اگر هنوز برای همراستاسازی داده‌های fMRI با مدل‌های زبانی از کدهای دستی و حجیم استفاده می‌کنید، باید بدانید که عصر این روش‌های ناکارآمد به پایان رسیده است. تصور کنید درست در لحظه‌ی تطبیق داده‌های مغزی با بردار معنایی (Embedding) یک مدل، سیستم شما به دلیل کمبود حافظه کرش کند؛ این کابوس همیشگی پژوهشگران Neuro-AI است.
به نقل از Meta FAIR، این شرکت برای حل این بحران، چارچوب NeuralSet را معرفی کرده است. طبق گزارش MarkTechPost، این ابزار با جداسازی متاداده‌های آزمایشگاهی از استخراج سیگنال‌های خام، گلوگاه‌های حافظه را حذف می‌کند. در واقع، NeuralSet به جای بارگذاری ترابایت‌ها داده در رم، آن‌ها را به صورت «رویدادها» (Events) مدل می‌کند تا تنها در لحظه‌ی محاسبه، داده‌های مورد نیاز فراخوانی شوند.
این سیستم از پنج مفهوم کلیدی شامل رویدادها، استخراج‌کننده‌ها، قطعات، داده‌های دسته‌ای و لایه‌ی بک‌اند استفاده می‌کند. برای پردازش سیگنال‌ها، NeuralSet از کتابخانه‌های استاندارد صنعت بهره می‌برد:
- Nilearn: برای پاک‌سازی سیگنال‌های fMRI و هموارسازی فضایی.
- MNE-Python: برای فیلتر کردن و بازنمونه‌برداری داده‌های MEG و EEG.
- HuggingFace: برای تبدیل محرک‌ها به بردار معنایی با استفاده از مدل‌های DINOv2، CLIP، Whisper و LLaMA.
در پوشش پیشین ما از مدل‌های چندوجهی (Multimodal)، دیدیم که چالش اصلی همواره تبدیل داده‌های حس‌گر به فرمت‌های قابل‌فهم برای مدل است. NeuralSet دقیقاً همین نقطه را هدف قرار داده است. این ابزار با استفاده از پکیج exca برای کشینگ قطعی و Pydantic برای شناسایی خطاهای پیکربندی، از اتلاف ساعت‌های محاسباتی در کلاسترهای HPC جلوگیری می‌کند.
بر اساس مستندات منتشر شده، در یک مقایسه‌ی جامع، NeuralSet تنها ابزار در میان ۱۸ پکیج نرم‌افزاری علوم اعصاب بود که توانست پشتیبانی کامل از تمامی دستگاه‌های عصبی و انواع تکالیف آزمایشگاهی را به طور همزمان ارائه دهد. این دستاورد در حالی رخ می‌دهد که متا درگیر چالش‌های ژئوپلیتیکی است، اما آزمایشگاه FAIR همچنان بر رفع «شکاف زیرساختی» در هوش مصنوعی زاینده (Generative AI) متمرکز است.
این یکپارچه‌سازی نشان می‌دهد که تحقیقات رابط مغز و رایانه (BCI) می‌تواند با همان سرعتی رشد کند که آموزش مدل زبانی بزرگ (LLM) رشد کرد. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- بررسی مستندات NeuralSet در گیت‌هاب برای پیاده‌سازی در پروژه‌های Neuro-AI.
- تست ادغام مدل‌های DINOv2 با داده‌های EEG برای تحلیل بصری.
- مطالعه‌ی مقایسه‌ی ۱۸ پکیج علوم اعصاب برای درک مزایای ساختاری NeuralSet.
گفتگو