دکتر سید سلمان فاطمی

هوش مصنوعی در تلاش برای کشف حقیقت
و حماقت طبیعی- که سالهاست خود را از تلاش برای کشف حقیقت، بازنشست کرده است!
BigNeuron:
انقلابی در بازسازی نورون با استفاده از هوش مصنوعی
ویژه ی علوم اعصاب
27 مه 2023
بدون درک یکپارچه از ریزواحدهای ذهن یعنی سلول‌های عصبی در موجودات و گونه های مختلف، تلاش برای بازسازی این اجزای پیچیده و تا حدی خودکفا برای توسعه ی قدرت شناختی و یادگیری بر اساس بازخورد داده ها و محصول و ارتباطات فراوان با دهها سلول عصبی دیگر، کار، ناقص خواهد بود.
درست اینکه هرچقدر هم داده های انسانی و قدرت تحلیل آنها، وسیع و جامع شود، هنوز تا رسیدن به جایی- که همه ی جنبه های شناختی را در نظر بگیرد- فاصله ی زیادی داریم ولی رها کردن اندک، به این دلیل که فراوان را در اختیار نداریم، تعطیل کردن تلاش و کوشش به بهانه ی ایده آل نبودن است و این شایسته ی یک پژوهشگر واقعی علم، نیست.
هوش مصنوعی از عروسک های بازی تا کمک به انسان در تولیدات و سلامت تا زیان های آن بر جسم و روح انسان- قسمت پنجاه و هشت
نقص استقرای ناقصو تحلیل و تصویرسازی از حقیقت- که با مشاهده ی اجزا حاصل میشود- با داده ها و قدرت تحلیل بیشتر، کاسته میشود ولی هرچقدر هم این نقص، کاهش یابد جایی برای ناشناخته ها وجود دارد.
خلاصه: محققان، یک مقاله ی تحقیقاتی را منتشر کرده اند که جزئیات پروژه ی BigNeuron را شرح می دهد. این ابتکار، به دنبال ایجاد روش‌های استاندارد برای بازسازی خودکار، دقیق و سریع نورون‌ها، با استفاده از الگوریتم‌های یادگیری عمیق است.
(یادگیری عمیق از روش‌های یادگیری ماشین و هوش مصنوعی، به شمار می‌رود و از روشی استفاده میکند که ذهن انسان، برای یادگیری موضوعات خاص به کار می‌گیرد.
این نوع یادگیری از عناصر مهم علم داده (Data science) است. این علم، شامل آمار، مدل‌سازی و پیش‌بینی است. یادگیری عمیق برای دانشمندان داده- که وظیفه جمع آوری، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده‌ها و اطلاعات را بر عهده دارند- بسیار کارآمد و مفید است و این روند را سریع‌تر و آسان‌تر می‌کند.
یادگیری عمیق، زیرمجموعه‌ای از یادگیری ماشین است و در آن از الگوریتم‌هایی استفاده می‌شود که مغز انسان را شبیه سازی می‌کند. بازخورد، اساس یادگیری ماشین است. در این فرایند، محصول اول، بازبینی میشود تا به محصول برتر، ارتقا یابد.)
این پروژه، مجموعه ی گسترده ای از تصاویر بازسازی عصبی را- که در دسترس عموم است- و نیز ابزارهای قدرتمندی را برای تجزیه و تحلیل مستقل، ارائه می دهد.
این، می تواند به محققان در درک عملکرد مغز و تغییرات آن، در طول زمان، کمک کند.
حقایق کلیدی:
بیگ نورون، یک ابتکار بین المللی است و دانشمندان کامپیوتر و دانشمندان علوم اعصاب را از برخی موسسات در بر می‌گیرد و هدف آن، ایجاد یک چارچوب استاندارد، برای بازسازی خودکار نورون است.
این تیم، یک الگوریتم خودکار را با استفاده از یادگیری عمیق برای تشخیص شکل هر نورون در یک تصویر، همراه با غلبه بر چالش‌های تنوع گونه‌ها، مکان مغز، مراحل رشد و کیفیت مجموعه ی تصویر، ایجاد کرده است.(تفاوت نورون ها در مغز گونه های مختلف و یا اندازه ی متفاوت مغز و نورون ها و مراحل متفاوت رشد در مغز گونه های متفاوت، تنوعی است که رسیدن به تفسیر یکپارچه، از ساختار ذهن را به چالش می کشد.
مزیت استفاده از هوش مصنوعی، توان آن در جمع آوری هزاران داده و تحلیل منطقی روی آن است. دسترسی به این حجم وسیع از داده ها و جمع کردن و تحلیل آن، برای انسان ممکن نیست ولی پیشرفت های هوش مصنوعی به خصوص با در اختیار داشتن داده های فراوان، این را ممکن کرده است.)
منبع: Texas A&M
دکتر Shuiwang Ji، استاد گروه علوم و مهندسی کامپیوتر در دانشگاه A&M تگزاس، بخشی از یک جامعه تحقیقاتی مشترک است که اخیرا مقاله ی خود را با عنوان BigNeuron: منبعی برای محک زدن و پیش بینی عملکرد الگوریتم ها در ردیابی خودکار نورون ها، در پایه ی داده ای میکروسکوپ نوری در مجله یjournal Nature Methods. منتشر کرده است .
این کار- که در سال 2015 آغاز شد و توسط موسسه ی آلن برای علوم مغز مدیریت میشد- یک ابتکار بین المللی است که دانشمندان علوم کامپیوتر و دانشمندان علوم اعصاب را از 12 موسسه، گرد هم می آورد.
هدف آن، توسعه ی یک چارچوب استاندارد در کمک به محققان در تعریف بهترین روش ها و الگوریتم ها برای بازسازی خودکار، سریع و دقیق نورون است و بعدا الگوریتم‌ها را بر روی مجموعه ی بزرگ داده‌ها و مقیاس تصاویر با استفاده از ابررایانه‌ها «آزمایش می‌کند».
این پروژه، منجر به مجموعه ی بزرگی از تصاویر داده های بازسازی عصبی در دسترس عموم می شود، همراه با ابزارها و الگوریتم های قوی- که محققان می توانند برای کار تجزیه و تحلیل خود از آن استفاده کنند.

در مغز انسان، صدها میلیارد نورون وجود دارد که از طریق هزاران شاخه ی نازک به هم متصل هستند و ساختاری سه بعدی درختی را تشکیل می دهند.
برای درک چگونگی عملکرد و تغییرات مغز در طول زمان، دانشمندان باید بتوانند این ساختارهای عصبی را به صورت دیجیتال، بازسازی کنند تا شکل هر نورون را در یک تصویر، بفهمند.(بازسازی این ساختار، هرچند فعلا قرار است در سه بعد معمول از طریق هوش مصنوعی، انجام شود ولی طبیعی است با توجه به وجود ابعاد وسیع تر در کیهان ما که بر اساس مکانیک کوانتوم و نظریه ی ریسمان تا ۱۱ بعد میرسد- محدود به این تلاش، نخواهد بود بلکه این ابتدایی از تلاش هایی است که تا آینده های دور، ادامه خواهد داشت.)
دانشمندان با استفاده از میکروسکوپ‌های با وضوح بالا در گرفتن عکس‌های سه‌بعدی از تک‌نورون‌ها، برای تقریباً ۴۰ سال، روی توسعه ی روش‌های بازسازی کاملاً خودکار نورون، کار کرده‌اند.
بازآفرینی آنها به دلیل تنوع گونه‌ها، مکان مغز، مراحل رشد و کیفیت مجموعه‌های تصویر میکروسکوپی، همچنان به عنوان یک چالش، باقی مانده است.
این عوامل، تعمیم موثر الگوریتم‌های موجود را- هنگامی که روی حجم‌هایی از تصاویر بدست‌آمده توسط آزمایشگاه‌های مختلف اعمال می‌شود- دشوار میکند.
برای کاهش این مشکل، تیم پژوهشی، یک الگوریتم خودکار را با استفاده از یادگیری عمیق برای کشف شکل هر نورون در یک تصویر خاص، توسعه داد.
BigNeuron :
منبعی برای محک زدن و پیش‌بینی عملکرد الگوریتم‌ها برای ردیابی خودکار نورون‌ها در مجموعه داده‌های میکروسکوپ نوری توسط Shuiwang Ji و همکاران. روش های طبیعت
خلاصه
BigNeuron
یک پلتفرم، با هدف تعیین استانداردهای باز برای ردیابی خودکار دقیق و سریع نورون است.
ما مجموعه‌ای متنوع از حجم‌های تصویر را در چندین گونه ی جانوری، جمع‌آوری کردیم. این نمونه ها نماینده ی داده‌های به‌دست‌آمده در بسیاری از آزمایشگاه‌های علوم اعصاب است که مشغول ردیابی نورون هستند.
در اینجا، یادداشت‌های دستی استاندارد طلایی را برای زیرمجموعه‌ای از مجموعه ی داده‌های تصویربرداری موجود و کیفیت ردیابی کمی برای 35 الگوریتم ردیابی خودکار، گزارش می‌کنیم.
هدف از تولید چنین مجموعه داده‌های متنوعی- که با دست تنظیم شده است- پیشبرد توسعه ی الگوریتم‌های ردیابی و فعال کردن معیارهای قابل تعمیم است.
همراه با ویژگی‌های کیفیت تصویر، داده‌ها را در یک برنامه ی وب تعاملی، گرد هم می‌آوریم که کاربران و توسعه‌دهندگان را قادر میکند تجزیه و تحلیل مؤلفه‌های اصلی، جاسازی تصادفی توزیع‌شده، همبستگی و خوشه‌بندی، تجسم داده‌های تصویربرداری و ردیابی، و معیار الگوریتم‌های ردیابی خودکار را انجام دهند.
در زیر مجموعه داده های تعریف شده توسط کاربر، معیارهای کیفیت تصویر و واریانس داده ها را توضیح می دهد و به دنبال آن ویژگی های عصبی مورفولوژیکی مربوط به اندازه نورون، قرار دارند.
مشاهده کردیم الگوریتم‌های متنوع، می‌تواند اطلاعات تکمیلی را برای به دست آوردن نتایج دقیق ارائه دهد و روشی را برای ترکیب تکراری روش‌ها و ایجاد بازسازی‌های توافقی ایجاد کند.
شجره های به‌دست‌آمده، تخمین‌هایی از حقیقت پایه ی ساختار نورون ارائه میدهد که معمولاً از الگوریتم‌های منفرد در مجموعه داده‌های پر سر و صدا، بهتر عمل می‌کند.
با این حال، الگوریتم‌های خاص، ممکن است از استراتژی شجره ای consensus tree strategy در شرایط تصویربرداری خاص، بهتر عمل کند.
در نهایت، برای کمک به کاربران در پیش‌بینی دقیق‌ترین نتایج خودکار ردیابی، بدون حاشیه‌نویسی دستی برای مقایسه، از رگرسیون ماشین بردار پشتیبانی vector machine regression برای پیش‌بینی کیفیت بازسازی با توجه به حجم تصویر و مجموعه‌ای از ردیابی‌های خودکار استفاده کردیم.
داده ها و تحلیل بیشتر با کمک هوش مصنوعی، در زمینه ها و علوم مختلف، قابل استفاده است. نتیجه گیری با داده های بیشتر و تحلیل قدرتمندتر، نتیجه را به حقیقت نزدیکتر خواهد کرد ولی براساس یافته های دانشمندان، همیشه جایی از عدم قطعیت در نتایج حاصل از علم، وجود خواهد داشت.
نقص استقرای ناقصو تحلیل و تصویرسازی از حقیقت- که با مشاهده ی اجزا حاصل میشود- با داده ها و قدرت تحلیل بیشتر، کاسته میشود ولی هرچقدر هم این نقص، کاهش یابد جایی برای ناشناخته ها وجود دارد. علمی که جهلی در آن نیست، فقط خداست نه علم دانشمندان.
https://neurosciencenews.com/bigneuron-revolutionizing.../
برخی توضیحات دکتر سلمان فاطمی نورولوژیست در اصفهان