Nam H. Le, Douglas Blackiston, Michael Levin आणि Josh Bongard यांनी “वेग वाढवा”सारख्या छोट्या सूचनांना आधी नोंदवलेल्या झेनोबॉट विद्युत-उत्तेजन चाचण्यांमधून निवड बनवणारी प्रणाली प्रशिक्षित केली. त्यांचा 30 सप्टेंबरचा arXiv प्रीप्रिंट सर्वात कठीण राखीव तुलनांमध्ये 80.0% वेळा पसंतीच्या मॉडेलने अपेक्षित दिशेचा संग्रहित परिणाम निवडल्याचे सांगतो. हा ऑफलाइन जुळवणीचा निकाल आहे; नवीन उत्तेजित झेनोबॉटवर अंदाज वापरल्याचे लेखक सांगत नाहीत.

सजीव प्रणालींना दिशा देणाऱ्या जीवशास्त्रज्ञांसाठी वाक्य आणि प्रत्यक्ष हस्तक्षेप यांत AI ने काय केले हा प्रश्न महत्त्वाचा आहे. येथे त्याने जुन्या हालचाली तपासल्या, सूचना-ते-कालावधी मॉडेलच्या प्रशिक्षणास मदत केली आणि मागितलेल्या वर्तनाशी जुळणारी जुनी चाचणी दिली. नवीन जीव तसाच प्रतिसाद देतो हे सिद्ध नाही.

मोठा बदल

  • काय बदलले:सामान्य भाषेतील हालचालीच्या विनंत्या विद्यमान झेनोबॉट संग्रहातील विद्युत उत्तेजनाच्या कालावधीशी जोडण्यासाठी संशोधकांनी AI परीक्षक वापरला. प्रत्येक सूचनेसाठी नवा प्रयोग न करता भाषिक इंटरफेस प्रशिक्षित करता येतो.
  • हे का महत्त्वाचे:हस्तक्षेप व परिणामांच्या नोंदींवरून संभाव्य चाचण्यांपूर्वी उपयुक्त भाषिक इंटरफेस शक्य आहे का हे पाहता येते. या अभ्यासातील इंटरफेस एक उत्तेजन घटक व ढोबळ हालचाल दिशा हाताळतो; व्यावहारिक मूल्य तपासलेले नाही.
  • कशाकडे लक्ष द्यावे:नवीन झेनोबॉटला निवडलेला कालावधी देऊन हालचाल सूचनेप्रमाणे होते का मोजणे हा निर्णायक प्रयोग आहे. प्रीप्रिंट हे सुचवतो; नोंदवलेली अचूकता संग्रह-जुळवणी मोजते.

मॉडेलने खरेतर काय शिकले

झेनोबॉट म्हणजे Xenopus laevis पेशीं पासून बनवलेली छोटी सजीव रचना. पुन्हा वापरलेल्या प्रयोगांत एक रचना विद्युत उत्तेजनापूर्वी व नंतर मागोवा घेतली. नवी प्रणाली फक्त उत्तेजनाचा कालावधी निवडू शकत होती. संग्रहित व्हिडिओत नंतर हालचाल जलद झाली की मंद हे दिसत होते.

लेखकांनी व्हिडिओतून द्विमितीय मार्ग काढले. बुडबुडे, परावर्तन व कचरा हाताळण्यासाठी Segment Anything Model आणि अनेक शोध पद्धती वापरल्या. AI वापर निवेदनात Claude म्हणून ओळखलेल्या दृश्य-भाषा मॉडेलला सूचना व रेखाटलेला मार्ग दिला. Claude ने हालचाल शब्दांशी किती जुळते गुणांकित केले; उत्तेजन कालावधी दिसत नव्हता.

गुणांची स्थिर बक्षीस-तक्ता बनली. दुसरे नेटवर्क सूचनेचे एम्बेडिंग घेऊन उत्तेजन कालावधी भाकीत करत होते. मुख्य पद्धतीत प्रत्येक सूचनेसाठी संग्रहित कालावधींवर गुळगुळीत गुण-वक्र बसवून लक्ष्य काढले आणि त्याचा अंदाज शिकवला. निकाल दाखवताना अंदाज आधीच्या चाचणीशी जोडून तिचा मार्ग दाखवला. लेखातील आकृती 1 क्रम दाखवते; आकृती 10 प्रात्यक्षिक तीन टाइप केलेल्या सूचनांना जुने मार्ग परत देते. “थेट इंटरफेस” म्हणजे परस्पर प्रदर्शन, जीवाचे प्रत्यक्ष नियंत्रण नव्हे.

संग्रहाचा निकाल किती मजबूत?

सुरुवातीच्या संग्रहात 149 मागोवा घेतलेल्या चाचण्या होत्या. अविश्वसनीय म्हणून 48 वगळून विविध झेनोबॉटवरील 101 उरल्या: 26 जलद, 75 मंद. प्रशिक्षण उपसंच 61 व चाचणी उपसंच 40 होते. प्रणालीने 33 प्रशिक्षण सूचना वापरल्या; मूल्यमापनात प्रशिक्षणात नसलेल्या सूचनाही होत्या. संबंधित संग्रह उपसंचातील कालावधीने जवळच्या तीन चाचण्यांनी अपेक्षित दिशा निवडल्यास भाकीत बरोबर मोजले.

नव्या सूचना आणि चाचणी-संग्रह उपसंचाच्या तुलनेत पसंतीच्या प्रशिक्षण पद्धतीने 80.0% अचूकता 30 प्रशिक्षण बीजांमध्ये मिळवली. नेहमी “मंद” म्हणणारा नियम 66.7% मिळवतो: तीन सूचना प्रकार संतुलित असले तरी “मंद करा” आणि “थांबा” एकाच वर्गात आहेत. मोजलेल्या वेगबदलांवर आधारित सोपे लक्ष्य वापरणाऱ्या मॉडेलने 59.1% मिळवले. हे लेखकांच्या डेटाचे परिणाम आहेत, नवीन झेनोबॉटमधील मोजलेले यश नव्हे.

लेखकांनी स्वतंत्रपणे तयार केलेल्या हालचाल लेबलांशी AI परीक्षक तपासला; जलद/मंद वर्गीकरणात 97% सहमती नोंदवली. ढोबळ फरकासाठी आधार मिळतो, पण वेगबदलाच्या आकाराशी गुणांचा संबंध कमी होता. सौम्य मंदावणे आणि थांबणे वेगळे शिकता आले नाही; मुख्य निकालात दोन्ही “मंद” आहेत.

स्वतंत्र समीक्षकाने सोडवायचा डेटा-विभाजनाचा तपशील आहे. विभाग 3.4 बक्षीस-तक्त्यासाठी सर्व 101 संग्रहित चाचण्यांना 33 प्रशिक्षण सूचनांवर गुण दिल्याचे सांगतो; विभाग 3.5 वेगळी प्रशिक्षण/चाचणी विभागणी वर्णन करतो. नंतरचा संच राखीव म्हटला आहे; पण चाचणी गुण प्रशिक्षण लक्ष्यांतून कसे काढले हे मुख्य मजकूर स्पष्ट करत नाही. त्यामुळे 80.0% ला न पाहिलेल्या संग्रहावर सामान्यीकरण म्हणण्याचा विश्वास मर्यादित होतो.

गहाळ जैविक चाचणी

हस्तक्षेप अजूनही संग्रहातून घेतलेला कालावधी आहे. मॉडेल नवा विद्युत प्रोटोकॉल किंवा इतर सेटिंग बनवू शकत नाही, तसेच नवीन झेनोबॉट संग्रहित नमुन्यासारखा प्रतिसाद देईल हे दाखवू शकत नाही. प्रशिक्षण-मूल्यमापनात जिवंत प्रयोग नव्हता. व्यापक शक्यता चर्चेत असूनही ऑर्गनॉइड, ऊतक दुरुस्ती किंवा क्लिनिकल वापरासाठी समान निकाल प्रीप्रिंट सिद्ध करत नाही.

हा arXiv प्रीप्रिंट आहे; स्वतंत्र पुनरुत्पादनाचा पुरावा नाही. सूचना हस्तक्षेपाशी न जोडलेल्या नोंदींतून शिकण्याची पद्धत हे त्याचे तातडीचे योगदान. सजीव पेशींना संभाव्यरीत्या दिशा देणे शक्य आहे का हा प्रयोगात्मक प्रश्न आहे.

स्रोत व पुढील वाचन