Створення нейропротезів для відновлення роботи мозку
Черепно-мозкові травми та ряд хвороб, наприклад деменція, хвороба Альцгеймера і епілепсіяможуть пошкоджувати гіпокамп. Ця ділянка мозку відповідає за пам'ять — засвоює інформацію та перетворює її на внутрішні архіви.
Вчені з Нижнього Новгорода вигадали, як допомогти роботі пошкодженого гіпокампа. Рішення — нейропротез на основі технологій штучного інтелекту, який оброблятиме сигнали та підказуватиме, як реагувати на них.
Проектом ми займаємося вже 5 років, але поки що це лише початок шляху. Довго ми збирали теоретичну основу, проводили невеликі дослідження, публікували статті. Все змінилося минулого року, коли наша команда отримала грант Російського наукового фонду, — ми змогли розпочати випробування технології в штучних умовах — на зрізах гіпокампу лабораторних мишей. За рахунок подачі спеціальних розчину та газу ці відокремлені відрізки мозку залишаються в робочому стані.
Дослідження проходять так: спочатку ми записуємо нейронну активність у зрізах, потім передаємо її нейромережам – вони аналізують інформацію та навчаються передбачати відповіді. Після ми просимо нейромережу дати сигнал у відповідь і перевіряємо його точність на зрізі. На наступному етапі — перейти до нього повинні до 2026 року — ми додаватимемо систему, що заміщає, безпосередньо в мозок живої миші. Потім перейдемо до тварин, які можуть мати хворобу Альцгеймера, потім – до людей.
Ми припускаємо, що нейропротез складатиметься з безлічі каналів з електродами. Після імплантації в мозок через ці канали збиратимуться сигнали та подаватимуться стимули, передбачені нейромережею. Як це буде — з проводів або Wi-Fi — визначимо досвідченим шляхом.
Поки що йдеться лише про заміщення функцій пошкодженого гіпокампа. Чи зможе нейропротез відновлювати їх питання на майбутнє. Якщо ми дійсно покажемо, що можемо замістити нейронну активність, далі можна буде, наприклад, тренувати тварину за допомогою сигналів, потім прибирати протез і спостерігати. Мозок пластичний, вміє адаптуватися. Це був би прорив та шикарний результат. Але, як буде насправді, ми можемо тільки припускати.
У світі вже були проекти нейропротезів, які вдало тестували на людях із віддаленим гіпокампом. Але не використовувалися технології штучного інтелекту — апаратна платформа передавала, але з передбачала сигнали. І до практичного застосування вона не дійшла. Сподіваюся, що підключення до роботи ІІ — вдала знахідка, яка допоможе довести ідею до кінця.
Штучний інтелект давно став не фантастикою, а реальністю. Тепер розумні технології активно допомагають робити життя людей простішим та комфортнішим. Але нейромережі та алгоритми не працюють самі по собі: їм потрібна людина — фахівець із навчання ІІ. Зробити цю професію доступною — одне із завдань федерального проекту «Штучний інтелект» національного проекту «Цифрова економіка». За його підтримки програми навчання за цим напрямком реалізуються у понад 100 вишах країни. Їх успішно закінчили вже понад 17,6 тисячі людей.
Прогнозування посухи
Засуха актуальна проблема не лише для південних регіонів. Ризик зіткнутися з аномальною спекою та відсутністю опадів є і в Сибіру, і в Центральній Росії. Через капризи природи може страждати врожай, а разом із ним і люди. Причому не лише споживачі та фермери. Проблеми можуть виникнути у компаній, які займаються сільгоспстрахуванням, та банків, що видають кредити аграріям. Так, якщо фермер отримав гроші на засів поля, а через посуху весь урожай загинув, у термін повернути позику буде важко, адже дохід отримано не було.
Зменшити ризики допоможе точне прогнозування посух. З ним можна заздалегідь розраховувати зразкові обсяги посівів та догляд за ними, зокрема графік поливів на найближчий сезон. У Сколтеху створили нейромережу, яка опікується такими прогнозами.
Ідея використовувати штучний інтелект для прогнозування посух виникла через потребу у більш точних та довгострокових прогнозах. Нейросеть здатна аналізувати великі обсяги даних, одночасно враховувати величезну кількість факторів та їх взаємодій, що дуже складно для людського мозку.
Наша нейромережа навчається на даних за минулі роки та одночасно аналізує два типи залежностей — просторові та тимчасові. Тобто, враховує і регіон, і сезон. Швидкість навчання залежить від обраної території – близько години загалом. А вже навченої моделі для складання прогнозу потрібно лише кілька хвилин.
Наші моделі здатні давати прогнози терміном від кількох місяців до року. Технологія вже застосовувалась у дослідницьких проектах — точність передбачень досить висока. Ми тестували моделі на даних із різних кліматичних зон – завжди результат був вдалим.
Проект почав розвиватись кілька років тому. У команді працювали фахівці зі Сколтеха та великого банку. Зараз ми продовжуємо вдосконалювати моделі, оскільки кліматичні умови змінюються – дані та методи аналізу необхідно постійно оновлювати. У найближчому майбутньому плануємо впровадити технологію у практику, зокрема у системи управління ризиками великих фінансових організацій.
Вивчення мідій для моніторингу водного середовища
Стежити за рівнем забруднення водойм допомагає регулярний моніторинг. Для нього використовують BEWS — Biological early warning systems (біологічні системи раннього оповіщення). Плюс у тому, що можна отримувати дані в режимі реального часу — не аналізуючи воду в лабораторіях, а спостерігаючи за поведінкою її. мешканців: раків, риб, дафній, бактерій, водоростей, молюсків.
В Інституті природно-технічних систем у Севастополі за підтримки Російського наукового фонду вигадали, як зробити BEWS ще швидше — для цього вчені розробили комплекс на основі технологій ІІ. За визначення аномалій там відповідають алгоритми на основі машинного навчання, а як датчики стану води виступають мідії.
Ми вибрали мідій, тому що вони дуже чутливі до умов довкілля. Молюски різко змінюють поведінку та положення стулок у відповідь на зміни температури, рівень освітленості, звуки, вібрацію та, звичайно, на появу забруднюючих речовин. Останніх у воді може бути багато – шукати кожне окремо за допомогою лабораторних тестів важко, дорого та довго.
Завдання нашого комплексу — швидко визначати проблему та сповіщати про неї. Щоб він подавав сигнал тривоги автоматично, нам потрібно впровадити програмне забезпечення технології виявлення аномалій. А для початку – показати ці аномалії. І тому ми застосували алгоритми машинного навчання. Як вихідні дані використовували величину розкриття стулок 16 мідій: їх розташували в спеціальному приладі і помістили під воду. Для фіксації активності однією стулкою молюска закріпили до платформи пристрою, а інший — до пластини з магнітом, що вільно переміщається. За аномалію приймалася ситуація, де понад 70% мідій показали реакцію.
І людина, і алгоритми однаково можуть точно визначати аномальну поведінку молюсків. Але ІІ реагує швидше: у нашому випадку дані від мідій надходять на сервер раз на 10 секунд.
Досвідчені зразки комплексу вже протестували на мідійній фермі. Завдяки цьому ми покращили конструкцію пристрою та зібрали дані, які зараз використовуємо для створення алгоритму виявлення аномалій. Він ще недосконалий. На наступному етапі плануємо виділити закономірності поведінки мідій у різних умовах — це зробить точнішу роботу.
У майбутньому комплекс можна буде використовувати на будь-яких водоймищах і в будь-якому регіоні країни. Але для адаптації до конкретних географічних умов потрібно буде використовувати місцеві види молюсків.
Екологія, медицина та сільське господарство — лише мала частина сфер, де ІІ допомагає знайти рішення, які насамперед вимагали багато часу або здавалися неможливими. Щоб фахівці з штучного інтелекту об'єднувалися і вигадували нові способи використання нейромереж та алгоритмів, за федеральним проектом «Штучний інтелект» проходять хакатони. У них за чотири сезони взяли участь вже понад 35 тисяч людей.
Також федпроект забезпечує підтримку наукових розробок у сфері ІІ. Вчені 12 дослідницьких центрів у вишах Росії винаходять нові продукти з використанням технологій штучного інтелекту. У свою чергу бізнес може отримати гранти на розробку або впровадження ІІ від Фонду сприяння інноваціям та «Сколковому».
