भारतीय विज्ञान संस्थान (आईआईएससी) के शोधकर्ताओं द्वारा विकसित एक नई ग्राफिक्स प्रोसेसिंग यूनिट (जीपीयू) आधारित मशीन लर्निंग एल्गोरिदम वैज्ञानिकों को मस्तिष्क के विभिन्न क्षेत्रों के बीच कनेक्टिविटी को बेहतर ढंग से समझने और भविष्यवाणी करने में मदद कर सकता है। रेगुलराइज्ड, एक्सेलेरेटेड, लीनियर फासिकल इवैल्यूएशन या रीयल-लाइफ नामक एल्गोरिथम मानव मस्तिष्क के डिफ्यूजन मैग्नेटिक रेजोनेंस इमेजिंग (डीएमआरआई) स्कैन से उत्पन्न भारी मात्रा में डेटा का तेजी से विश्लेषण कर सकता है।
27 जून, 2022 को जारी आईआईएससी प्रेस विज्ञप्ति के अनुसार, रीयल-लाइफ का उपयोग करते हुए, टीम मौजूदा अत्याधुनिक एल्गोरिदम की तुलना में डीएमआरआई डेटा का 150 गुना तेजी से मूल्यांकन करने में सक्षम थी।
सेंटर फॉर न्यूरोसाइंस (सीएनएस), आईआईएससी के एसोसिएट प्रोफेसर देवराजन श्रीधरन और ‘नेचर कम्प्यूटेशनल साइंस’ पत्रिका में प्रकाशित अध्ययन के संबंधित लेखक, देवराजन श्रीधरन ने कहा कि जिन कार्यों में पहले घंटों से लेकर दिनों तक का समय लगता था, उन्हें सेकंड से मिनटों में पूरा किया जा सकता है।
सीएनएस में पीएचडी छात्र और अध्ययन के पहले लेखक वर्षा श्रीनिवासन ने कहा, मस्तिष्क-व्यवहार संबंधों को बड़े पैमाने पर उजागर करने के लिए मस्तिष्क कनेक्टिविटी को समझना महत्वपूर्ण है। हालांकि, मस्तिष्क कनेक्टिविटी का अध्ययन करने के लिए पारंपरिक दृष्टिकोण आमतौर पर पशु मॉडल का उपयोग करते हैं, और आक्रामक होते हैं। दूसरी ओर, डीएमआरआई स्कैन, मनुष्यों में मस्तिष्क की कनेक्टिविटी का अध्ययन करने के लिए एक गैर-आक्रामक विधि प्रदान करता है।
वैज्ञानिकों ने पहले इस अनुकूलन को अंजाम देने के लिए जिंदगी (लीनियर फास्किकल इवैल्यूएशन) नामक एक एल्गोरिथम विकसित किया था, लेकिन इसकी एक चुनौती यह थी कि यह पारंपरिक सेंट्रल प्रोसेसिंग यूनिट्स पर काम करता था, जिससे गणना में समय लगता था। नए अध्ययन में, श्रीधरन की टीम ने अनावश्यक कनेक्शनों को हटाने सहित कई तरीकों से शामिल कम्प्यूटेशनल प्रयास को कम करने के लिए अपने एल्गोरिदम को बदल दिया, जिससे एलआईएफई के प्रदर्शन में काफी सुधार हुआ।
एल्गोरिथम को और तेज करने के लिए, टीम ने इसे विशेष इलेक्ट्रॉनिक चिप्स पर काम करने के लिए फिर से डिजाइन किया, जो ग्राफिक्स प्रोसेसिंग यूनिट्स (जीपीयू) नामक हाई-एंड गेमिंग कंप्यूटरों में पाया जाता है, जिससे उन्हें पिछले दृष्टिकोणों की तुलना में 100-150 गुना तेज गति से डेटा का विश्लेषण करने में मदद मिली।
यह बेहतर एल्गोरिथम, रीयल-लाइफ, यह भी अनुमान लगाने में सक्षम था कि एक मानव परीक्षण विषय कैसे व्यवहार करेगा या एक विशिष्ट कार्य करेगा। दूसरे शब्दों में, प्रत्येक व्यक्ति के लिए एल्गोरिदम द्वारा अनुमानित कनेक्शन ताकत का उपयोग करके, टीम 200 प्रतिभागियों के समूह में व्यवहार और संज्ञानात्मक परीक्षण स्कोर में भिन्नताओं को समझाने में सक्षम थी।
इस तरह के विश्लेषण में चिकित्सा अनुप्रयोग भी हो सकते हैं। श्रीनिवासन कहते हैं, बड़े पैमाने पर डेटा प्रोसेसिंग बड़े डेटा न्यूरोसाइंस अनुप्रयोगों के लिए तेजी से जरूरी होता जा रहा है। उन्होंने कहा कि उनका जीपीयू – आधारित कार्यान्वयन बहुत सामान्य है, और इसका उपयोग कई अन्य क्षेत्रों में अनुकूलन समस्याओं से निपटने के लिए भी किया जा सकता है।
फोटो क्रेडिट : https://www.telegraph.co.uk/multimedia/archive/02703/CRW0K4-brain_2703713b.jpg
