شرکت متا یک بستر هوش مصنوعی به نام MyoSuite ایجاد کرده است که از یادگیری ماشینی (ML) و یکپارچه کردن هوش حرکتی و عصبی برای حل مشکلات کنترلی بیومکانیکی استفاده میکند. مدل‌های اسکلتی عضلانی در MyoSuite تا ۴۰۰۰ برابر سریع‌تر از سایر شبیه‌سازها است.
این پژوهش تأثیر قابل توجهی در زمینه‌هایی همچون توسعه پروتز و توانبخشی پس از آسیب دارد، زیرا ما می‌توانیم حرکات فیزیولوژیکی واقعی مانند چرخاندن خودکار یا کلید در دست را با جزئیات کامل ایجاد کنیم. همچنین این مدل‌ها به توسعه‌دهندگان کمک میکند تا آواتارهایی واقعی‌تر بسازند. با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.
MyoSuite چیست؟
هرچه ارگانیسم باهوش‌تر باشد، رفتار حرکتی آن پیچیده‌تر است. پس یک پرسش مهم که باید در نظر گرفت این است: چه چیزی چنین تصمیم‌گیری و کنترل حرکتی پیچیده‌ای را قادر می‌سازد تا آن تصمیمات را اجرا کند؟ برای بررسی این پرسش، متا MyoSuite را توسعه داده است: مجموعه‌ای از مدل‌ها و وظایف اسکلتی عضلانی که استفاده از یادگیری ماشینی را برای حل مشکلات کنترلی بیومکانیکی ممکن می‌سازد. MyoSuite دو جنبه هوش را یکی میکند: حرکتی و عصبی. متا در حال انتشار MyoSuite و مجموعه‌ای متن باز از معیارهای جامع برای جامعه‌ی یادگیری ماشینی است تا امکان ادامه پژوهش‌ها در این زمینه فراهم شود.
بیومکانیک انسان یک سیستم اسکلتی عضلانی چند مفصلی و چند محرکی پیچیده است: یک انقباض عضلانی می‌تواند چندین مفصل را خم کند و هر حرکت مفصل توسط چندین ماهیچه کنترل میشود (تصویر زیر را ببینید). تولید و بیان رفتارهای هوشمند در چنین سیستم بیومکانیکی پیچیده‌ای مستلزم هماهنگی مؤثر میان سیستم عصبی مرکزی، جایی که تصمیمات توسط شبکه‌های میلیاردها نورون تولید می‌شوند و سیستم اسکلتی عضلانی محیطی است، که این نیات را به اعمال تبدیل میکند.
حوزه هوش مصنوعی به دنبال تقلید رفتارهای هوشمند از طریق ساختارهای عصبی یا شبکه‌های عصبی بوده است. در همان زمان، و به طور مستقل، جامعه بیومکانیک در حال توسعه سیستم‌های اسکلتی عضلانی از طریق مطالعات in-vivo و ex-vivo برای درک تحریک محیطی بوده است. با MyoSuite، ما در حال پیشرفت به سمت کشف جزئیات کنترل حسی و حرکتی هستیم که به سیگنال‌های حس عمقی متنوع متکی است؛ برای هماهنگ کردن کنترل حرکتی تمام بدن که برای نشان دادن رفتارهای هوشمند در تعاملات لازم است.
مدل‌های اسکلتی عضلانی فیزیولوژیکی واقعی در MyoSuite نسبت به مدل‌های موجود از نظر محاسباتی کارآمدتر و مقیاس‌پذیرتر هستند. این به ما اجازه می‌دهد تا بسیاری از ماهیچه‌های بدن انسان را شبیه‌سازی کنیم. در نهایت، ما چند مورد از پیچیده‌ترین رفتارهای کنترل حرکتی را توسعه دادیم و حل کردیم که پیش از این انجام نشده بود. از جمله چرخاندن خودکار در دست یا چرخاندن کلید و پیشرفت چشمگیری در کارهای چالش برانگیز مانند در دست گرفتن همزمان دو توپ بائودینگ. اکنون که می‌توانیم حرکات واقعی فیزیولوژیکی را با جزئیات کامل ایجاد کنیم، پیش‌بینی می‌کنیم که این نتایج منجر به پیشرفت در مشکلات پیچیده دنیای واقعی مانند توانبخشی، پروتز و ارگونومی شود.
استفاده از یادگیری ماشینی در کنترل حرکتی اسکلتی عضلانی
مدل‌های مدرن یادگیری ماشینی به حل مسائل پیچیده با ابعاد بالا مانند Alphago یا MuZero کمک می‌کنند، جایی که راه‌کارهای تحلیلی با فرم بسته جوابگو نیست. الگوریتم‌های یادگیری ماشینی از داده‌ها و مقیاس‌پذیری محاسبات برای تکامل راه‌کارها استفاده می‌کنند. اما این الگوریتم‌ها به ندرت برای بررسی موقعیت‌های پیچیده کنترل حرکتی مانند کنترل اسکلتی عضلانی استفاده می‌شوند. چرا؟
در حالی که چارچوب‌های درون‌رایانه‌ای (یا in-silico) موجود مانند OpenSim حاوی مدل‌های اسکلتی عضلانی با جزئیات فیزیولوژیکی هستند، اما فاقد قابلیت تعامل پیچیده با دنیای فیزیکی خارج از بدن عامل هستند. این چارچوب‌های موجود نه وظایف حرکتی پیچیده و ماهرانه را تفسیر می‌کنند و نه از نظر محاسباتی مؤثر یا مقیاس‌پذیر هستند تا نیازهای داده‌ای الگوریتم‌های یادگیری ماشینی را برآورده کنند. MyoSuite این شکاف‌ها را پر میکند.
MyoSuite، اکوسیستمی برای کنترل حرکتی اسکلتی عضلانی
MyoSuite از ابتدا به عنوان یک بستر جامع برای بررسی جزئیات فیزیولوژیکی کنترل حرکتی اسکلتی عضلانی طراحی شده است. اکوسیستم MyoSuite شامل مجموعه‌ای جامع از مدل‌های اسکلتی عضلانی به خوبی تنظیم شده و از نظر فیزیولوژیکی دقیق است که از پویایی زمانی اسکلتی عضلانی پشتیبانی میکند، مانند خستگی عضلانی یا سارکوپنی، ورفتارهایی که با چالش‌های حرکتی واقعی همسو هستند را نشان می‌دهد؛ مانند کارهای روزمره، توانبخشی پس از آسیب و کمک پروتز و اسکلت بیرونی.
مفاهیم دنیای واقعی
MyoSuite نه تنها می‌تواند رفتارها را ترکیب کند، بلکه بستری جامع است که می‌تواند در زندگی واقعی کاربرد داشته باشد مانند توانبخشی، جراحی و دستگاه‌های کمکی.
بیایید آسیب پارگی تاندون را در نظر بگیریم. نخست، MyoSuite می‌تواند به راحتی جراحی انتقال تاندون را مدل‌سازی کند، روشی شناخته شده برای بازیابی عملکرد به دلیل پارگی تاندون. MyoSuite همچنین توانایی شبیه‌سازی نتیجه را از نظر تحرک، پس از یک جراحی معین و تأثیر آن بر توانبخشی عملکردی قسمت‌های آسیب دیده، پس از عمل جراحی را دارد. مدل‌های MyoSuite همچنین می‌توانند با برجسته کردن الگوهای فعال‌سازی و گروه‌های عضلانی، به استفاده از طرح‌های پشتیبانی آتل و روش‌های توانبخشی کمک کنند.
مشابه شیوه تبدیل شدن Pytorch به بستری عملی برای تصمیم‌گیری عصبی، ما امیدواریم که MyoSuite به بستری بالفعل برای یکپارچه‌سازی هوش حرکتی و عصبی تبدیل شود. اگرچه پیشرفت کرده‌ایم، اما به سختی از پتانسیل MyoSuite استفاده می‌کنیم. با گذشت زمان، MyoSuite در آرزوی تبدیل شدن به بستری بالفعل برای زمینه‌ها و حوزه‌های مختلف با تمرکز بر راه‌کارهای مبتنی بر هوش مصنوعی است که از کنترل حرکتی اسکلتی عضلانی استفاده میکند.
اکنون MyoSuite قادر به شبیه‌سازی‌های فیزیولوژیکی واقعی از آناتومی بازو و دست انسان است. این مدل‌ها در مجموعه‌ای از وظایف تعبیه شده‌اند که فراتر از آن چیزی است که حوزه بیومکانیک در حال حاضر قادر به انجام آن است. همچنین متا مجموعه‌ای از معیارهای جامع را برای جامعه یادگیری ماشینی به‌صورت متن باز تهیه کرده است که بالاتر از معیارهای موجود در این زمینه هستند. این به جامعه اجازه می‌دهد تا از مجموعه بزرگتری از مدل‌های مرجع برای مقایسه راه‌کارهای مختلف مبتنی بر داده استفاده کند.
>> هوش مصنوعی چگونه موجب بهبود زندگی معلولان میشود؟
منبع: tech.fb.com
«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»
