Meta-യുടെ Brain2Qwerty v2: നോൺ-ഇൻവേസീവ് ബ്രെയിൻ-ടു-ടെക്സ്റ്റ് AI രംഗത്തെ വിടവ് നികത്തുന്നു

ന്യൂറോ ടെക്നോളജിയിലെ Meta-യുടെ ഏറ്റവും പുതിയ മുന്നേറ്റം, ശസ്ത്രക്രിയയുടെ ആവശ്യമില്ലാതെ തടസ്സമില്ലാത്ത ബ്രെയിൻ-കമ്പ്യൂട്ടർ ഇന്റർഫേസുകളിലേക്ക് നമ്മെ അടുപ്പിക്കുന്നു. അത്യാധുനിക ലാംഗ്വേജ് മോഡലുകളും വൻതോതിലുള്ള ഡാറ്റാസെറ്റുകളും ഉപയോഗപ്പെടുത്തിക്കൊണ്ട്, നോൺ-ഇൻവേസീവ് (non-invasive) സെൻസറുകൾക്ക് എങ്ങനെ നാഡീപ്രവർത്തനങ്ങളെ വ്യക്തമായ ടെക്സ്റ്റുകളാക്കി മാറ്റാൻ കഴിയുമെന്ന് Brain2Qwerty v2 സിസ്റ്റം തെളിയിക്കുന്നു.

ശസ്ത്രക്രിയയിലൂടെയുള്ള ഇംപ്ലാന്റുകൾക്കപ്പുറം ഒരു മുന്നേറ്റം

വർഷങ്ങളായി, കുറഞ്ഞ പിശക് നിരക്ക് (error rate) കൈവരിക്കുന്നതിനായി ഉയർന്ന കൃത്യതയുള്ള ബ്രെയിൻ-ടു-ടെക്സ്റ്റ് ആശയവിനിമയത്തിന് ശസ്ത്രക്രിയയിലൂടെയുള്ള ഇംപ്ലാന്റുകൾ ആവശ്യമായിരുന്നു. നിലവിൽ ഇംപ്ലാന്റഡ് സിസ്റ്റങ്ങൾ 2%-ൽ താഴെ വാർഡ് എറർ റേറ്റ് (WER) കൈവരിക്കുന്നുണ്ടെങ്കിലും, Magnetoencephalography (MEG) ഉപയോഗിച്ചുള്ള Meta-യുടെ നോൺ-ഇൻവേസീവ് സമീപനം ഈ വ്യത്യാസം വേഗത്തിൽ കുറച്ചുകൊണ്ടിരിക്കുകയാണ്. തലയോട്ടിക്ക് പുറത്തുള്ള കാന്തിക മണ്ഡലങ്ങൾ അളക്കുന്നതിലൂടെ, Meta-യുടെ Fundamental AI Research (FAIR) ലാബിലെ ഗവേഷകർക്ക് മോട്ടർ കോർട്ടക്സ് പ്രവർത്തനം—ഒരാൾ വിരലുകൾ ചലിപ്പിക്കാൻ ഉദ്ദേശിക്കുമ്പോൾ അയക്കുന്ന സിഗ്നലുകൾ—രേഖപ്പെടുത്താനും ടൈപ്പ് ചെയ്ത വാക്യങ്ങൾ പുനർനിർമ്മിക്കാനും സാധിക്കുന്നു.

ഈ പഠനത്തിന്റെ വ്യാപ്തി വളരെ വലുതാണ്: ഗവേഷകർ ഒൻപത് ആരോഗ്യവാനായ സന്നദ്ധപ്രവർത്തകരെ ഓരോരുത്തരെയും പത്ത് മണിക്കൂർ വീതം നിരീക്ഷിക്കുകയും, അതിന്റെ ഫലമായി 22,000 വാക്യങ്ങൾ അടങ്ങിയ ഒരു ഡാറ്റാസെറ്റ് തയ്യാറാക്കുകയും ചെയ്തു. ഇത് മുൻപത്തെ Brain2Qwerty v1-നെ അപേക്ഷിച്ച് പത്തിരട്ടി വർദ്ധനവാണ്. ഇത് കൃത്യമായ കീസ്ട്രോക്ക് ടൈംസ്റ്റാമ്പുകൾക്ക് പകരം അസിൻക്രണസ് ആയ (asynchronous), തുടർച്ചയായ സിഗ്നൽ വിൻഡോ ഉപയോഗിക്കാൻ മോഡലിനെ സഹായിക്കുന്നു.

LLM സംയോജനത്തിന്റെ കരുത്ത്

Brain2Qwerty v2-ലെ പ്രധാന നവീനത എന്നത് ഒരു സെമാന്റിക് "സ്മൂത്തർ" (semantic smoother) ആയി പ്രവർത്തിക്കുന്നതിനായി ഫൈൻ-ട്യൂൺ ചെയ്ത Qwen3 എന്ന ലാംഗ്വേജ് മോഡലിനെ സംയോജിപ്പിച്ചു എന്നതാണ്. ഈ സിസ്റ്റം സിഗ്നലുകളെ മൂന്ന് വ്യത്യസ്ത തലങ്ങളിൽ പ്രോസസ്സ് ചെയ്യുന്നു: അക്ഷരങ്ങൾ (characters), വാക്കുകൾ (words), പൂർണ്ണമായ വാക്യങ്ങൾ (full sentences).

അക്ഷരങ്ങളുടെ കൃത്യതയും അർത്ഥവും തമ്മിലുള്ള രസകരമായ ഒരു സന്തുലനമാണ് ഫലങ്ങൾ കാണിക്കുന്നത്:

• Word Error Rate (WER): v2 മോഡൽ ശരാശരി 39% WER കൈവരിച്ചു. ഇത് റോ എൻകോഡറിലെ (raw encoder) 55 ശതമാനത്തേക്കാളും v1 N-gram മോഡലിലെ 43 ശതമാനത്തേക്കാളും വലിയ പുരോഗതിയാണ്.
• Character Error Rate (CER): കൗതുകകരമെന്നു പറയട്ടെ, v2-ന്റെ CER 31% ആയിരുന്നു, ഇത് റോ എൻകോഡറിനേക്കാൾ (28%) കൂടുതലാണ്.

Qwen3 ലാംഗ്വേജ് മോഡൽ ഭാഷാപരമായ ഒഴുക്കിനും വ്യാകരണത്തിനും മുൻഗണന നൽകുന്നത് കൊണ്ടാണ് ഇത് സംഭവിക്കുന്നത്. നാഡീ സിഗ്നലുകളിൽ അപാകതകൾ (noise) ഉണ്ടെങ്കിൽ, LLM വ്യാകരണപരമായി ശരിയായ ഒരു വാക്യം നിർമ്മിച്ചേക്കാം (hallucinates), എന്നാൽ അത് ഉദ്ദേശിച്ച അക്ഷരങ്ങളുമായി പൊരുത്തപ്പെടണമെന്നില്ല. എന്നിരുന്നാലും, ക്ലിനിക്കൽ ഉപയോഗങ്ങളിൽ, അക്ഷരങ്ങൾ കൃത്യമായി എഴുതുന്നതിനേക്കാൾ ഉദ്ദേശിച്ച അർത്ഥം (semantic accuracy) കൈമാറാനുള്ള കഴിവിനാണ് കൂടുതൽ പ്രാധാന്യം.

AI അധിഷ്ഠിത ഗവേഷണ ഒപ്റ്റിമൈസേഷൻ

നവീനമായ ഒരു സമീപനത്തിലൂടെ, മോഡലിന്റെ കോഡ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനായി Claude Opus 4.6 അടിസ്ഥാനമാക്കിയുള്ള മൂന്ന് സ്വതന്ത്ര AI ഏജന്റുകളെ Meta ഉപയോഗിച്ചു. ലേബൽ സ്മൂത്തിംഗ് (label smoothing), മോഡാലിറ്റി ഡ്രോപ്പ്ഔട്ട് (modality dropout) തുടങ്ങിയ മികച്ച രീതികൾ ഈ ഏജന്റുകൾ വിജയകരമായി കണ്ടെത്തി, ഇത് സാധാരണ മനുഷ്യർ രൂപകൽപ്പന ചെയ്യുന്ന ഒപ്റ്റിമൈസേഷൻ രീതികളേക്കാൾ മികച്ചതായിരുന്നു. ഓപ്പൺ-എൻഡഡ് ടാസ്ക്കുകളിലും സങ്കീർണ്ണമായ കോഡ് സ്റ്റെബിലിറ്റിയിലും ഈ ഏജന്റുകൾ ബുദ്ധിമുട്ടിയെങ്കിലും, ഹൈപ്പർ പാരാമീറ്ററുകൾ (hyperparameters) ഫൈൻ-ട്യൂൺ ചെയ്യുന്നതിലെ അവരുടെ വിജയം, ന്യൂറോ ടെക്നോളജിക്കൽ ഉപകരണങ്ങളുടെ വികസനം വേഗത്തിലാക്കുന്ന ഒരു പുതിയ യുഗത്തെ സൂചിപ്പിക്കുന്നു.

പോർട്ടബിൾ ആയ, മുറിയിലെ താപനിലയിൽ പ്രവർത്തിക്കുന്ന MEG സെൻസറുകളെക്കുറിച്ച് Meta പര്യവേക്ഷണം ചെയ്തുകൊണ്ടിരിക്കുമ്പോൾ, ചലനശേഷി പരിമിതപ്പെട്ടവർക്കായി തത്സമയവും നോൺ-ഇൻവേസീവുമായ ഒരു ആശയവിനിമയ ഉപകരണം എന്ന ലക്ഷ്യത്തിലേക്കുള്ള പാത കൂടുതൽ വ്യക്തമാകുന്നു.

പ്രധാന കാര്യങ്ങൾ

• സെമാന്റിക് കുതിച്ചുചാട്ടം: Qwen3 ലാംഗ്വേജ് മോഡൽ സംയോജിപ്പിച്ചതിലൂടെ, Brain2Qwerty v2 വാർഡ് എറർ റേറ്റ് 39% ആയി കുറച്ചു, ഇത് അക്ഷരങ്ങളുടെ കൃത്യതയേക്കാൾ അർത്ഥത്തിന് മുൻഗണന നൽകുന്നു.
• അസിൻക്രണസ് പ്രോസസ്സിംഗ്: പുതിയ മോഡലിന് ഇനി കൃത്യമായ കീസ്ട്രോക്ക് ടൈമിംഗ് ആവശ്യമില്ല, ഇത് സാങ്കേതികവിദ്യയെ തത്സമയ, നോൺ-ഇൻവേസീവ് ഉപയോഗത്തിലേക്ക് അടുപ്പിക്കുന്നു.
• AI-ഒപ്റ്റിമൈസ്ഡ് മോഡലുകൾ: ന്യൂറൽ ഡീകോഡിംഗ് കോഡിന്റെ ഒപ്റ്റിമൈസേഷൻ ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനും മെച്ചപ്പെടുത്തുന്നതിനുമായി Claude Opus അടിസ്ഥാനമാക്കിയുള്ള ഏജന്റുകളെ Meta വിജയകരമായി ഉപയോഗിച്ചു.