İnsan Beyni Bağlantısını Keşfetmek için GPU’ları Kullanma

Özet: Araştırmacılar, beyindeki ağların bağlantısını tahmin etmeye yardımcı olmak için GPU tabanlı yeni bir makine öğrenme algoritması geliştirdi.

Kaynak: IISC

Hindistan Bilim Enstitüsü’ndeki (IISc) araştırmacılar tarafından geliştirilen yeni bir GPU tabanlı makine öğrenme algoritması, bilim insanlarının beynin farklı bölgeleri arasındaki bağlantıyı daha iyi anlamasına ve tahmin etmesine yardımcı olabilir.

Düzenlenmiş, Hızlandırılmış, Doğrusal Fasikül Değerlendirmesi veya ReAl-LiFE olarak adlandırılan algoritma, insan beyninin difüzyon Manyetik Rezonans Görüntüleme (dMRI) taramalarından üretilen muazzam miktardaki verileri hızla analiz edebilir.

Ekip, ReAL-LiFE kullanarak dMRI verilerini mevcut son teknoloji algoritmalardan 150 kat daha hızlı değerlendirebildi.

Nörobilim Merkezi (CNS), IISc’de Doçent ve dergide yayınlanan çalışmanın ilgili yazarı Devarajan Sridharan, “Önceden saatlerce günler süren görevler saniyeler ila dakikalar içinde tamamlanabilir” diyor. Doğa Hesaplamalı Bilim.

Her saniye beyinde milyonlarca nöron ateşlenir ve bağlantı kabloları veya “aksonlar” aracılığıyla beyindeki bir noktadan diğerine nöron ağları arasında dolaşan elektrik darbeleri üretir. Bu bağlantılar, beynin gerçekleştirdiği hesaplamalar için gereklidir.

CNS’de doktora öğrencisi ve çalışmanın ilk yazarı olan Varsha Sreenivasan, “Beyin bağlantısını anlamak, beyin-davranış ilişkilerini geniş ölçekte ortaya çıkarmak için kritik öneme sahiptir” diyor.

Bununla birlikte, beyin bağlantısını incelemek için geleneksel yaklaşımlar tipik olarak hayvan modellerini kullanır ve istilacıdır. Öte yandan dMRI taramaları, insanlarda beyin bağlantısını incelemek için invaziv olmayan bir yöntem sağlar.

Beynin farklı alanlarını birbirine bağlayan kablolar (aksonlar) onun bilgi yollarıdır. Akson demetleri tüp şeklinde olduğundan, su molekülleri uzunlukları boyunca yönlendirilmiş bir şekilde bunların içinden geçer. dMRI, bilim adamlarının, bir konektom adı verilen, beyindeki lif ağının kapsamlı bir haritasını oluşturmak için bu hareketi izlemelerine olanak tanır.

Ne yazık ki, bu bağlaçları tam olarak belirlemek kolay değildir. Taramalardan elde edilen veriler, sadece beynin her noktasındaki su moleküllerinin net akışını sağlar.

“Su moleküllerinin arabalar olduğunu hayal edin. Elde edilen bilgiler, yollar hakkında hiçbir bilgi olmadan araçların uzay ve zamandaki her noktadaki yönü ve hızıdır. Görevimiz, bu trafik modellerini gözlemleyerek yol ağlarını çıkarmaya benzer” diye açıklıyor Sridharan.

Bu ağları doğru bir şekilde tanımlamak için geleneksel algoritmalar, gözlemlenen dMRI sinyali ile çıkarsanan bağlantıdan tahmin edilen dMRI sinyalini yakından eşleştirir. Bilim adamları daha önce bu optimizasyonu gerçekleştirmek için LiFE (Linear Facicle Assessment) adlı bir algoritma geliştirmişlerdi, ancak zorluklarından biri, hesaplamayı zaman alıcı hale getiren geleneksel Merkezi İşlem Birimleri (CPU’lar) üzerinde çalışmasıydı.

Yeni çalışmada, Sridharan’ın ekibi, gereksiz bağlantıları kaldırmak da dahil olmak üzere çeşitli yollarla ilgili hesaplama çabasını azaltmak için algoritmalarını değiştirdi ve böylece LiFE’nin performansını önemli ölçüde geliştirdi.

Algoritmayı daha da hızlandırmak için ekip, aynı zamanda, üst düzey oyun bilgisayarlarında bulunan türde, Grafik İşlem Birimleri (GPU’lar) adı verilen ve verileri normalden 100-150 kat daha hızlı analiz etmelerine yardımcı olan özel elektronik çipler üzerinde çalışacak şekilde yeniden tasarladı. önceki yaklaşımlar.

Bu geliştirilmiş algoritma, ReAl-LiFE, bir insan test deneğinin nasıl davranacağını veya belirli bir görevi nasıl gerçekleştireceğini de tahmin edebildi. Başka bir deyişle, her bir birey için algoritma tarafından tahmin edilen bağlantı güçlerini kullanan ekip, 200 katılımcıdan oluşan bir grupta davranışsal ve bilişsel test puanlarındaki farklılıkları açıklayabildi.

Bu tür analizlerin tıbbi uygulamaları da olabilir. Sreenivasan, “Büyük ölçekli veri işleme, özellikle sağlıklı beyin işlevini ve beyin patolojisini anlamak için büyük veri nörobilim uygulamaları için giderek daha gerekli hale geliyor” diyor.

Örneğin, elde edilen bağlaçları kullanarak ekip, Alzheimer hastalarında davranışsal olarak ortaya çıkmadan önce erken yaşlanma veya beyin fonksiyonlarındaki bozulma belirtilerini belirleyebilmeyi umuyor.

Sridharan, “Başka bir çalışmada, önceki bir ReAL-LiFE sürümünün, Alzheimer hastalığı olan hastaları sağlıklı kontrollerden ayırt etmede diğer rakip algoritmalardan daha iyi sonuç verdiğini bulduk” diyor.

GPU tabanlı uygulamalarının çok genel olduğunu ve diğer birçok alanda optimizasyon sorunlarının üstesinden gelmek için kullanılabileceğini de ekliyor.

Bu yapay zeka ve sinirbilim araştırma haberleri hakkında

Soyut

Ölçekte GPU ile hızlandırılmış bağlantı noktası keşfi

Difüzyon manyetik rezonans görüntüleme ve traktografi, insan beynindeki anatomik bağlantının in vivo olarak tahmin edilmesini sağlar. Yine de, temel gerçeklik doğrulaması olmadan, farklı traktografi algoritmaları, çok çeşitli bağlantı tahminleri verebilir. Kolaylaştırılmış budama teknikleri bu zorluğu azaltsa da, yavaş işlem süreleri, bunların büyük veri uygulamalarında kullanılmasını engeller.

Önceki CPU tabanlı uygulamalara göre >100× hızlanma sağlayan, son teknoloji ürünü bir düzene budama algoritmasının (LiFE) GPU tabanlı bir uygulaması olan ‘Regularized, Accelerated, Linear Fascicle Assessment’ (ReAl-LiFE) sunuyoruz. .

Bu hızlanmalardan yararlanarak, daha seyrek ve daha doğru bağlantı noktaları oluşturmak için LiFE’nin algoritmasıyla temel sınırlamaların üstesinden geliyoruz. Rakip yaklaşımlardan daha iyi performans gösterirken, ReAl-LiFE’ın üstün test-tekrar test güvenilirliği ile bağlantıları tahmin etme yeteneğini sergiliyoruz.

Ayrıca, ReAl-LiFE bağlantı özellikleriyle çoklu bilişsel puanlardaki bireyler arası varyasyonları tahmin ettik. ReAl-LiFE’ı, bireyselleştirilmiş beyin bağlantılarının ölçekte doğru bir şekilde keşfedilmesi için son teknolojiyi aşan zamanında bir araç olarak öneriyoruz.

Son olarak, popüler bir negatif olmayan en küçük kareler optimizasyon algoritmasının GPU hızlandırmalı uygulamamız, birçok gerçek dünya sorununa geniş çapta uygulanabilir.