پیشرفت‌های نوین در مدل‌سازی هوش مصنوعی برای حرکات دست : گامی بزرگ به‌سوی توسعه پروتزهای عصبی پیشرفته
پیشرفت‌های نوین در مدل‌سازی هوش مصنوعی برای حرکات دست : گامی بزرگ به‌سوی توسعه پروتزهای عصبی پیشرفته
در زمینه علوم اعصاب و مهندسی زیست‌پزشکی، مدل‌سازی دقیق حرکات پیچیده دست انسان از دیرباز چالشی بزرگ به‌شمار می‌آمده است. مدل‌های فعلی اغلب در به تصویر کشیدن تعامل پیچیده بین فرمان‌های حرکتی مغز و حرکات فیزیکی عضلات و تاندون‌ها ناکام می‌مانند. این شکاف نه‌تنها پیشرفت علمی را محدود کرده، بلکه توسعه پروتزهای عصبی مؤثر را که برای بازگرداندن عملکرد دست در افراد با قطع عضو یا فلج ضروری است، با مشکل مواجه می‌کند.
پروفسور الکساندر ماتیاس از مؤسسه پلی‌تکنیک فدرال لوزان (EPFL) و تیم او با توسعه رویکردی مبتنی بر هوش مصنوعی، گام مهمی در درک ما از این عملکردهای حرکتی پیچیده برداشته‌اند. آن‌ها با استفاده از یک استراتژی خلاقانه در یادگیری ماشین، ترکیبی از یادگیری تقویتی بر مبنای برنامه‌ریزی مرحله‌ای و شبیه‌سازی‌های بیومکانیکی دقیق را به‌کار گرفتند.
این پژوهش، مدلی پویا، دقیق و آناتومیکی از حرکت دست را ارائه می‌دهد که از نحوه یادگیری مهارت‌های حرکتی پیچیده در انسان الهام گرفته شده است. این دستاورد نه‌تنها برنده چالش MyoChallenge در کنفرانس NeurIPS 2022 شد، بلکه نتایج آن در مجله علمی Neuron نیز منتشر شده است.
کنترل مجازی توپ‌های بادینگ
ماتیاس با اشاره به انگیزه و هیجانش از این تحقیق می‌گوید: “آنچه برای من در این پژوهش جذاب‌ترین است، این است که ما به اصول بنیادی کنترل حرکتی انسان پرداخته‌ایم – چیزی که مدت‌ها یک معما بوده است. ما فقط در حال ساخت مدل نیستیم؛ بلکه در حال کشف مکانیسم‌های اساسی هستیم که مغز و عضلات چگونه با هم همکاری می‌کنند.”
چالش NeurIPS که توسط شرکت Meta برگزار شد، تیم EPFL را به سمت رویکرد جدیدی در زمینه هوش مصنوعی به‌نام یادگیری تقویتی سوق داد. این چالش به تیم‌ها این وظیفه را داد که هوش مصنوعی‌ای طراحی کنند که بتواند با دقت دو توپ بادینگ را در دست کنترل کند، که هر توپ با ۳۹ عضله به‌طور هماهنگ حرکت داده می‌شود. این وظیفه به‌رغم سادگی ظاهری، بسیار دشوار است زیرا دینامیک پیچیده حرکات دست، از جمله هماهنگی عضلات و حفظ تعادل، در آن نقش دارد.
در این رقابت شدید، سه دانشجوی تحصیلات تکمیلی – آلبرتو چیپا از گروه الکساندر ماتیاس، پابلو تانو و نیشیت پاتل از گروه الکساندر پوجت در دانشگاه ژنو – با اختلاف قابل توجهی از سایر رقبا پیشی گرفتند. مدل هوش مصنوعی آن‌ها در مرحله اول رقابت با موفقیت ۱۰۰ درصدی به پایان رسید و حتی در مرحله دوم که دشواری بیشتری داشت، قدرت خود را در موقعیت‌های پیچیده‌تر حفظ کرده و به پیروزی نهایی رسید.
تقسیم وظایف به بخش‌های کوچک‌تر – و تکرار
ماتیاس درباره روش پیروزی تیم می‌گوید: “برای پیروزی، ما از روشی الهام گرفتیم که انسان‌ها برای یادگیری مهارت‌های پیچیده استفاده می‌کنند؛ روشی که در علوم ورزشی به‌عنوان ‘آموزش از جزء به کل’ شناخته می‌شود.” این رویکرد منجر به استفاده از روش یادگیری برنامه‌ریزی‌شده در مدل هوش مصنوعی شد، جایی که وظیفه پیچیده کنترل حرکات دست به بخش‌های کوچک‌تر و قابل مدیریت تقسیم شد.
آلبرتو چیپا در ادامه می‌افزاید: “برای غلبه بر محدودیت‌های مدل‌های یادگیری ماشین کنونی، ما از روشی به نام یادگیری برنامه‌ریزی‌شده استفاده کردیم. پس از ۳۲ مرحله و تقریباً ۴۰۰ ساعت آموزش، موفق شدیم شبکه عصبی‌ای را آموزش دهیم که یک مدل واقعی از دست انسان را با دقت کنترل کند.”
یکی از دلایل اصلی موفقیت این مدل، توانایی آن در تشخیص و استفاده از الگوهای حرکتی پایه، موسوم به “موتور پریمیتیوز” است. این رویکرد به‌عنوان یک پیچش علمی هیجان‌انگیز، می‌تواند به علوم اعصاب کمک کند تا نقش مغز در یادگیری این الگوهای حرکتی برای تسلط بر وظایف جدید را بهتر درک کند. این تعامل پیچیده بین مغز و کنترل حرکات عضلانی نشان می‌دهد که چقدر ساخت ماشین‌ها و پروتزهایی که حرکات انسانی را به‌طور دقیق تقلید کنند، چالش‌برانگیز است.
ماتیاس توضیح می‌دهد: “برای انجام وظایف روزمره، به یک مدل حرکتی گسترده و یک مدل مغزی شبیه به مغز انسان نیاز است. حتی اگر هر وظیفه به بخش‌های کوچک‌تر تقسیم شود، هر وظیفه به مجموعه متفاوتی از این الگوهای حرکتی نیاز دارد تا به‌خوبی انجام شود.”
استفاده از هوش مصنوعی برای کشف و درک سیستم‌های بیولوژیکی
سیلوسترو میسرا، یک پژوهشگر برجسته در حوزه پروتزهای عصبی در موسسه Neuro X EPFL و همکار ماتیاس، بر اهمیت حیاتی این تحقیق در درک پتانسیل آینده و محدودیت‌های کنونی پیشرفته‌ترین پروتزها تأکید می‌کند. او بیان می‌کند: “آنچه در حال حاضر واقعاً از آن بی‌بهره‌ایم، درک عمیق‌تری از چگونگی کنترل حرکت انگشتان و فرآیند گرفتن اشیاء است. این پژوهش دقیقاً در همین جهت بسیار مهم حرکت می‌کند.” میسرا اضافه می‌کند: “ما می‌دانیم که چقدر مهم است که پروتزها را به سیستم عصبی متصل کنیم و این تحقیق به ما پایه علمی محکمی می‌دهد که استراتژی‌های ما را تقویت می‌کند.”
این پیشرفت درک بهتری از ارتباط میان مغز و عضلات در حرکات پیچیده دست ایجاد می‌کند و به طور بالقوه راه‌گشایی برای توسعه پروتزهای دقیق‌تر و مؤثرتر خواهد بود. نتایج این پژوهش همچنین ممکن است مسیرهای جدیدی را برای پیشرفت در علوم اعصاب و بهبود تعامل بین سیستم‌های مصنوعی و بیولوژیکی فراهم کند.
دیدگاهتان را بنویسید