LEDAKAN! Pemikiran-ke-Teks Sumber Terbuka dengan Model AI EEG Foundation! Saya telah menguji model baru ini dan wow, itu bisa membaca pemikiran (niat) dengan cukup baik. Saya mengirimkan energi pemikiran ke CEO Tuan @Grok CEO Perusahaan Zero-Human sekarang! Zyphra telah meluncurkan ZUNA, model alas bedak open-source pertama di dunia yang dilatih secara eksklusif pada data otak. Dirilis di bawah lisensi Apache 2.0, model 380 juta parameter ini menandai lompatan signifikan dalam decoding pemikiran-ke-teks noninvasif, mengubah sinyal EEG mentah menjadi representasi teks yang koheren. Dengan mendemokratisasi akses ke alat neuro-AI canggih, inovasi dalam teknologi BCI, berpotensi merevolusi cara kita berinteraksi dengan mesin melalui pemikiran belaka. ZUNA adalah autoencoder difusi bertopeng yang dibangun di atas tulang punggung transformator. Arsitekturnya menampilkan encoder yang memetakan sinyal EEG ke dalam ruang laten bersama dan dekoder yang merekonstruksi sinyal tersebut dari laten. Dilatih menggunakan kehilangan rekonstruksi bertopeng yang dikombinasikan dengan dropout yang berat, model ini unggul dalam menghilangkan kebisingan saluran yang ada dan memprediksi yang baru selama inferensi. Untuk mengakomodasi data EEG dengan jumlah dan posisi saluran yang bervariasi, Zyphra memperkenalkan dua inovasi utama: mengompresi sinyal menjadi potongan 0,125 detik yang dipetakan ke token berkelanjutan, kemudian rasterisasinya menjadi urutan 1D untuk pemrosesan transformator; dan menggunakan Penyematan Posisi Putar 4D untuk mengkodekan koordinat elektroda (x, y, z) di samping dimensi waktu kasar, memungkinkan generalisasi ke pengaturan baru. Pelatihan model ini memanfaatkan sekitar 2 juta jam saluran-jam data EEG yang bersumber dari beragam repositori publik, semuanya diproses melalui alur standar untuk memastikan konsistensi untuk pengembangan model pondasi skala besar. Kumpulan data yang luas ini memungkinkan ZUNA untuk menangkap pola rumit dalam aktivitas otak, jauh melampaui metode tradisional. Terlepas dari kekuatannya, ZUNA tetap ringan, mampu berjalan secara efisien pada GPU konsumen atau bahkan CPU untuk banyak aplikasi, membuatnya dapat diakses di luar laboratorium penelitian kelas atas. Kemampuan ZUNA meluas ke pengurangan sinyal EEG, merekonstruksi saluran yang hilang, dan menghasilkan prediksi untuk saluran yang sama sekali baru berdasarkan posisi kulit kepala fisiknya. Ini mengatasi masalah umum dalam penelitian EEG, seperti putusnya saluran dari artefak atau keterbatasan perangkat keras. Misalnya, dapat menyelamatkan kumpulan data yang rusak dengan memulihkan sinyal yang dapat digunakan, secara efektif memperluas data yang tersedia tanpa koleksi baru. Ini juga meningkatkan perangkat konsumen saluran rendah dengan memetakan ke ruang resolusi lebih tinggi dan membebaskan eksperimen dari montase elektroda kaku seperti sistem 10-20, memfasilitasi analisis lintas kumpulan data. Tolok ukur evaluasi menyoroti keunggulan ZUNA dibandingkan teknik yang sudah mapan. Dibandingkan dengan interpolasi spline bola, default dalam paket MNE Python ZUNA memberikan kinerja yang jauh lebih baik, dengan keuntungan yang diperkuat seiring dengan meningkatnya tingkat putus saluran. Pada set validasi dan himpunan data pengujian yang tidak terlihat, ini secara konsisten mengungguli garis dasar, terutama ketika lebih dari 75 persen saluran hilang. Hasil ini divalidasi di beragam distribusi data, menggarisbawahi ketahanan model. Dalam tes awal saya dengan ZUNA, yang dilakukan tak lama setelah dirilis, wawasan baru telah muncul ke dalam nuansa interpolasi sinyal otak. Dengan menerapkan model ke kumpulan data EEG pribadi dari headset konsumen, saya mengamati peningkatan kejernihan sinyal di lingkungan yang bising, mengungkapkan pola halus dalam keadaan kognitif yang diabaikan oleh metode tradisional. ...