درباره پلتفرم MyoSuite چه می‌دانید؟

هرچه ارگانیزم هوشمندتر باشد، رفتارهای حرکتی پیچیده‌تری از خود نشان می‌دهد. پرسش مهم اینجاست که چه چیزی این تصمیمات پیچیده و کنترل حرکتی لازم برای اجرای آن‌ها را امکان‌پذیر می‌سازد؟ هدف از طراحی پلتفرم MyoSuite پاسخ به همین سؤال بوده است.

پلتفرم MyoSuite مجموعه‌ای از مدل‌های اسکلتی- عضلانی است که با تکیه بر یادگیری ماشین، مسائل کنترل بیومکانیک را حل می‌کند. پلتفرم MyoSuite دو جنبه‌ هوش، یعنی حرکت و اعصاب را در هم می‌آمیزد. متا علاوه بر پلتفرم MyoSuite، مجموعه‌ای جامع از معیارهای مرتبط را نیز منتشر کرده است، تا از پژوهش‌های آتی در این حوزه پشتیبانی کند.

پیش از مطالعه ادامه مطلب این ویدئو را تماشا کنید

سیستم بیومکانیک انسان‌ها، سیستم اسکلتی- عضلانی پیچیده، چندمفصلی و چندمحرکی است که در آن، انقباض تنها یک ماهیچه می‌تواند چندین مفصل را خم کند و حرکت هر یک از مفاصل توسط چندین عضله کنترل می‌شود. تولید رفتارهای هوشمندانه در چنین سیستم بیومکانیک پیچیده‌ای، مستلزم هماهنگی کارآمد بین سیستم عصبی مرکزی و سیستم پیرامونی است؛ میلیاردها نورون موجود در سیستم عصبی مرکزی نقش تصمیم‌گیرنده را دارند و سیستم پیرامونی نیز تصمیمات را به قالب رفتار در می‌آورد.

هوش مصنوعی همواره به دنبال این بوده است، تا از طریق ساختارها یا شبکه‌های عصبی، رفتارهای هوشمند را تقلید کند. جامعه‌ متخصصان بیومکانیک هم در تلاش بوده‌اند، تا با پژوهش درون بافت زنده و خارج از آن، سیستم‌های اسکلتی- عضلانی توسعه‌داده و سیستم پیرامونی را بهتر درک کنند. توسعه پلتفرم‌ MyoSuite کمک کرده است، تا به درک بهتری از جزئیات کنترل حسی- حرکتی بدن برسیم؛ کنترل حسی- حرکتی با تکیه بر سیگنال‌های حسی- عمقی، حرکات تمام بدن را هماهنگ می‌کند، تا در نهایت، در موقعیت‌های سرشار از اطلاعات تعاملی، رفتارهایی هوشمندانه به نمایش بگذارد.

مدل‌های اسکلتی- عضلانی پلتفرم MyoSuite از نظر فیزیولوژیکی بسیار واقع‌نگرانه هستند و از نظر محاسباتی، چندین برابر کارآمدتر و مقیاس‌پذیرتر از مدل‌های موجودند. به همین دلیل، با تکیه بر آن‌ها می‌توان تعداد زیادی از عضلات بدن انسان را تحریک کرد. پژوهشگران توانسته‌اند چند مورد از پیچیده‌ترین رفتارهای حرکتی (از جمله دستکاری ماهرانه، مثل چرخاندن خودکار بین انگشت‌ها) را شبیه‌سازی و حل کنند. به بیان دیگر، این مدل‌ها توانسته‌اند در انجام مسائل چالش‌برانگیزی همچون حرکت همزمان دو توپ در یک دست، به پیشرفت بی‌سابقه‌ای دست یابند. حالا که امکان بازآفرینی حرکات واقع‌نگرانه میسر شده است، شکی نیست که مسائل دنیای واقعی، همچون بازتوان‌یابی، اعضای مصنوعی و علم ارگونومی نیز از این یافته‌ها بهره‌مند خواهند شد.

کنترل حرکت سیستم اسکلتی-عضلانی

پارادایم‌های مدرن یادگیری ماشینی، همچون Alphgo و MuZero، به حل مسائل پیچیده کمک می‌کنند، اما راهکارهای تحلیلی‌شان واضح نیستند. الگوریتم‌های یادگیری ماشینی با تکیه بر داده‌ها و محاسبات گسترده، راهکارهایی توسعه می‌دهند که تکنیک‌های ساده‌تر از پس‌شان بر نمی‌آیند؛ اما چرا این الگوریتم‌ها به‌ندرت برای موقعیت‌های حرکتی پیچیده، همچون کنترل حرکت سیستم اسکلتی- عضلانی، به کار می‌روند؟

چارچوب‌های کامپیوتری کنونی، همچون OpenSim، مدل‌های اسکلتی-عضلانی دارند که تمام جزئیات فیزیولوژیک در آن‌ها رعایت شده است؛ اما این چارچوب‌ها قابلیت تعامل پیچیده با دنیال فیزیکی بیرون از بدن عامل را ندارند. به بیان دیگر، این چارچوب‌ها نه در مسائل حرکتی پیچیده و ماهرانه تعبیه می‌شوند و نه کارآمدی و مقیاس‌پذیری کافی برای پاسخگویی به نیازهای داده‌ای الگوریتم‌های یادگیری ماشینی را دارند. پلتفرم MyoSuite این خلأ را پر کرده است. در واقع، پلتفرم MyoSuite پلتفرمی جامع است که جزئیات فیزیولوژیک لازم زیربنایی کنترل حرکت سیستم اسکلتی- عضلانی را بازآفرینی می‌کند. اکوسیستم پلتفرم MyoSuite نیز مجموعه‌ای جامع از مدل‌های اسکلتی- عضلانی دقیق است که از پویایی‌های زمانی و تعاملیِ اسکلتی- عضلانی (همچون خستگی ماهیچه یا کاهش توده عضلانی) پشتیبانی می‌کنند و به‌نحوی طراحی شده‌اند که مسائل حرکتی دنیای واقعی (مسائل روزانه، بازتوان‌یابی پس از مصدومیت، یا اعضای مصنوعی) را پوشش می‌دهند.

کاربرد پلتفرم MyoSuite در دنیای واقعی

MyoSuite علاوه بر بازآفرینی رفتارها، در موقعیت‌های دنیای واقعی، همچون بازتوان‌یابی، عمل جراحی و اعضای مصنوعی نیز کاربرد دارد. برای نمونه، در آسیب‌دیدگی ناشی از پارگی تاندون، پلتفرم MyoSuite در ابتدا عمل «پیوند تاندون» را که تکنیکی شناخته‌شده برای بازیابی دامنه حرکتی از دست رفته است، مدل‌سازی می‌کند. کاربرد پلتفرم MyoSuite در دنیای واقعی به‌نحوی است که مثلاً پلتفرم MyoSuite می‌تواند خروجی عمل جراحی و تأثیراتش بر بازیابی توان قسمت‌های مربوطه را شبیه‌سازی کند.

مدل‌های پلتفرم MyoSuite، با تأکید بر الگوهای فعالسازی و ماهیچه‌های درگیر، به طراحی آتل‌ها و برنامه‌ریزی فرایند توان‌یابی نیز کمک می‌کنند. درست مانند نقشی که PyTorch در تصمیم‌گیری عصبی ایفا کرد، MyoSuite را نیز می‌توان پلتفرمی برای ادغام هوش عصبی و حرکتی دانست. علی‌رغم پیشرفت‌ها، باید اذعان داشت که کاربرد پلتفرم MyoSuite در دنیای واقعی به‌نحوی است که می‌توان مدعی شد هنوز ظرفیت زیادی برای شکوفایی دارد. انتظار می‌رود پلتفرم MyoSuite در حوزه‌های گوناگون به کار برود و با تمرکز بر هوش مصنوعی، امکان کنترل حرکات اسکلتی- عضلانی را فراهم آورد.

نکته دیگر در خصوص کاربرد پلتفرم MyoSuite در دنیای واقعی این است که متا پلتفرم MyoSuite را به همراه شبیه‌سازی‌های واقع‌نگرانه‌ای از آناتومی دست و بازوی انسان منتشر کرده است. این مدل‌ها مسائلی را پوشش می‌دهند که در حال حاضر، علم بیومکانیک قادر به حل‌شان نیست. علاوه بر این، مجموعه‌ای جامع از معیارهای مربوطه در دسترس متخصصان یادگیری ماشینی قرار گرفته است، تا بتوانند برای مقایسه راهکارهای داده‌بنیان خود، از مجموعه‌ای بزرگ‌تر استفاده کنند.

پیشبرد این مسئولیت خطیر و تحقق اهداف بلندپروازانه مستلزم کمک و مشارکت بیشتر از سوی جامعه است. متا به‌زودی رقابت‌ MyoChallenge را نیز راه‌اندازی خواهد کرد؛ در این رقابت، از متخصصان دعوت می‌شود در حل دو چالش شرکت کنند: جابه‌جایی تاس و چرخش همزمان دو توپ در دست. جامعه یادگیری ماشینی تاکنون توانسته است پاسخ مسائل بسیار دشواری را پیدا کند، اما چالش‌های MyoChallenge جدید و منحصربه‌فرد هستند و به راهکارهایی شبه‌انسانی نیاز دارند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید