Interfaces neuronales artificialmente inteligentes: DARPA financia la investigación de Emory/GT/Northwestern
https://news.emory.edu/stories/2019/07/bme_pandarinath_darpa/index.html
Personas paralizadas que mueven sus extremidades u operan dispositivos protésicos haciendo que las máquinas descifren los impulsos eléctricos en sus sistemas nerviosos: es una visión atractiva y cada vez más cercana. En este momento, cuando una computadora "lee" el cerebro de alguien, la interfaz entre el cerebro y la máquina no permanece igual, por lo que la computadora debe recalibrarse una o varias veces al día. Es como aprender a usar una herramienta y cambiar el peso y la forma de la herramienta.
Para abordar este desafío, los ingenieros biomédicos de Emory y Georgia Tech, en colaboración con colegas de la Universidad Northwestern, recibieron una subvención de $ 1 millón de DARPA (Agencia de Proyectos de Investigación Avanzada de Defensa). La subvención de dos fases comienza con $400,000 por seis meses y puede avanzar a un total de $1 millón durante 18 meses.
Chethan Pandarinath, PhD y Lee Miller, PhD están combinando enfoques basados en inteligencia artificial que sus laboratorios han desarrollado y que permiten la decodificación de señales complejas del sistema nervioso que controla el movimiento. Los científicos planean desarrollar algoritmos que se recalibren periódica y automáticamente para que la "intención" del sistema nervioso pueda decodificarse sin problemas y sin interrupciones.
El proyecto de Pandarinath y Miller está siendo financiado por la campaña AI Next de $ 2 mil millones de DARPA, que incluye un programa de exploración de inteligencia artificial de "alto riesgo y alto rendimiento". Los funcionarios de DARPA ven la campaña como parte de una "tercera ola" de investigación de inteligencia artificial. La primera ola se centró en los sistemas basados en reglas capaces de tareas estrictamente definidas. La segunda ola, que comenzó en la década de 1990, creó reconocedores de patrones estadísticos a partir de grandes cantidades de datos, que son capaces de realizar hazañas impresionantes de procesamiento del lenguaje, navegación y resolución de problemas. Sin embargo, no se adaptan a las condiciones cambiantes, ofrecen garantías de rendimiento limitadas y no pueden proporcionar a los usuarios explicaciones de sus resultados. La tercera ola, por el contrario, se centrará en la adaptación contextual y en permitir que las máquinas funcionen de manera confiable a pesar de los volúmenes masivos de información cambiante o incluso incompleta.
Pandarinath está en el Departamento de Ingeniería Biomédica Wallace H. Coulter en Georgia Tech y Emory, así como en el Departamento de Neurocirugía y ENTICe (Centro de Innovación Tecnológica de Neuromodulación de Emory) de Emory. Miller es profesor de fisiología, medicina física y rehabilitación e ingeniería biomédica en la Universidad Northwestern. Pandarinath y Miller tienen una colaboración ya establecida y son parte de un proyecto financiado por la Fundación Nacional de Ciencias para construir nuevos enfoques para manejar datos del sistema nervioso a una escala sin precedentes.
Pandarinath y sus colegas desarrollaron previamente un enfoque que utiliza redes neuronales artificiales para descifrar los patrones complejos de actividad en las redes biológicas que hacen posibles nuestros movimientos cotidianos. Los enfoques anteriores se centraron en la actividad de las neuronas individuales en el cerebro e intentaron relacionar su actividad con variables de movimiento como la velocidad del brazo, la distancia o el ángulo del movimiento.
En cambio, dice Pandarinath, los patrones que se extienden por toda la red son mucho más importantes, y descubrir estos patrones distribuidos es la clave para los avances en las tecnologías de interfaz neuronal. Los patrones distribuidos, o "variedades", son muy estables y duran meses o años. Por lo tanto, los colectores podrían proporcionar una plataforma estable cuando los ingenieros buscan construir prótesis o dispositivos controlados por interfaz neuronal que puedan restaurar las habilidades de movimiento de las personas paralizadas durante meses y años sin necesidad de ningún tipo de recalibración manual.
El enfoque de decodificación múltiple de Pandarinath se combinará con un enfoque de red neuronal separado llamado ANMA (Adversarial Neural Manifold Alignment), desarrollado por el equipo de Miller, que puede ajustar los múltiples a cualquier cambio en los datos entrantes. Juntos, Pandarinath y Miller llaman a su tecnología combinada NoMAD, por Nonlinear Manifold Alignment Decoding.
Sus experimentos se basarán en datos que ya se han recopilado en primates no humanos, en los que los monos controlan un cursor en pantalla a través de movimientos de muñeca o realizan varios comportamientos naturales. Para probar la resiliencia de su tecnología, los científicos planean incorporar inestabilidades en sus experimentos, lo que simularía los efectos de cambiar un electrodo o cambios en las condiciones fisiológicas.
Los científicos dicen que NoMAD será aplicable a una amplia variedad de interfaces neuronales, ya que los múltiples integran patrones neuronales en los ámbitos motor, sensorial y cognitivo. Por lo tanto, más allá de los dispositivos protésicos y el control del movimiento, NoMAD eventualmente podría refinar y mejorar las terapias de estimulación eléctrica para el Parkinson, la epilepsia, el habla, la depresión o los trastornos psiquiátricos.
No hay comentarios:
Publicar un comentario