PAT! EEG Temel Yapay Zeka Modeli ile Açık Kaynaklı Düşünceden Metne Dönüş Modeli! Bu yeni modeli test ediyorum ve vay canına, düşünceleri (niyetleri) oldukça iyi okuyabiliyor. Şu anda Zero-Human Company'nin CEO'su Bay @Grok CEO'suna düşünce enerjisi gönderiyorum! Zyphra, yalnızca beyin verisi üzerine eğitilen dünyanın ilk açık kaynak temel modeli olan ZUNA'yı tanıttı. Apache 2.0 lisansı altında yayımlanan bu 380 milyon parametreli model, invaziv olmayan düşünceden metne çözmede önemli bir sıçrama işaret ediyor ve ham EEG sinyallerini tutarlı metin temsillerine dönüştürüyor. Gelişmiş nöro-yapay zeka araçlarına erişimi demokratikleştirerek, BCI teknolojilerindeki yenilikler, makinelerle sadece düşüncelerle etkileşimimizi devrim niteliğinde değiştirebilir. UNA, transformatör omurgasında inşa edilmiş maskeli bir difüzyon otomatik kodlayıcıdır. Mimari, EEG sinyallerini paylaşılan bir gizli alana eşleyen bir kodlayıcı ve bu sinyalleri latentlerden yeniden oluşturan bir kodlayıcıya sahiptir. Maskeli rekonstrüksiyon kaybı ve yoğun bir kesinti kullanılarak eğitilen model, mevcut kanalları gürültü sızdırmada ve çıkarım sırasında yeni kanalları tahmin etmede üstün başarıya sahiptir. Farklı kanal sayıları ve konumlarına sahip EEG verilerini karşılamak için Zyphra iki önemli yenilik sundu: sinyalleri sürekli belirtetörlere eşleyen 0,125 saniyelik parçalara sıkıştırmak, ardından bunları transformator işleme için 1D bir diziye rasterleştirmek; ve elektrot koordinatlarını (x, y, z) kaba bir zaman boyutu ile birlikte kodlamak için 4D Döner Pozisyon Gömmeleri kullanılarak, yeni kurulumlara genelleme imkanı sağlar. Modelin eğitimi, çeşitli kamu depolarından alınan yaklaşık 2 milyon kanal-saatlik EEG verisini kullandı ve hepsi büyük ölçekli temel model geliştirme için tutarlılığı sağlamak amacıyla standartlaştırılmış bir boru hattı üzerinden işlendi. Bu geniş veri seti, ZUNA'nın beyin aktivitesindeki karmaşık kalıpları yakalamasına olanak tanır ve geleneksel yöntemleri çok daha aşmaktadır. Gücüne rağmen, ZUNA hafif olmaya devam ediyor ve birçok uygulama için tüketici GPU'larında veya hatta CPU'larda verimli çalışabiliyor, böylece üst düzey araştırma laboratuvarlarının ötesinde erişilebilir hale geliyor. ZUNA'nın yetenekleri, EEG sinyallerinin gürültüsünü azaltmaya, eksik kanalların yeniden oluşturulmasına ve fiziksel saç derisi konumlarına göre tamamen yeni kanallar için tahminler üretmeye kadar uzanıyor. Bu, EEG araştırmalarında yaygın sorun noktalarını, örneğin artefaktlardan kaynaklanan kanal kesintileri veya donanım sınırlamaları gibi sorunları ele alır. Örneğin, kullanılabilir sinyalleri geri kazanarak bozulmuş veri setlerini kurtarabilir ve yeni koleksiyonlar olmadan mevcut verileri etkili şekilde genişletebilir. Ayrıca, düşük kanallı tüketici cihazlarını daha yüksek çözünürlüklü alanlara eşleyerek yükseltiyor ve deneyleri 10-20 sistemi gibi sert elektrot montajlarından kurtararak çapraz veri analizlerini kolaylaştırıyor. Değerlendirme ölçütleri, ZUNA'nın yerleşik tekniklere karşı üstünlüğünü vurgular. MNE Python paketindeki varsayılan olan küresel spline enterpolasyonuna kıyasla ZUNA, kanal kesintisi oranları arttıkça kazançlar da artarak önemli ölçüde daha iyi performans sunar. Doğrulama setlerinde ve görünmeyen test veri setlerinde, özellikle kanalların %75'inden fazlası eksikse, sürekli olarak temel seviyenin üzerinde performans gösterir. Bu sonuçlar çeşitli veri dağılımlarında doğrulandı ve modelin sağlamlığını vurguladı. ZUNA ile ilk testlerimde, yayınlandıktan kısa süre sonra yaptığım süreçte, beyin sinyal interpolasyonunun incelikleri hakkında yeni bilgiler ortaya çıktı. Modeli tüketici kulaklıklarından kişisel EEG veri setlerine uygulayarak, gürültülü ortamlarda sinyal netliğinin arttığını gözlemledim ve geleneksel yöntemlerin göz ardı ettiği bilişsel durumlardaki ince desenleri ortaya çıkardım. ...