Världens största fungerande hjärnmodell använder kontroller-arm byggd med MapleSim

Robotarmen, produktionssystemet, är det enda motorstyrningssystemet i modellen. Forskare använde Maplesofts simulerings- och modelleringsplattform, MapleSim, för att skapa armen. Travis DeWolf, University of Waterloos forskare som byggde armen, förklarar framgången med den komplexa armmodellen som ett resultat av MapleSims symboliska beräkningskraft och modellförenklingskapacitet. 

 

Ett av de problem Travis stod inför i början av sin forskning var att avancerade modeller av den mänskliga armen inte fanns tillgängliga. Men empiriska studier med fokus på hjärnforskning innebär vanligen att en försöksperson utför olika uppgifter med sin arm. Därför var det viktigt att ha en simulerad armmodell för att testa precisionen hos hjärnmodellen. 

 

Spaun (Semantic Pointer Architecture Unified Network) består av 2,5 miljoner simulerade neuroner, som gör det möjligt att utföra åtta olika uppgifter. Spaun har en 28 × 28 (784-pixel) digital öga, och en robotarm som kan skriva på papper. Forskarna visar upp en grupp av siffror och bokstäver som Spaun läser i minnet, och sedan fungerar en annan bokstav eller symbol som kommando som berättar för Spaun vad för funktion som ska utföras. Resultatet av uppgiften skrivs sedan av den simulerade armen. Med hjälp av armen utför hjärnan uppgifter såsom att kopiera en teckning, räkna, memorera samt återge sekvenser och flödesresonemang. 

 

I en artikel beskriver Popular Science magazine det hela på följande sätt: "Datorprogrammet känner igen föremål, lär och minns - och klarar även några grundläggande komponenter i ett IQ-test. Det är ett stort steg i hjärnsimulering, eftersom det är den första modellen som faktiskt kan efterlikna beteenden samtidigt som den modellerar fysiologin som ligger bakom dem. " 

 

Genom att använda MapleSim byggde Travis och teamet en 9-musklers, 3-länkad (axel, armbåge och handled) arm, som bygger på den modell som presenteras i en artikel av Dr Kenji Tahara. Musklerna i armen byggdes i MapleSim baserat på Hill-muskelmodellen. Kontrollern modellerades i MATLAB^® och MapleSims koppling till MATLAB^® via Maple-motorn gav en sömlös integration mellan de två systemen. "Vi kunde successivt, och väldigt smidigt, öka komplexiteten hos modellen med hjälp av MapleSim", säger Travis. "MapleSim tillät oss att enkelt lägga in en annan muskel/länk i takt med att vi fortskred, utan att förlora någon återgivning. Detta hjälpte till att hålla overhead låg, och tillät oss att fokusera på att utveckla kontrollsystemet." 

 

Medan Travis övervägt andra liknande modellerings- och simuleringsverktyg, var det MapleSims symboliska räkningskapacitet som övertygade honom. "I den andra modelleringsprogramvaran som vi tittade på var de underliggande ekvationerna helt enkelt inte tillgängliga för analys", fortsätter Travis. "Med MapleSim, hade vi tillgång till de symboliska ekvationerna som driver systemet, vilket innebar att vi kunde få mycket noggranna beskrivningar och göra en omfattande analys av modellen. Och ekvationerna förenklas automatiskt i MapleSim, vilket ger oss en mycket effektiv simulering. " 

 

Forskningsmålet för Spaun var att utvärdera hur olika scenarier påverkade utgången hos hjärnsystemet. Annan forskning som använder samma MapleSim-baserade armmodell har granskat modelleringseffekterna av skador på hjärnan orsakade av trubbigt våld, Huntingtons sjukdom samt cerebrala avvikelser. Resultaten jämfördes med verkliga patientdata för att utvärdera noggrannheten hos modellen. Att ha en realistisk arm som fungerar ungefär som en faktisk arm, med riktiga muskelreaktioner, armlängdssegment och tyngd, är viktigt för att få korrekta resultat.

 

Resultat från denna forskning kan tillämpas på modellering av nya patientbehandlingar. Exempelvis kan effekterna av djup hjärnstimulering, d v s processen att infoga en tråd genom hjärnan för att skicka elektricitet för behandling av Parkinsons sjukdom, modelleras på detta sätt. Att ha en modell som Spaun kommer att bidra till mer djupgående och noggrann undersökning innan behandlingen av patienten påbörjas. Ett annat användningsområde är att utveckla neuroprotetik - bättre förståelse för motorns styrsystem och de utgående signalerna kommer att leda till bättre fungerande proteser.

 

Efter att ha avslutat Spaun-modellen arbetar Travis för närvarande på en lärbaserad modell av motorns styrsystem i hjärnsystemet, snarare än ett analytiskt kontrollerbaserat förhållningssätt. 

 

MapleSim spelar en viktig roll i denna forskning på grund av dess enkla gränssnitt och de optimerade simuleringar som ges. Armsimuleringarna som Travis skapade för Spaun-modellen används nu för utvecklingen av andra styrenheter. Detta kommer att bespara Travis tid och kraft vid skapandet av nya modeller, i takt med att han fortsätter att bedriva sin forskning i världsklass.