رمزگشایی و درک فعالیت مغز برای انسان بیش از حد پیچیده است اما شاید ماشین‌ها و هوش مصنوعی بتوانند مغز ما را رمزگشایی کنند. با رمزگشایی فعالیت‌های مغزی آیا می‌توان تنها از روی اسکن مغز تصویر یا فیلمی که فرد دیده را بازسازی کرد؟ یا می‌توان نقاشی مشهوری که فرد در ذهن دارد را پیش بینی کرد؟ برای دانستن پاسخ با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

در طول چند سال گذشته، آزمایشگاه علوم اعصاب Jack Gallant، رشته‌ای از مقالات را منتشر کرده است که پوچ و مضحک نامیده می‌شوند. در سال ۲۰۱۱، این آزمایشگاه نشان داد این امکان وجود دارد که کلیپ‌های فیلم را تنها با خواندن فعالیت مغز افراد حین تماشای فیلم‌ها بازسازی کرد. به طور مشابه در سال ۲۰۱۵، گروهی از دانشمندان Gallant نقاشی‌های معروف افراد که در ذهنشان شکل می‌گیرد را با مشاهده فعالیت‌های مغز آنها پیش‌بینی کردند.

این گروه در سال جاری در نشریه Nature اعلام کردند که یک اطلس از ۱۰،۰۰۰ کلمه که به صورت مجزا در مغز قرار دارد، ایجاد کردند. آنها این اطلس را تنها با داشتن شرکت کنندگانی که به پادکست‌ها گوش می‌دادند، بوجود آوردند. اما چگونه همه این‌ کارها را انجام دادند؟ با استفاده از ابزارهای یادگیری ماشین (نوعی هوش مصنوعی) برای استخراج مجموعه‌ای عظیم از داده‌های مغزی و پیدا کردن الگوهای فعالیت مغز که ادراک ما را پیش‎بینی می‌کند.

در اینجا هدف این نیست که یک دستگاه برای خواندن ذهن ایجاد کنیم. دانشمندان علوم اعصاب علاقه‌مند به سرقت گذرواژه‌ها و یا تاریک‌ترین اسرار شما نیستند. هدف واقعی خیلی بزرگتر است. با تبدیل علوم اعصاب به علم داده‌های بزرگ (Big Data) و استفاده از یادگیری ماشین برای به دست آوردن این داده‌ها، توانایی ایجاد انقلابی در درک ما از مغز وجود خواهد داشت.

مغز انسان پیچیده‌ترین چیزی است که ما تاکنون در جهان شناخته‌ایم. ایده دیوانه‌وار آزمایشگاه Gallant این است که شاید ما باید ماشین‌هایی بسازیم که بتوانند مغز را به ما بشناسانند. اگر ما بتوانیم الگوهای پیچیده مغز را رمزگشایی کنیم، امکان درمان بیماری‌های مغزی نیز وجود خواهد داشت.

تصویربرداری از مغز

fMRI ابزار اصلی ما برای تجزیه و تحلیل عملکرد مغز و آناتومی آن است. این روش تنها دیدی محدود به ما می‌دهد. کوچکترین واحد فعالیت مغز که fMRI می‌تواند آن را تشخیص دهد وکسل (voxel) نامیده میشود. معمولاً این واژگان کوچکتر از یک میلیمتر مکعب است. و در یک وکسل ممکن است ۱۰۰،۰۰۰ نورون وجود داشته باشد. همانطور که Tal Yarkoni، دانش آموختۀ دانشگاه تگزاس گفته است: fMRI شبیه پرواز برفراز یک شهر و دیدن جایی است که چراغ‌های آن روشن است.

تصاویر fMRI سنتی می‌توانند مناطق وسیعی برای یک رفتار حیاتی را نشان دهد. برای نمونه می‌توانید ناحیه‌ای که در آن احساسات منفی پردازش می‌شود یا مناطقی را که وقتی یک چهره آشنا می‌بینیم، فعال می‌شود را تشخیص دهیم.

اما دقیقا نمیدانیم که نقش این ناحیه در رفتاری خاص چیست یا اینکه دیگر مناطق کمتر فعال نیز نقش مهمی ایفا می‌کنند یا خیر. مغز همچون یک مجموعه لگو نیست که هر قسمت عملکردی خاص داشته باشد. Gallant می‌گوید: «هر ناحیه از مغز با احتمال ۵۰ درصد به هر قسمت دیگری از مغز متصل است». به همین دلیل است که آزمایش‌های ساده برای شناسایی ناحیه گرسنگی یا ناحیه هوشیاری مغز نمی‌تواند نتیجه‌های رضایت بخشی به همراه داشته باشد.

Peter Bandettini ، رئیس بخش روش‌های fMRI در مؤسسه ملی سلامت ذهن گفت: «طی ۱۵ سال گذشته، ما به دنبال بخش‌های مربوط به هر فعالیت بودیم و اکنون تمام اطلاعاتی که در اختیار داریم، تنها همین بخش‌ها است. هر گونه تغییر در یکی از این بخش‌ها نشان دهنده کاری است که مغز انجام می‌دهد که ما هنوز درک درستی از آن نداریم. به همین دلیل ما به روش‌های یادگیری ماشین نیاز داریم. چشم ما ناحیه‌ها را می‌بیند، اما الگوها را نمی‌بینیم. الگوها بسیار پیچیده هستند».

یک نمونه ساده از دیدگاه سنتی در مورد اینکه چگونه مغز زبان را پردازش می‌کند، این است که در نیمکره چپ رخ می‌دهد و دو منطقه خاص (منطقه Broca و ناحیه Wernicke) مراکز فعالیت زبان هستند. اگر این مناطق آسیب دیده باشند، نمی‌توانیم زبان خود را به کار گیریم.

اما Alex Huth از آزمایشگاه Gallant اخیراً نشان داد که این یک درک ساده است. Huth قصد داشت بداند که کل مغز چگونه در درک زبان دخیل هستند. وی در یک آزمایش چندین شرکت کننده داشت که به مدت دو ساعت به پادکست The Moth گوش می‌دادند. در همین حین Huth و همکارانش فعالیت مغز شرکت کنندگان را با اسکنرهای fMRI ثبت کردند. هدف این بود که نواحی فعالیت مغز را با شنیدن واژگان مجزا مشخص کنند.

Gallant می‌گوید مقدار بسیار زیادی داده تولید می‌شود، بیش از هر مقداری که انسان می‌تواند با آن برخورد کند. اما یک برنامه کامپیوتری که برای بررسی الگوها آموزش دیده است، می‌تواند آنها را پردازش کند. برنامه‌ای که Huth طراحی کرده بود قادر به نشان دادن یک اطلس از کلمات مجزا است که در مغز زندگی می‌کنند.

Gallant می‌گوید: «مطالعه Alex نشان داد که بخش‌های بزرگی از مغز در درک معنایی دخالت دارند». او همچنین نشان داد که کلمات با معانی مشابه در مغز در نزدیکی یکدیگر واقع شده‌اند.

چنین پروژه‌ای چه اهمیتی دارد؟ در علم، پیش بینی، قدرت است. اگر دانشمندان بتوانند طغیان گیج کننده فعالیت مغز برای درک زبان را پیش‌بینی کنند پس می‌توانند مدلی از چگونگی فعالیت مغز ایجاد کنند. با این مدل می‌توانند بهتر درک کنند که چه زمانی متغیرها تغییر می‌کنند و درواقع مغز بیمار می‌شود.

یادگیری ماشین چیست؟

یادگیری ماشین یک اصطلاح گسترده است که شامل آرایه عظیمی از نرم‌افزارها می‌شود. فناوری یادگیری ماشین به سرعت در حال پیشرفت است. برای نمونه یادگیری شناسایی نحوه دیدن اشیاء در تصاویر در سطوح نزدیک به انسان. سرویس ترجمه گوگل با استفاده از یک روش یادگیری ماشین به نام «یادگیری عمیق»، از یک ابزار ترجمه اغلب طنز آمیز به یک ماشین که می‌تواند به چندین زبان با شیوه‌ای رقابتی ترجمه کند، تبدیل شده است.

برنامه‌های یادگیری ماشین در ابتدایی‌ترین سطح در جست و جوی الگوها هستند. برنامه‌های یادگیری ماشین باید ابتدا بر روی داده‌ها آموزش داده شوند. این برنامه‌ها در روند آموزش، الگوی داده‌ها را دنبال می‌کنند. داده‌های آموزشی بیشتر، معمولاً موجب دقیق‌تر شدن برنامه‌ها می‌شود. پس از آموزش، برنامه‌های یادگیری ماشین به مجموعه‌های جدیدی از اطلاعاتی که هرگز قبل از آن دیده نشده‌اند، داده می‌شود. آنها می‌توانند پیش بینی‌های خود را با آن مجموعه‌های جدید آغاز کنند.

یک نمونه ساده و خوب فیلتر هرزنامه (spam) ایمیل است. برنامه‌های یادگیری ماشین به اندازه کافی ایمیل‌های ناخواسته را اسکن و الگوهای زبانی موجود در آنها را شناسایی کرده‌اند تا بتوانند زمانی که یک هرزنامه را در یک ایمیل جدید مشاهده می‌کنند آن را تشخیص دهند.

یادگیری ماشین می‌تواند برنامه‌های بسیار ساده‌ای باشد که فقط رگرسیون‌های ریاضی را محاسبه می‌کند. یا این که می‌تواند همچون  DeepMind گوگل باشد که با میلیون‌ها داده تغذیه می‌شود. به همین دلیل گوگل توانست یک رایانه برای غلبه بر انسان در Go ایجاد کند. Go یک بازی بسیار پیچیده است که قطعات آن پیکربندی‌های بیشتری نسبت به اتم‌های موجود در جهان داشته است.

دانشمندان علوم اعصاب در حال استفاده از یادگیری ماشین برای چندین هدف مختلف هستند. در اینجا دو اصل اساسی وجود دارد: رمزگذاری و رمزگشایی. یادگیری ماشین با رمزگذاری تلاش می‌کند الگوی فعالیت مغز را که یک محرک بوجود خواهد آورد پیش‌بینی کند. رمزگشایی کاملاً معکوس است: به مناطق فعالیت مغز نگاه و آنچه که شرکت کنندگان به دنبال آن هستند را پیش بینی می‌کند. دانشمندان علوم اعصاب افزون بر fMRI می‌توانند از انواع دیگر اسکن مغز همچون EEG و MEGS در یادگیری ماشین استفاده کنند.

بازسازی چهره با رمزگشایی مغز

Brice Kuhl ، یک دانشمند علوم اعصاب در دانشگاه Oregon، اخیراً از رمزگشایی اطلاعات fMRI برای بازسازی چهره‌هایی که شرکت کنندگان به آن نگاه کرده‌اند بهره برده است. هدف Kuhl مناطقی از مغز بود که با خاطرات مرتبط هستند. این که برنامه یادگیری ماشین می‌تواند ویژگی‌های صورت را از فعالیت مغز در آن منطقه پیش‌بینی کند، نشان می‌دهد که در این بخش اطلاعات مربوط به جزئیات آنچه که شما دیده‌اید وجود دارد.

ردیف بالا، چهره اصلی است. دو ردیف دوم حدس‌ها بر اساس فعالیت در دو منطقه مختلف مغز است. بازسازی‌ها به مراتب کامل نیستند، اما جزئیات اصلی چهره‌ها را انتقال می‌دهند. مجله Neuroscience

یادگیری ماشین هنوز به طور چشمگیری پیچیده نیست. دلیل اصلی این است که آنها اطلاعات کافی ندارند. اسکن مغز زمان و هزینه بسیار زیادی صرف می‌کند و پژوهش‌ها معمولاً از چندین شرکت کننده استفاده می‌کنند، نه چند هزار نفر.

بیشتر بخوانید:

>>دارپا قصد دارد رابط های مغزی را روی سربازان توانمند بکار برد!

>>چرا یادگیری عمیق با یادگیری ماشینی متفاوت است؟

منبع: vox.com

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»