Neurologijos ir biomedicinos inžinerijos srityse tikslus sudėtingų žmogaus rankos judesių modeliavimas jau seniai buvo didelis iššūkis.
Dabartiniai modeliai dažnai stengiasi užfiksuoti sudėtingą sąveiką tarp smegenų motorinių komandų ir fizinių raumenų bei sausgyslių veiksmų. Šis atotrūkis ne tik trukdo mokslo pažangai, bet ir riboja veiksmingų neuroprotezų, skirtų atkurti rankų funkciją tiems, kurie prarado galūnes ar paralyžiuoja, kūrimą.
EPFL profesorius Alexanderis Mathisas ir jo komanda sukūrė AI pagrįstą metodą, kuris žymiai pagerina mūsų supratimą apie šias sudėtingas motorines funkcijas. Komanda naudojo kūrybinę mašininio mokymosi strategiją, kuri sujungė mokymo programa pagrįstą mokymąsi su išsamiais biomechaniniais modeliavimais.
Mathiso tyrime pateikiamas išsamus, dinamiškas ir anatomiškai tikslus rankų judėjimo modelis, kuris tiesiogiai įkvėptas iš to, kaip žmonės mokosi sudėtingų motorinių įgūdžių. Šis tyrimas ne tik laimėjo MyoChallenge 2022 m. NeurIPS konferencijoje, bet ir rezultatai buvo paskelbti žurnale Neuronas.
Praktiškai valdo Baoding kamuoliukus
„Mane labiausiai jaudina šis tyrimas yra tai, kad mes gilinamės į pagrindinius žmogaus motorikos valdymo principus – tai, kas taip ilgai buvo paslaptis. Mes ne tik kuriame modelius, bet ir atskleidžiame pagrindinę mechaniką, kaip smegenys ir raumenys dirba kartu“, – sako Mathisas.
Meta NeurIPS iššūkis paskatino EPFL komandą rasti naują požiūrį į dirbtinio intelekto techniką, žinomą kaip sustiprinimo mokymasis.
Užduotis buvo sukurti dirbtinį intelektą, kuris tiksliai manipuliuoja dviem Baodingo kamuoliukais – kiekvieną labai koordinuotai valdo 39 raumenys. Šią iš pažiūros paprastą užduotį nepaprastai sunku atkartoti virtualiai, atsižvelgiant į sudėtingą rankų judesių dinamiką, įskaitant raumenų sinchronizavimą ir pusiausvyros palaikymą.
Šioje itin konkurencingoje aplinkoje trys absolventai – Alberto Chiappa iš Alexanderio Mathiso grupės, Pablo Tano ir Nisheet Patel iš Alexandre'o Pouget grupės Ženevos universitete – gerokai pralenkė savo varžovus.
Pirmajame konkurso etape jų dirbtinio intelekto modelis pasiekė 100% sėkmės rodiklį, aplenkdamas artimiausią konkurentą. Net sudėtingesnėje antrojoje fazėje jų modelis pademonstravo savo jėgą vis sunkesnėse situacijose ir išlaikė pranašumą laimėdamas konkursą.
Suskaidykite užduotis į mažesnes dalis ir pakartokite
„Norėdami laimėti, įkvėpimo sėmėmės iš to, kaip žmonės įgyja sudėtingų įgūdžių procese, vadinamame visapusišku sporto mokslo mokymu“, – sako Mathisas. Šis požiūris į visą dalį įkvėpė mokymo programos mokymosi metodą, naudojamą AI modelyje, kai sudėtinga rankų judesių valdymo užduotis buvo suskirstyta į mažesnes, valdomas dalis.
„Siekdami įveikti dabartinių mašininio mokymosi modelių apribojimus, taikėme metodą, vadinamą mokymosi turiniu. Po 32 etapų ir beveik 400 mokymo valandų sėkmingai išmokėme neuroninį tinklą, kad būtų galima tiksliai valdyti tikrovišką žmogaus rankos modelį”, – sako Chiappa.
Pagrindinė modelio sėkmės priežastis yra jo gebėjimas atpažinti ir naudoti pagrindinius, pasikartojančius judesių modelius, vadinamus motoriniais primityvais. Įdomiu moksliniu posūkiu šis požiūris į mokymosi elgesį gali informuoti neuromokslą apie smegenų vaidmenį nustatant, kaip motoriniai primityvai išmoksta atlikti naujas užduotis.
Ši sudėtinga smegenų ir raumenų manipuliavimo sąveika rodo, koks sunkus gali būti sukurti mašinas ir protezus, kurie iš tikrųjų imituoja žmogaus judėjimą.
„Jums reikia didelio judėjimo laipsnio ir modelio, panašaus į žmogaus smegenis, kad galėtumėte atlikti įvairias kasdienes užduotis. Net jei kiekvieną užduotį galima suskirstyti į mažesnes dalis, kiekvienai užduočiai reikia skirtingo šių motorinių primityvų rinkinio, kad būtų gerai atlikta. “, – sako Mathis.
DI panaudojimas tiriant ir suprantant biologines sistemas
Silvestro Micera, pirmaujantis EPFL Neuro X instituto neuroprotezavimo tyrėjas ir bendradarbis su Mathisu, pabrėžia itin didelę šio tyrimo svarbą siekiant suprasti net pažangiausio protezavimo ateities potencialą ir dabartines ribas.
„Šiuo metu mums labai trūksta gilesnio supratimo, kaip pasiekiamas pirštų judėjimas ir variklio valdymas. Šis darbas vyksta būtent šia labai svarbia kryptimi”, – pažymi Micera.
„Mes žinome, kaip svarbu prijungti protezą prie nervų sistemos, ir šis tyrimas suteikia mums tvirtą mokslinį pagrindą, kuris sustiprina mūsų strategiją.”