دستاورد اسرائیل در هوش مصنوعی میتواند رابطهای مغز و کامپیوتر را پیش ببرد

توسط پسخ بنسون • ۱۴ اکتبر ۲۰۲۶

اورشلیم، ۱۴ اکتبر ۲۰۲۶ (TPS-IL) — پژوهشگران اسرائیلی یک مدل هوش مصنوعی توسعه دادهاند که با استفاده از حدود یک ساعت اسکن مغزی از یک شرکتکننده جدید، تصاویر را از فعالیت مغزی بازسازی میکند و همزمان، تقسیمبندیهای عملکردی ناشناختهای را در نواحی مغزی مرتبط با پردازش بصری شناسایی کرده است.

این مدل که «برین-آیتی» (Brain-IT) نام دارد، توسط تیمی به رهبری پروفسور میشال ایرنی در مؤسسه علوم وایزمن توسعه یافته است. برخلاف سیستمهای موجود که برای انطباق با یک فرد جدید به دهها ساعت اسکن مغزی نیاز دارند، «برین-آیتی» الگوهای مشترک بین افراد مختلف را شناسایی میکند و این امکان را فراهم میآورد تا تصاویر با دقت بیشتر و آموزش کمتر بازسازی شوند.

این فناوری فراتر از بازسازی تصاویر، میتواند به دانشمندان در درک چگونگی سازماندهی اطلاعات بصری توسط مغز کمک کند. همچنین میتواند توسعه رابطهای مغز و کامپیوتر را که به آموزش کمتری نیاز دارند، پیش ببرد، اگرچه کاربردهای پزشکی عملی هنوز بسیار دور هستند.

ایرنی گفت: «امروزه مدلهایی وجود دارند که فعالیت مغزی را به تصاویر ترجمه میکنند و حتی میتوانند بازسازیهای چشمگیری تولید کنند که معنای معنایی تصویر را به خوبی حفظ میکنند. با این حال، آنها تمایل دارند در ویژگیهای اساسی مانند ترکیببندی و رنگ اشتباه کنند.»

وی افزود: «مدل جدیدی که ما توسعه دادهایم، در بازسازی هم محتوای تصویر و هم جزئیات آن، از مدلهای دیگر بهتر عمل میکند. علاوه بر این، در حالی که هر مدل دیگری برای یادگیری «خواندن» یک فرد جدید به دهها ساعت اسکن مغزی نیاز دارد، مدل ما تنها به یک ساعت زمان نیاز دارد.»

این تحقیق برای ارائه در کنفرانس بینالمللی نمایشگرهای یادگیری (International Conference on Learning Representations)، یکی از کنفرانسهای پیشرو در زمینه هوش مصنوعی، در سال جاری انتخاب شد.

آموزش هوش مصنوعی برای خواندن مغز

یکی از موانع اصلی در این زمینه، کمبود دادههای آموزشی است. پژوهشگران به تصاویری نیاز دارند که با اسکنهای تصویربرداری تشدید مغناطیسی عملکردی (fMRI) که تغییرات فعالیت مغزی را هنگام مشاهده تصاویر توسط افراد اندازهگیری میکند، جفت شوند. جمعآوری چنین دادههایی مستلزم صرف ساعتهای طولانی توسط شرکتکنندگان در اسکنرهای MRI است.

مجموعه داده صحنههای طبیعی که به صورت عمومی در دسترس است و در این مطالعه استفاده شد، حاوی حدود ۷۳۰۰۰ جفت تصویر-اسکن از هشت شرکتکننده است که هر کدام هزاران تصویر را در طول ۳۰ تا ۴۰ جلسه اسکن مشاهده کردند.

برای غلبه بر این محدودیت، این تیم دو سیستم مکمل را توسعه داد: یک رمزگذار که فعالیت مغزی را از یک تصویر پیشبینی میکند و یک رمزگشا که یک تصویر را از فعالیت مغزی بازسازی میکند.

رمزگذار، اسکنهای مغزی پیشبینیشده را برای تصاویری که شرکتکنندگان هرگز در داخل اسکنر MRI مشاهده نکرده بودند، تولید کرد. سپس رمزگشا تلاش کرد آن تصاویر را از پیشبینیها بازسازی کند و این امکان را به سیستمها داد تا بدون نیاز به اسکنهای جدید برای هر تصویر، از مثالهای اضافی یاد بگیرند.

پژوهشگران مغز را به حدود ۴۰۰۰۰ واحد سهبعدی کوچک به نام وکسل تقسیم کردند و پاسخهای آنها را به تصاویر مختلف در بین افراد مقایسه کردند. این کار الگوهای تکرارشوندهای را مرتبط با ویژگیهای بصری مانند رنگ، مکان و اشیاء قابل تشخیص آشکار کرد.

رمزگذار ۱۲۸ ناحیه عملکردی را شناسایی کرد که در بین افراد مشترک بودند و به نظر میرسید نقشهای خاصی در پردازش بصری ایفا میکنند. برخی از این نواحی از قبل برای دانشمندان شناخته شده بودند، در حالی که برخی دیگر جدید بودند.

یکی از یافتهها شامل ناحیه پاراهیپوکامپال (parahippocampal place area)، ناحیهای از مغز که در پردازش مکانها و صحنهها نقش دارد، بود. پژوهشگران شواهدی از تقسیم کار در این ناحیه یافتند، به طوری که یک بخش به صحنههای داخلی و بخش دیگر به صحنههای خارجی پاسخ میداد.

ایرنی گفت: «قدرت رمزگذار در توانایی آن برای شناسایی نواحی است که عملکردهای مشابهی را در مغزهای مختلف انجام میدهند، حتی زمانی که موقعیتهای آناتومیکی آنها متفاوت است.»

در کوتاهمدت، «برین-آیتی» میتواند به پژوهشگران در مطالعه پردازش بصری کمک کند و نیاز به اسکنهای پرهزینه و زمانبر را کاهش دهد. توانایی آن در شناسایی الگوهای مشترک بین افراد نیز میتواند به دانشمندان در توسعه رابطهای مغز و کامپیوتر که برای انطباق با کاربران جدید به آموزش کمتری نیاز دارند، کمک کند. تحقیقات بیشتر مورد نیاز است.