با شات ایکس همیشه در فناوری بروز باشید
کنترل اشیاء با ذهن بدون نیاز به کاشت تراشه در مغز
عکس : کنترل اشیاء با ذهن

با رابط‌های مغز و رایانه غیرتهاجمی، ممکن است نیازی به کاشت تراشه در مغز نباشد و افراد بتوانند بهترین استفاده از این فناوری را بکنند و هوشمندتر به نظر برسند.

به گزارش سرویس اخبار هوش مصنوعی سایت شات ایکس و به نقل از ایسنا همه مردم ایده داشتن یک تراشه هوشمند در مغز خود را دوست ندارند. با این حال، این بدان معنا نیست که چنین افرادی نمی‌توانند آنچه را که فردی با تراشه مغزی هوشمند می‌تواند به دست آورد، انجام دهند. به نقل از آی‌ای، پژوهشگران دانشگاه کارنگی ملون(CMU) به تازگی نشان داده‌اند که یک رابط مغز و رایانه غیرتهاجمی با هوش مصنوعی(BCI) می‌تواند به فرد اجازه دهد یک شی متحرک را روی صفحه نمایش تنها با فکر کردن به آن ردیابی کند. تراشه‌های مغزی که شرکت نورالینک(Neuralink) ایلان ماسک و شرکت سینکرون(Synchron) تحت حمایت بیل گیتس و بسیاری دیگر از شرکت‌ها وعده داده‌اند به دو دسته تقسیم می‌شوند: تهاجمی و کم تهاجمی. این بدان معناست که چنین وسایلی یا مستقیما در داخل مغز یا داخل جمجمه کاشته می‌شوند. مردم نگرانی‌های زیادی در مورد استفاده از چنین رابط‌های تهاجمی دارند. برای مثال اینکه اگر مغز یا جمجمه‌شان در طول فرآیند کاشت تراشه آسیب ببیند، چه اتفاقی می‌افتد، اگر تراشه فردی هک شود، چه خواهد شد یا چگونه این تراشه در درازمدت بر سلامت مغز آنها تأثیر می‌گذارد. چه تضمینی وجود دارد که سازندگان تراشه از داده‌های عصبی فرد سوء استفاده نکنند. اینجاست که رابط‌های مغز و رایانه غیرتهاجمی مانند آنچه محققان در مطالعه خود نشان دادند، می تواند تفاوت بزرگی ایجاد کند. رابط‌های مغز و رایانه غیرتهاجمی، برخلاف نمونه‌های تهاجمی خود مانند نورالینک یا سینکرون مزایای زیادی دارند. محققان خاطرنشان می‌کنند که این موارد شامل افزایش ایمنی، مقرون به صرفه بودن و توانایی استفاده توسط بیماران متعدد و همچنین جمعیت عمومی است.

یادگیری عمیق باعث می‌شود رابط‌های مغز و رایانه غیرتهاجمی جادویی عمل کنند

مشکل رابط‌های غیر تهاجمی معمولی این است که به اندازه رابط‌های تهاجمی دقیق نیستند. آنها با استفاده از حسگرهای خارجی که در تماس مستقیم با بافت‌های مغز نیستند، داده‌ها را جمع‌آوری می‌کنند و هرگونه اختلال در محیط اطراف کاربر می‌تواند بر عملکرد آنها تأثیر بگذارد.

به گفته محققان، شبکه‌های عصبی عمیق مبتنی بر هوش مصنوعی می‌توانند این مشکل را حل کنند. آنها از شبکه‌های عصبی مصنوعی که برای تشخیص چهره، تشخیص گفتار و کارهای ساده دیگر استفاده می‌شوند، پیشرفته‌تر هستند.

یک شبکه عصبی عمیق در مقایسه دارای لایه‌ها و گره‌های بیشتری است و بنابراین برای کارهای پیچیده‌تر استفاده می‌شود. آنها می‌توانند به یک رابط مغز و رایانه اجازه دهند تا نتایج دقیق را حتی از مجموعه داده‌های پیچیده و بزرگ با اعوجاج و نویز استخراج کند.

به عنوان مثال، در طول این مطالعه، ۲۸ شرکت‌کننده انسانی توانستند به طور مداوم یک شی را روی صفحه نمایش تنها با افکار خود حرکت دهند.

محققان رابط‌های مغز و رایانه غیرتهاجمی را به مغز خود متصل کردند. در همین حال، آنها از نوار مغز(EEG) برای ثبت فعالیت مغزی شرکت‌کنندگان استفاده کردند. داده‌های نوار مغزی برای آموزش یک شبکه عصبی عمیق مبتنی بر هوش مصنوعی استفاده شد.

نویسندگان مطالعه خاطرنشان کردند: این شبکه توانست مستقیما بفهمد که شرکت‌کنندگان تنها با تجزیه و تحلیل داده‌های حسگرهای رابط مغز و رایانه(BCI) با اشیایی که به طور مداوم در حال حرکت هستند، چه کاری انجام می‌دهند.



رابط‌های مغز و رایانه مجهز به هوش مصنوعی نیز می‌توانند ربات‌ها را بهبود بخشند

نتایج مطالعه حاضر نشان می‌دهد که در آینده، رابط‌های غیرتهاجمی با هوش مصنوعی می‌توانند به افراد در کنترل دستگاه‌های خارجی بدون استفاده از دست‌ها و عضلات کمک کنند.

این می‌تواند تعامل افراد با فناوری را آسان‌تر کند، به دانشمندان اجازه دهد تا عملکرد مغز انسان را با جزئیات کامل مطالعه کنند و کیفیت زندگی افراد دارای قطع عضو و ناتوانی را بهبود بخشد.

بین هه(Bin He)، یکی از نویسندگان این مطالعه و استاد مهندسی زیست پزشکی می‌گوید: ما در حال آزمایش بیشتر کاربرد آن نه تنها برای افراد دارای توانایی بدنی، بلکه همچنین بیماران سکته مغزی که از اختلالات حرکتی رنج می‌برند، هستیم.

با این حال، این اولین باری نیست که نویسندگان مطالعه پتانسیل رابط‌های غیر تهاجمی را نشان می‌دهند. در سال ۲۰۱۹، آنها از رویکرد مشابهی استفاده کردند و یک بازوی رباتیک کنترل شده توسط ذهن را قادر ساختند که مکان نمای ماوس را تعقیب کند.

آنها بر این باورند که رابط‌های غیرتهاجمی مبتنی بر هوش مصنوعی می‌توانند به توسعه دستگاه‌های رباتیک هوش مصنوعی و دستیارهای رباتیک بهتر منجر شوند.

این مطالعه در مجله PNAS Nexus منتشر شده است.

ارسال این خبر برای دوستان در شبکه های مجازی :
تلگرامواتساپایتاتوییترفیس بوکلینکدین