تصور کنید تنها با نگاه کردن به یک تصویر، ماشین بتواند دقیقاً همان آنچه در ذهن شماست را روی نمایشگر بازسازی کند. اگر فکر می‌کنید این تنها در فیلم‌های علمی-تخیلی ممکن است، باید با چارچوب MB2L آشنا شوید.
به نقل از مقاله‌ای که در ۷ مه ۲۰۲۶ در arxiv.org منتشر شد، چارچوب MB2L (یادگیری زیست‌الگوی دوجهته چندسطحی) توانسته است دقت بازیابی تصویر از طریق سیگنال‌های EEG (الکتروانسفالوگرافی) را به طور چشمگیر افزایش دهد. این سیستم گره کورِ عدم تطابق میان تصاویر دیجیتال با کیفیت بالا و نحوه پردازش بصری در شبکیه و مغز انسان را باز کرده است.
برای پر کردن این شکاف، پژوهشگران سه سازوکار کلیدی را پیاده‌سازی کرده‌اند:
- تاری تطبیقی با پیش‌فرض‌های بصری (Adaptive Blur with Visual Priors): این ماژول ورودی‌های بصری را بر اساس پیش‌فرض‌های رتینوتوپیک بازتنظیم می‌کند تا ناهماهنگی‌های ساختاری ادراک را کاهش دهد.
- استخراج ویژگی‌های بصری زیست‌الگو (Biomimetic Visual Feature Extraction): یادگیری نمایش‌های چندسطحی که بازتاب‌دهنده پردازش سلسله‌مراتبی قشر مغز است و تضمین می‌کند کدگذاری در تمامی سوژه‌ها یکسان بماند.
- یادگیری تقابلی دوجهته چندسطحی (Multi-level Bidirectional Contrastive Learning): همراستاسازی ویژگی‌های EEG و بصری در یک فضای معنایی مشترک با استفاده از اهداف دوجهته.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی رابط‌های مغز و رایانه (BCI) اشاره کردیم، چالش اصلی همواره نویز زیاد در سیگنال‌های بیولوژیکی و دشواری در استخراج معنا از آن‌ها بوده است.
بر اساس مستندات این پژوهش، MB2L به دقت ۸۰.۵٪ در Top-1 و ۹۷.۶٪ در Top-5 برای بازیابی تصاویر در حالت صفر-شات (Zero-shot) دست یافته است. این نتایج نشان‌دهنده توانایی بالای مدل در تعمیم‌یافتگی برای افراد مختلف و محیط‌های آزمایشگاهی گوناگون است.
با ادغام پیش‌فرض‌های فیزیولوژیک (Physiological Inductive Biases)، این مدل از تطبیق ساده‌ی الگوها فراتر رفته و به سمت معماری‌های الهام‌گرفته از زیست‌شناسی حرکت کرده است. این تغییر رویکرد ثابت می‌کند که کلید رمزگشایی از ذهن انسان، در تقلید از منطق ساختاری خود مغز نهفته است.
این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این دستاورد بر آینده پروتزهای عصبی و بازسازی بصری بلادرنگ را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- بررسی مقاله اصلی در arxiv.org برای درک عمیق‌تر از معماری یادگیری تقابلی.
- مطالعه مفاهیم پیش‌فرض‌های فیزیولوژیک در یادگیری ماشین برای درک نحوه مدل‌سازی بیولوژیک.
- دنبال کردن پیشرفت‌های سنسورهای غیرتهاجمی برای ثبت سیگنال‌های مغزی با رزولوشن بالا.
گفتگو