નવું IISc અલ્ગોરિધમ મગજ કનેક્ટિવિટી સમજવા માટે ગ્રાફિક્સ પ્રોસેસર્સનો ઉપયોગ કરે છે | ભારત સમાચાર

બેંગલુરુ: IISc સંશોધકોએ એક નવું ગ્રાફિક પ્રોસેસિંગ યુનિટ વિકસાવ્યું છે (GPU) આધારિત મશીન લર્નિંગ અલ્ગોરિધમ કે જે મગજના વિવિધ પ્રદેશો વચ્ચે કનેક્ટિવિટીને વધુ સારી રીતે સમજવા અને અનુમાન કરવામાં મદદ કરવાની ક્ષમતા ધરાવે છે.
અલ્ગોરિધમ – રેગ્યુલરાઈઝ્ડ, એક્સિલરેટેડ, લીનિયર ફેસીકલ ઈવેલ્યુએશન અથવા રીઅલ-લાઈફ – મગજના ડિફ્યુઝન મેગ્નેટિક રેઝોનન્સ ઇમેજિંગ (dMRI) સ્કેનથી જનરેટ થયેલા મોટા પ્રમાણમાં ડેટાનું ઝડપથી પૃથ્થકરણ કરી શકે છે, IISc એ જણાવ્યું હતું કે, આનો ઉપયોગ કરીને ટીમે dMRI ડેટાનું મૂલ્યાંકન કર્યું. હાલના અદ્યતન અલ્ગોરિધમ્સ કરતાં 150 ગણી વધુ ઝડપી.
દેવરાજન કહે છે, “પહેલાં કલાકોથી લઈને દિવસો લાગતા કાર્યો સેકન્ડથી મિનિટોમાં પૂર્ણ થઈ શકે છે,” દેવરાજન કહે છે શ્રીધરનIISc ના ન્યુરોસાયન્સ સેન્ટર ખાતે સહયોગી પ્રોફેસર (CNS), અને માં પ્રકાશિત થયેલા અભ્યાસના અનુરૂપ લેખક નેચર કોમ્પ્યુટેશનલ સાયન્સ.

એક IIsc નિવેદન વાંચે છે: મગજમાં દર સેકન્ડે લાખો ચેતાકોષો આગ કરે છે, મગજના એક બિંદુથી બીજા સ્થાને કનેક્ટિંગ કેબલ અથવા “એક્સોન્સ” દ્વારા વિદ્યુત પલ્સ ઉત્પન્ન કરે છે, જે મગજ દ્વારા કરવામાં આવતી ગણતરીઓ માટે જરૂરી છે.
જ્યારે મગજની વર્તણૂકના સંબંધોને સ્કેલ પર ઉજાગર કરવા માટે મગજની કનેક્ટિવિટી સમજવી મહત્વપૂર્ણ છે, ત્યારે પરંપરાગત અભિગમો સામાન્ય રીતે પ્રાણીઓના નમૂનાઓનો ઉપયોગ કરે છે અને આક્રમક હોય છે, વર્ષા શ્રીનિવાસનCNS ખાતે પીએચડી વિદ્યાર્થી અને અભ્યાસના પ્રથમ લેખકે જણાવ્યું હતું કે, “બીજી તરફ dMRI સ્કેન, મનુષ્યોમાં મગજની કનેક્ટિવિટીનો અભ્યાસ કરવા માટે બિન-આક્રમક પદ્ધતિ પ્રદાન કરે છે.”
ચેતાક્ષ એ મગજના માહિતી માર્ગો છે એમ જણાવતા, IISc ઉમેરે છે કે ચેતાક્ષના બંડલ ટ્યુબ જેવા આકારના હોવાને કારણે, પાણીના અણુઓ તેમની લંબાઈ સાથે, નિર્દેશિત રીતે તેમની મારફતે ફરે છે.
“…dMRI વૈજ્ઞાનિકોને સમગ્ર મગજમાં ફાઇબર નેટવર્કનો એક વ્યાપક નકશો બનાવવા માટે આ હિલચાલને ટ્રૅક કરવાની મંજૂરી આપે છે, જેને કનેક્ટમ કહેવાય છે. કમનસીબે, કનેક્ટોમને નિર્ધારિત કરવું સરળ નથી. સ્કેનમાંથી મેળવેલ ડેટા માત્ર મગજના દરેક બિંદુએ પાણીના પરમાણુઓનો ચોખ્ખો પ્રવાહ પૂરો પાડે છે,” IIScએ જણાવ્યું હતું.
કલ્પના કરો કે પાણીના અણુઓ કાર છે, શ્રીધરન ઉમેરે છે: “માહિતી એ જગ્યા અને સમયના દરેક બિંદુએ વાહનોની દિશા અને ગતિ છે જેમાં રસ્તાઓ વિશે કોઈ માહિતી નથી. અમારું કાર્ય ટ્રાફિક પેટર્નનું અવલોકન કરીને રસ્તાઓના નેટવર્કનું અનુમાન લગાવવા જેવું જ છે.”
આ નેટવર્ક્સને સચોટ રીતે ઓળખવા માટે, પરંપરાગત ગાણિતીક નિયમો અવલોકન કરેલ dMRI સિગ્નલો સાથે અનુમાનિત કનેક્ટમથી અનુમાનિત dMRI સિગ્નલો સાથે નજીકથી મેળ ખાય છે. વૈજ્ઞાનિકોએ અગાઉ નામનું અલ્ગોરિધમ વિકસાવ્યું હતું જીવન (લીનિયર ફેસીકલ ઈવેલ્યુએશન) આ માટે પરંતુ તેનો એક પડકાર એ હતો કે તે પરંપરાગત સેન્ટ્રલ પ્રોસેસિંગ યુનિટ્સ (સીપીયુ) પર કામ કરે છે, જે ગણતરીને સમય માંગી લેતી હતી.
હવે, શ્રીધરનની ટીમે બિનજરૂરી કનેક્શન્સને દૂર કરવા સહિત અનેક રીતે સંકળાયેલા કોમ્પ્યુટેશનલ પ્રયત્નોને ઘટાડવા માટે અલ્ગોરિધમમાં ફેરફાર કર્યો, જેનાથી LiFE ની કામગીરીમાં સુધારો થયો.
“એલ્ગોરિધમને વધુ ઝડપી બનાવવા માટે, તેઓએ તેને વિશિષ્ટ ઇલેક્ટ્રોનિક ચિપ્સ પર કામ કરવા માટે ફરીથી ડિઝાઇન પણ કર્યું – જે પ્રકારનું હાઇ-એન્ડ ગેમિંગ કમ્પ્યુટર્સમાં જોવા મળે છે – જેને GPUs કહેવાય છે, જેણે 100-150 ગણી ઝડપે ડેટાનું વિશ્લેષણ કરવામાં મદદ કરી,” IISc જણાવ્યું હતું.
ReAl-LiFE એ આગાહી કરવામાં પણ સક્ષમ હતું કે માનવ પરીક્ષણ વિષય કેવી રીતે વર્તે છે અથવા ચોક્કસ કાર્ય કરશે. ટીમ 200 સહભાગીઓમાં વર્તણૂકીય અને જ્ઞાનાત્મક પરીક્ષણ સ્કોર્સમાં વિવિધતા સમજાવવામાં સક્ષમ હતી.
IISc એ દાવો કર્યો હતો કે આવા વિશ્લેષણમાં તબીબી એપ્લિકેશનો પણ હોઈ શકે છે, જ્યારે શ્રીનિવાસને કહ્યું: “મોટા સ્કેલ પર ડેટા પ્રોસેસિંગ મોટા-ડેટા ન્યુરોસાયન્સ એપ્લિકેશન્સ માટે વધુને વધુ જરૂરી બની રહ્યું છે, ખાસ કરીને તંદુરસ્ત મગજ કાર્ય અને મગજની પેથોલોજીને સમજવા માટે.”
ઉદાહરણ તરીકે, ટીમ અલ્ઝાઈમરના દર્દીઓમાં વર્તણૂક રૂપે પ્રગટ થાય તે પહેલાં વૃદ્ધત્વ અથવા મગજના કાર્યમાં બગાડના પ્રારંભિક સંકેતોને ઓળખવાની આશા રાખે છે.
શ્રીધરન કહે છે, “અન્ય એક અભ્યાસમાં, અમને જાણવા મળ્યું કે રિયલ-લાઇફનું અગાઉનું વર્ઝન અલ્ઝાઈમર રોગના દર્દીઓને સ્વસ્થ નિયંત્રણોથી અલગ કરવા માટે અન્ય સ્પર્ધાત્મક અલ્ગોરિધમ્સ કરતાં વધુ સારું કરી શકે છે.”
તે ઉમેરે છે કે તેમનું GPU-આધારિત અમલીકરણ ખૂબ જ સામાન્ય છે, અને તેનો ઉપયોગ અન્ય ઘણા ક્ષેત્રોમાં પણ ઑપ્ટિમાઇઝેશન સમસ્યાઓનો સામનો કરવા માટે થઈ શકે છે.