பிரிஸ்டல் பல்கலைக்கழக விஞ்ஞானிகள், மனித மூளை உயிரணுக்களின் ஆய்வகத்தால் வளர்ந்த கொத்துகள் நம்பத்தகுந்த தகவலைப் பெறலாம், செயலாக்கலாம் மற்றும் தொட்டுணரக்கூடிய தகவல்களை அனுப்பலாம் - பிரெய்லி எழுத்துக்களை அவற்றின் சோதனை சமிக்ஞையாகப் பயன்படுத்துகிறது. ஃபிரான்டியர்ஸ் இன் செயற்கை நுண்ணறிவு இதழில் வெளியிடப்பட்ட இந்த ஆய்வு, எலக்ட்ரானிக் சென்சார்கள் மூலம் உயிருள்ள நரம்பு திசுக்களை திருமணம் செய்யும் பயோஹைப்ரிட் கணினிகளை நோக்கிய முக்கிய படியாகக் கணக்கிடப்படுகிறது.
ஆர்கனாய்டு நுண்ணறிவின் இதயத்தில் உள்ள ஒரு ஏமாற்றும் எளிய கேள்வியை ஆராய்ச்சி உரையாற்றுகிறது: ஒரு சிறிய, பகுதியளவு உருவான மூளை திசுக்கள் அது பெறும் தகவலை உண்மையாக வெளியிட முடியுமா? கண்டுபிடிக்க, பிரிஸ்டல் சார்ந்த குழு, முதல் எழுத்தாளர் தியான்யி லியு, பிஎச்டி வேட்பாளர் மற்றும் மூத்த எழுத்தாளர் டாக்டர் பெஞ்சமின் வார்டு-செரியர் ஆகியோர் மூளை ஆர்கனாய்டுகளை உண்மையான தொட்டுணரக்கூடிய சென்சாருடன் இணைத்து, அர்த்தமுள்ள தகவல்களை மறுபக்கத்தில் மீட்டெடுக்க முடியுமா என்று கேட்டனர். For more context on this story, see our ongoing AI industry coverage.
"நாம் ஒரு உண்மையான தொட்டுணரக்கூடிய சென்சாரிலிருந்து தகவல்களைப் பெறலாம், அதை ஒரு உயிருள்ள நரம்பியல் நெட்வொர்க் பெறக்கூடிய வடிவமாக மாற்றலாம், பின்னர் ஆர்கனாய்டு பதிலில் இருந்து அர்த்தமுள்ள தகவலை மீட்டெடுக்கலாம்" என்று லியு பல்கலைக்கழகத்தின் கண்டுபிடிப்புகள் அறிவிப்பில் கூறினார். "இது செயற்கை சென்சார்களை உயிரியல் நரம்பியல் அமைப்புகளுடன் இணைக்க ஒரு நடைமுறை வழியை வழங்குகிறது, அவை அதிக ஆற்றல் திறன் கொண்ட கணினிக்கு மிகவும் சுவாரஸ்யமான சாத்தியமான பாதையாகும்."
செல்களின் குமிழியை எவ்வாறு உருவாக்குவது என்பதைப் படிக்கவும்
பரிசோதனையின் மையத்தில் உள்ள ஆர்கனாய்டுகள் மினியேச்சர் மூளையிலிருந்து வெகு தொலைவில் உள்ளன. ஒவ்வொன்றும் ஒரு மில்லிமீட்டருக்கும் குறைவானது, மனித மூளையில் காணப்படும் பல கட்டமைப்புகள் இல்லை, மேலும் சுமார் 10,000 நியூரான்கள் மற்றும் துணை செல்கள் உள்ளன - மனித முன்மூளையை மாதிரியாகக் கொண்டது. அவை ஒரு அமைப்பினுள் மல்டிஎலக்ட்ரோடு வரிசைகளில் அமர்ந்திருக்கின்றன, இது திசுக்களை அதன் மின் பதில்களைக் கண்காணிக்கும் போது உயிருடன் வைத்திருக்கும், இது ஆராய்ச்சியாளர்களை நரம்பியல் செயல்பாட்டைத் தூண்டவும் பதிவு செய்யவும் அனுமதிக்கிறது.
சோதனை நெறிமுறையானது தொடுதலிலிருந்து திசு வரை வகைப்படுத்தல் வரை சமிக்ஞையைப் பின்பற்றியது. முதலில், குழு பிரெய்லி எழுத்துக்களின் 26 எழுத்துக்களுக்கு தொட்டுணரக்கூடிய உணரியைப் பயன்படுத்தியது, ஒவ்வொரு எழுத்தும் உருவாக்கும் தரவைப் பதிவுசெய்தது. அந்த தரவு மின் தூண்டுதல் வடிவங்களாக மாற்றப்பட்டது, அவை ஆர்கனாய்டுகளுக்கு வழங்கப்பட்டன. இதன் விளைவாக வரும் நரம்பியல் செயல்பாடு எந்த கடிதம் வழங்கப்பட்டது என்பதை வெளிப்படுத்த முடியுமா என்பதை ஆராய்ச்சியாளர்கள் ஆய்வு செய்தனர் - இதன் விளைவாக, திசு அது கொடுக்கப்பட்ட சமிக்ஞையை 'படித்ததா'.
டிகோடிங் ஒரு ஆதரவு திசையன் இயந்திரத்தில் விழுந்தது, இது ஒரு எளிய இயந்திர கற்றல் வழிமுறையாகும், இது நரம்பியல் செயல்பாட்டின் வடிவங்களை வரிசைப்படுத்தி அவற்றை குறிப்பிட்ட எழுத்துக்களுடன் பொருத்துகிறது. ஒரு ஒற்றை ஆர்கனாய்டு தொடர்ந்து 61% நேரம் டிகோடபிள் சிக்னலை உருவாக்கியது. மூன்று ஆர்கனாய்டுகளின் வெளியீடுகள் இணைந்தபோது, துல்லியம் சுமார் 83% ஆக உயர்ந்தது.
மூன்று ஆர்கனாய்டுகள் ஒன்றை வெல்லும் - ஏன் என்று யாருக்கும் உறுதியாகத் தெரியவில்லை
குழும முடிவு மிகவும் சுவாரஸ்யமான கண்டுபிடிப்புகளில் ஒன்றாகும். மூன்று ஆர்கனாய்டுகள் ஏன் ஒன்றை விட சிறப்பாக செயல்படுகின்றன என்பதை ஆராய்ச்சியாளர்களால் இன்னும் முழுமையாக விளக்க முடியவில்லை, இருப்பினும் பதில் இயற்கை மாறுபாட்டில் இருப்பதாக அவர்கள் சந்தேகிக்கிறார்கள்: இரண்டு ஆர்கனாய்டுகளும் ஒரே பாதையில் உருவாகவில்லை.
"வெவ்வேறு ஆர்கனாய்டுகள் சற்று வித்தியாசமான நெட்வொர்க் இணைப்புகள், வளர்ச்சி நிலைகள் மற்றும் தற்போதைய செயல்பாடுகளைக் கொண்டிருக்கலாம், எனவே ஒரே உள்ளீடு ஒத்த ஆனால் ஒரே மாதிரியான பதில்களை உருவாக்க முடியாது" என்று லியு கூறினார். "அந்தப் பதில்களை இணைப்பது, ஒரு ஆர்கனாய்டில் இருந்து நாம் பெறாத நிரப்புத் தகவலைக் கொடுக்கலாம். அதே நேரத்தில், ஒவ்வொரு ஆர்கனாய்டும் வித்தியாசமாக நடந்து கொண்டால், அது வெளிப்படையாகக் கணிக்கக்கூடிய மற்றும் தரப்படுத்தப்பட்ட அமைப்பை உருவாக்குவதை கடினமாக்குகிறது."
திசுவின் வெளியீட்டையும் குழு வலியுறுத்தியது. விஞ்ஞானிகள் பிரெய்லி சிக்னல்களில் செயற்கை இரைச்சலைச் சேர்த்தபோது, ஆர்கனாய்டுகளின் பதில்களிலிருந்து டிகோடிங் செய்வது, அதே அல்காரிதம் மூலம் நேரடியாக சிதைந்த சிக்னல்களை டிகோடிங் செய்வதை விட முட்டாளாக்க கடினமாக இருந்தது. ஆர்கனாய்டுகளால் செயலாக்கப்பட்ட பிறகு, அனுமதிக்கப்பட்ட மூல சத்தமில்லாத உள்ளீட்டைக் காட்டிலும், சரியான எழுத்தை மிகவும் வலுவாக எடுக்க, வகைப்படுத்திக்கு போதுமான கட்டமைப்பை தரவு தக்க வைத்துக் கொண்டது.
"ஆர்கனாய்டுகளால் செயலாக்கப்பட்ட பிறகு, தொட்டுணரக்கூடிய தரவு இன்னும் பிரெய்லி எழுத்துக்களை நல்ல துல்லியத்துடன் வகைப்படுத்த போதுமான தகவல்களைக் கொண்டுள்ளது" என்று வார்டு-செரியர் கூறினார். "பல ஆர்கனாய்டுகளின் வெளியீடுகளை இணைப்பது செயல்திறனில் முன்னேற்றத்தைக் காட்டியது."
உயிரியல் கம்ப்யூட்டிங் ஆராய்ச்சியாளர்களை ஏன் தூண்டுகிறது
ஊக்கம் என்பது ஆற்றல். வழக்கமான வன்பொருளில் இருந்து அதிக மின்சாரம் தேவைப்படும் கணக்கீடுகளைச் செய்யும்போது மனித மூளை தோராயமாக 20 வாட்களில் இயங்குகிறது - AI தரவு மையங்கள் பெருகும்போது இந்த இடைவெளி விரிவடைகிறது. நியூரோமார்பிக் சில்லுகள் சிலிக்கானில் மூளையின் செயல்திறனைப் பிடிக்க முயற்சி செய்கின்றன, மேலும் ஆர்கனாய்டு நுண்ணறிவு அதே பந்தயத்தின் தீவிரமான பதிப்பைக் குறிக்கிறது: அவற்றைப் பின்பற்றுவதற்குப் பதிலாக உண்மையான நியூரான்களைப் பயன்படுத்தவும்.
சாத்தியமான பயன்பாடுகள் ரோபாட்டிக்ஸ் மற்றும் தன்னாட்சி அமைப்புகளை மையமாகக் கொண்டுள்ளன, அங்கு ஒவ்வொரு வாட் முக்கியமானது மற்றும் தொட்டுணரக்கூடிய உணர்திறன் அவசியம். உயிருள்ள நியூரான்களுக்கு சமிக்ஞை செயலாக்கத்தை ஆஃப்லோட் செய்யக்கூடிய ஒரு சென்சார் - அல்லது ஒரு நாள் அவற்றுடன் ஒரு மூடிய வளையத்தை உருவாக்குகிறது - நிகழ்நேரத்தில் உணர்ந்து செயல்பட வேண்டிய இயந்திரங்களின் சக்தி பட்ஜெட்டை மாற்றியமைக்க முடியும்.
தலைப்புச் செய்திகள் ஓடிவிடும் முன் எச்சரிக்கை
பிரிஸ்டல் குழு பரிசோதனையில் காட்டாதது பற்றி வெளிப்படையாக உள்ளது. ஆர்கனாய்டுகள் கற்கவில்லை; அவர்கள் தூண்டுதலுக்கு பதிலளித்தனர், ஆனால் ஆராய்ச்சியாளர்கள் திசுக்களில் நீண்ட கால மாற்றத்தை நிரூபிக்கவில்லை. ஒரு நிலையான குறியாக்கத் திட்டம் மற்றும் நரம்பியல் செயல்பாட்டின் ஒப்பீட்டளவில் எளிமையான அளவைப் பயன்படுத்தி, பணியானது ஒற்றை தொட்டுணரக்கூடிய ஒன்றாக இருந்தது.
"தொட்டுணரக்கூடிய தகவல்களை குறியாக்கம் செய்யலாம், ஆர்கனாய்டுகள் மூலம் செயலாக்கலாம் மற்றும் டிகோட் செய்யலாம் என்பதை நாங்கள் காட்டினோம், ஆனால் ஆர்கனாய்டுகளில் கற்றல் அல்லது நீண்டகால மாற்றங்களை நாங்கள் நிரூபிக்கவில்லை" என்று லியு கூறினார்.
அடுத்த படிகள், பிரெய்லிக்கு அப்பால் சென்றடையும் என்று குழு கூறுகிறது. இழைமங்கள் மற்றும் விளிம்புகள் போன்ற பணக்கார தொட்டுணரக்கூடிய உள்ளீடுகளில் ஆராய்ச்சியாளர்கள் ஆர்வமாக உள்ளனர், இறுதியில் ஒரு ஆர்கனாய்டு அதன் சொந்த வெளியீட்டின் விளைவுகளிலிருந்து கருத்துக்களைப் பெறும் மூடிய-லூப் பணிகளில் ஆர்வமாக உள்ளது - உயிருள்ள திசு ஒரு பணிக்கு மாற்றியமைக்க முடியுமா என்பதை சோதிக்கத் தொடங்கும் கட்டமைப்பு.
இப்போதைக்கு, முடிவு ஒரு பொறியியல் சான்றாக நிற்கிறது: இயற்பியல் உலகில் இருந்து வரும் சிக்னல்கள் உயிருள்ள நரம்பு திசுக்களில் நுழைந்து மறுபுறம் அடையாளம் காணக்கூடிய வகையில் வெளியே வரலாம். இது ஒரு பயோஹைப்ரிட் கணினியில் இருந்து வெகு தொலைவில் உள்ளது, ஆனால் இது ஒரு வகையான அழகற்ற மைல்கல் - நம்பகமான கடத்தல், அளவிடக்கூடிய துல்லியம், நேர்மையான பிழை பார்கள் - முந்தைய கணினி புரட்சிகளும் கட்டமைக்கப்பட்டன.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
