تعتبر عملية إعادة بناء المحفزات البصرية من إشارات تفاعل الدماغ (fMRI) واحدة من أكبر التحديات التي تربط بين التعلم الآلي (Machine Learning) والعلوم العصبية (Neuroscience). في الآونة الأخيرة، اعتمدت الطرق التقليدية المعتمدة على الانبعاث الانتشاري (Diffusion-based methods) على ربط نشاط الدماغ باكتشاف عصبي ثابت، مما يؤدي إلى قصور في فهم التعقيدات الهيكلية للمعلومات العصبية.

غير أن الابتكار الجديد يأتي من خلال MindHier، وهو إطار عمل يتميز بكفاءة عالية لمراحل إعادة بناء الصور. يعتمد MindHier على نموذج أوتوريغراسيف (Autoregressive) متعدد المستويات، ويحتوي على ثلاثة مكونات رئيسة.

أولًا، مُشفّر الفعّالية العصبية الهرمي (Hierarchical fMRI Encoder) الذي يستخرج تمثيلات عصبية متعددة المستويات. ثانيًا، نظام محاذاة الهرمي (Hierarchy-to-Hierarchy Alignment scheme) الذي يعزز التوافق بين الطبقات مع ميزات CLIP. وأخيرًا، استراتيجية التوجيه العصبي الواعي بالمقياس (Scale-Aware Coarse-to-Fine Neural Guidance) التي تتيح حقن التمثيلات العصبية في نماذج الأوتوريغراسيف بطريقة تتناسب مع المستويات المتعددة.

تقنية MindHier لا تقتصر فقط على إعادة بناء الصور بل تخلق أيضًا عملية هيكلية مشابهة للرؤية البشرية، بدءًا من فهم المعاني العامة وصولًا إلى تفاصيل دقيقة. تشير التجارب الواسعة التي أُجريت على مجموعة بيانات NSD إلى أن MindHier يحقق دقة سيميائية أعلى، مع سرعة تصل إلى 4.67 مرة مقارنةً بأساليب الانبعاث الانتشاري.

باختصار، يبدو أن MindHier يمثل خطوة فريدة نحو دمج الذكاء الاصطناعي في علوم الأعصاب، مما يمهد الطريق لمستقبل يواصل فيه العلماء استكشاف الإمكانيات الجديدة لهذا المجال الملهم. ما رأيكم في هذا التطور المذهل؟ شاركونا في التعليقات!