنش خوبی ندهند، ایجاد شده است. آنها پتانسیل استفاده از هوش مصنوعی را به عنوان یک گزینه درمانی موثر در آینده می‌بینند که در عین حال واکنش‌های نامطلوب به تحریک بیش از حد در مغز را به حداقل می‌رساند.
گروه پژوهشی این فناوری را CMOS می‌نامند که مخفف نیمه هادی اکسید فلزی مکمل است. این فناوری به آنها اجازه می‌دهد تا اندازه دستگاه و مصرف انرژی آن را کاهش دهند و به نوبه خود خطرات مرتبط با روش جراحی ایمپلنت عصبی و استفاده طولانی مدت از آن را کاهش می‌دهد.
پژوهشگران به منظور ایجاد بهترین نمونه اولیه برای ایمپلنت عصبی خود از استراتژی‌ها و تکنیک‌های مختلفی بهره برده‌اند و آنها را آزموده‌اند. لیو می‌گوید: ما تکنیک‌های جدید طراحی میکروالکترونیکی مانند تحریک الکتریکی با دقت بالا با متعادل‌سازی شارژ را توسعه داده‌ایم.
پژوهشگران از نوعی هوش مصنوعی به نام یادگیری عمیق(DL) استفاده کردند که نوعی از یادگیری ماشینی است که از شبکه‌های عصبی مصنوعی استفاده می‌کند. یادگیری عمیق از مجموعه‌ای از الگوریتم‌ها استفاده می‌کند که با داده‌های جدید، اطلاعات سطح عمیق را یاد می‌گیرند و استخراج می‌کنند. یادگیری عمیق همچنین می‌تواند نشانگرهای زیستی پنهان شامل اندازه‌گیری عامل یا یافتن نشانه بیماری را شناسایی کند که اغلب در روش‌های سنتی نادیده گرفته می‌شوند.
این برای پژوهشگران مفید است، زیرا آنها می‌توانند زمان فعالسازی ایمپلنت‌های عصبی را بر اساس نشانگرهای زیستی انتخاب کنند و مجبور نباشند به طور مداوم تحریک را تخمین بزنند یا مدام از آن استفاده کنند.
لیو می‌گوید: اغلب ایمپلنت‌های موجود بدون توجه به وضعیت بیمار، تحریک الکتریکی را با سرعت ثابتی تولید می‌کنند. در حالی که ما با یادگیری عمیق می‌توانیم ایمپلنت‌های عصبی را در زمان بهینه و تنها در صورت لزوم فعال کنیم.
با این حال، یکی از نکاتی که قابل ذکر است، هزینه محاسباتی است. لیو می‌گوید برای مثال، یک ایمپلنت عصبی در صورت از دست دادن ارتباطات مخابراتی مانند زمانی که بیمار در آسانسور یا هواپیما قرار می‌گیرد، نمی‌تواند از کار بیفتد.
وی می‌افزاید که هزینه محاسباتی مدل‌های یادگیری عمیق، ترکیب چنین فناوری را به چالشی تبدیل می‌کند.
گروه پژوهشی به منظور کاهش هزینه‌های محاسباتی، روش‌هایی را برای آموزش مدل‌ها تنها بر اساس شرایط هر بیمار ایجاد کرده است.
پژوهشگران دانشگاه تورنتو در حال ترکیب هوش مصنوعی و میکروالکترونیک برای ایجاد فناوری نوآورانه‌ای هستند که ایمن و موثر باشد. این گروه پژوهشی می‌خواهد از ایمپلنت‌های عصبی در تراشه‌های سیلیکونی مینیاتوری به روشی مشابه که برای تولید تراشه‌های مورد استفاده در رایانه‌های امروزی انجام می‌شود، استفاده کند.
شیلین لیو پژوهشگر ارشد و استادیار دانشکده علوم کاربردی و مهندسی در دانشگاه تورنتو می‌گوید: نورون‌ها از طریق سیگنال‌های الکتریکی با یکدیگر صحبت می‌کنند و یک ایمپلنت عصبی درمانی، مانند ضربان‌سازی برای مغز، تحریک الکتریکی ایجاد می‌کند و در موارد رعشه یا تشنج سعی می‌کند نورون‌ها را به حالت طبیعی بازگرداند.
لیو اشاره می‌کند که این ایمپلنت عصبی، شبکه‌های عصبی را مانند یک سوئیچ یا مانند دکمه راه‌اندازی مجدد کامپیوتر روشن و خاموش می‌کند. وی همچنین پیچیدگی این پروژه پژوهشی را یادآور می‌شود و خاطرنشان می‌کند که آنطور که به نظر می‌رسد، ساده نخواهد بود و پژوهشگران همچنان در تلاش برای درک پیچیدگی این پروژه هستند.
لیو که همچنین عضوی از مرکز فناوری عصبی CRANIA است که با همکاری دانشگاه تورنتو و شبکه بهداشت دانشگاهی همکاری می‌کند، می‌گوید: دانشمندان هنوز به طور کامل نحوه عملکرد آن را درک نکرده‌اند.
این گروه پژوهشی با هدف بهبود سلامت مغز و ایجاد درمان‌های جایگزین با عصب‌شناسان، دانشمندان داده و مواد و پزشکان همکاری می‌کند.
پروژه ایمپلنت عصبی این گروه پژوهشی به عنوان یک گزینه درمانی آینده‌نگرانه برای بیمارانی که ممکن است به داروهای فعلی واکنش خوبی ندهند، ایجاد شده است. آنها پتانسیل استفاده از هوش مصنوعی را به عنوان یک گزینه درمانی موثر در آینده می‌بینند که در عین حال واکنش‌های نامطلوب به تحریک بیش از حد در مغز را به حداقل می‌رساند.
گروه پژوهشی این فناوری را CMOS می‌نامند که مخفف نیمه هادی اکسید فلزی مکمل است. این فناوری به آنها اجازه می‌دهد تا اندازه دستگاه و مصرف انرژی آن را کاهش دهند و به نوبه خود خطرات مرتبط با روش جراحی ایمپلنت عصبی و استفاده طولانی مدت از آن را کاهش می‌دهد.
پژوهشگران به منظور ایجاد بهترین نمونه اولیه برای ایمپلنت عصبی خود از استراتژی‌ها و تکنیک‌های مختلفی بهره برده‌اند و آنها را آزموده‌اند. لیو می‌گوید: ما تکنیک‌های جدید طراحی میکروالکترونیکی مانند تحریک الکتریکی با دقت بالا با متعادل‌سازی شارژ را توسعه داده‌ایم.
پژوهشگران از نوعی هوش مصنوعی به نام یادگیری عمیق(DL) استفاده کردند که نوعی از یادگیری ماشینی است که از شبکه‌های عصبی مصنوعی استفاده می‌کند. یادگیری عمیق از مجموعه‌ای از الگوریتم‌ها استفاده می‌کند که با داده‌های جدید، اطلاعات سطح عمیق را یاد می‌گیرند و استخراج می‌کنند. یادگیری عمیق همچنین می‌تواند نشانگرهای زیستی پنهان شامل اندازه‌گیری عامل یا یافتن نشانه بیماری را شناسایی کند که اغلب در روش‌های سنتی نادیده گرفته می‌شوند.
این برای پژوهشگران مفید است، زیرا آنها می‌توانند زمان فعالسازی ایمپلنت‌های عصبی را بر اساس نشانگرهای زیستی انتخاب کنند و مجبور نباشند به طور مداوم تحریک را تخمین بزنند یا مدام از آن استفاده کنند.
لیو می‌گوید: اغلب ایمپلنت‌های موجود بدون توجه به وضعیت بیمار، تحریک الکتریکی را با سرعت ثابتی تولید می‌کنند. در حالی که ما با یادگیری عمیق می‌توانیم ایمپلنت‌های عصبی را در زمان بهینه و تنها در صورت لزوم فعال کنیم.
با این حال، یکی از نکاتی که قابل ذکر است، هزینه محاسباتی است. لیو می‌گوید برای مثال، یک ایمپلنت عصبی در صورت از دست دادن ارتباطات مخابراتی مانند زمانی که بیمار در آسانسور یا هواپیما قرار می‌گیرد، نمی‌تواند از کار بیفتد.
وی می‌افزاید که هزینه محاسباتی مدل‌های یادگیری عمیق، ترکیب چنین فناوری را به چالشی تبدیل می‌کند.
گروه پژوهشی به منظور کاهش هزینه‌های محاسباتی، روش‌هایی را برای آموزش مدل‌ها تنها بر اساس شرایط هر بیمار ایجاد کرده است.
کد خبر ۲۰۱۰۱۰۸۱۱.۵۶۶
