Meta-வின் Brain2Qwerty v2: அறுவை சிகிச்சை இல்லாத மூளை-அடிப்படையிலான உரை (Brain-to-Text) AI தொழில்நுட்பத்தில் உள்ள இடைவெளியைக் குறைத்தல்

நரம்பியல் தொழில்நுட்பத்தில் (neurotechnology) Meta-வின் சமீபத்திய முன்னேற்றம், அறுவை சிகிச்சை தேவையின்றி தடையற்ற மூளை-கணினி இடைமுகங்களை (brain-computer interfaces) நோக்கி நம்மை நெருங்கச் செய்கிறது. மேம்பட்ட மொழி மாதிரிகள் (language models) மற்றும் பிரம்மாண்டமான தரவுத் தொகுப்புகளைப் பயன்படுத்துவதன் மூலம், அறுவை சிகிச்சை இல்லாத சென்சார்கள் (non-invasive sensors) நரம்பியல் செயல்பாடுகளைத் தெளிவான உரையாக எவ்வாறு மாற்ற முடியும் என்பதை Brain2Qwerty v2 அமைப்பு நிரூபித்துக் காட்டுகிறது.

அறுவை சிகிச்சை மூலம் பொருத்தப்படும் கருவிகளைத் தாண்டி முன்னேறுதல்

பல ஆண்டுகளாக, குறைந்த பிழை விகிதங்களைப் பெறுவதற்கு, துல்லியமான மூளை-அடிப்படையிலான உரைத் தொடர்புக்கு அறுவை சிகிச்சை மூலம் மூளையில் பொருத்தப்படும் கருவிகள் (invasive surgical implants) அவசியமாக இருந்தன. தற்போது பொருத்தப்பட்ட அமைப்புகள் 2%-க்கும் குறைவான சொல் பிழை விகிதத்துடன் (word error rates - WER) முன்னணியில் இருந்தாலும், Magnetoencephalography (MEG) முறையைப் பயன்படுத்தும் Meta-வின் அறுவை சிகிச்சை இல்லாத அணுகுமுறை அந்த இடைவெளியை வேகமாக நிரப்பிக் கொண்டிருக்கிறது. மண்டையோட்டிற்கு வெளியே உள்ள காந்தப்புலங்களை அளவிடுவதன் மூலம், Meta-வின் Fundamental AI Research (FAIR) ஆய்வக ஆராய்ச்சியாளர்கள் மோட்டார் கார்டெக்ஸ் (motor cortex) செயல்பாடுகளை—அதாவது ஒரு நபர் தனது விரல்களை அசைக்க நினைக்கும் போது அனுப்பப்படும் சிக்னல்களை—கவனித்து, தட்டச்சு செய்யப்பட்ட வாக்கியங்களை மீண்டும் உருவாக்க முடியும்.

இந்த ஆய்வின் அளவு குறிப்பிடத்தக்கது: ஆராய்ச்சியாளர்கள் ஒன்பது ஆரோக்கியமான தன்னார்வலர்களை தலா பத்து மணிநேரம் பதிவு செய்தனர், இதன் விளைவாக 22,000 வாக்கியங்களைக் கொண்ட ஒரு தரவுத் தொகுப்பு கிடைத்தது. இது முந்தைய Brain2Qwerty v1 உடன் ஒப்பிடும்போது பத்து மடங்கு அதிக தரவைக் கொண்டுள்ளது, இது துல்லியமான கீஸ்டிரோக் நேர முத்திரைகளை (keystroke timestamps) சார்ந்திருக்காமல், ஒரு சமச்சீரற்ற (asynchronous), தொடர்ச்சியான சிக்னல் சாளரத்தை நோக்கி மாதிரியை நகர்த்த அனுமதிக்கிறது.

LLM ஒருங்கிணைப்பின் ஆற்றல்

Brain2Qwerty v2-இன் முக்கிய கண்டுபிடிப்பு என்பது, ஒரு பொருளைப் பொருள் உணர்வுடன் (semantic) சீரமைக்கும் "smoother"-ஆகச் செயல்பட, நுணுக்கமாகச் செம்மைப்படுத்தப்பட்ட (fine-tuned) Qwen3 என்ற மொழி மாதிரியை ஒருங்கிணைப்பதாகும். இந்த அமைப்பு சிக்னல்களை மூன்று வெவ்வேறு நிலைகளில் செயலாக்குகிறது: எழுத்துக்கள் (characters), சொற்கள் (words) மற்றும் முழு வாக்கியங்கள் (full sentences).

எழுத்துக்களின் துல்லியம் மற்றும் பொருளின் அர்த்தம் ஆகியவற்றிற்கு இடையிலான சுவாரஸ்யமான சமநிலையை முடிவுகள் காட்டுகின்றன:

• சொல் பிழை விகிதம் (Word Error Rate - WER): v2 மாதிரி சராசரி 39% WER-ஐ எட்டியது, இது மூல என்கோடரில் (raw encoder) காணப்பட்ட 55% மற்றும் v1 N-gram மாதிரியால் எட்டப்பட்ட 43% ஆகியவற்றை விடப் பெரும் முன்னேற்றமாகும்.
• எழுத்து பிழை விகிதம் (Character Error Rate - CER): சுவாரஸ்யமாக, v2-க்கான CER 31% ஆகும், இது மூல என்கோடரை (28%) விட அதிகமாக உள்ளது.

இதற்குக் காரணம், Qwen3 மொழி மாதிரி சரளத்தையும் இலக்கணத்தையும் முன்னுரிமைப்படுத்துவதாகும். நரம்பியல் சிக்னலில் இரைச்சல் (noise) இருந்தால், LLM இலக்கண ரீதியாகச் சரியான ஒரு வாக்கியத்தை உருவாக்கும் ("hallucinates"), ஆனால் அது intended எழுத்துக்களுடன் பொருந்தாமல் போகலாம். இருப்பினும், மருத்துவப் பயன்பாடுகளுக்கு, எழுத்து வாரியாகச் சரியான எழுத்துக்கூட்டலை விட, intended பொருளைத் (semantic accuracy) தெரிவிக்கும் திறன் மிகவும் முக்கியமானது.

AI-மூலம் இயக்கப்படும் ஆராய்ச்சி மேம்படுத்தல்

கண்டுபிடிப்புகளில் ஒரு புதிய அணுகுமுறையாக, Meta தனது மாதிரியின் குறியீட்டை (code) மேம்படுத்த Claude Opus 4.6 அடிப்படையிலான மூன்று தனித்தனி AI ஏஜென்ட்களைப் பயன்படுத்தியது. இந்த ஏஜென்ட்கள் label smoothing மற்றும் modality dropout போன்ற உயர் செயல்திறன் கொண்ட நுட்பங்களை வெற்றிகரமாகக் கண்டறிந்தன, இது மனிதர்களால் வடிவமைக்கப்பட்ட வழக்கமான மேம்படுத்தல் முறைகளை விடச் சிறந்தது. இந்த ஏஜென்ட்கள் திறந்தநிலைத் பணிகள் (open-ended tasks) மற்றும் சிக்கலான குறியீடு நிலைத்தன்மை ஆகியவற்றில் சிரமப்பட்டாலும், hyperparameters-களைச் செம்மைப்படுத்துவதில் அவற்றின் வெற்றி, நரம்பியல் தொழில்நுட்பக் கருவிகளின் வளர்ச்சியை AI வேகப்படுத்துகின்ற ஒரு புதிய யுகத்தைக் காட்டுகிறது.

Meta கையடக்கமான, அறை வெப்பநிலையில் இயங்கக்கூடிய MEG சென்சார்களை ஆராய்ந்து வருவதால், உடல் இயக்கக் குறைபாடு உள்ளவர்களுக்கான நிகழ்நேர (real-time), அறுவை சிகிச்சை இல்லாத தகவல் தொடர்பு சாதனத்தை நோக்கிய பாதைកាន់ம Increasingly தெளிவாகிறது.

முக்கியக் குறிப்புகள்

• பொருள் சார்ந்த முன்னேற்றம் (Semantic Leap): Qwen3 மொழி மாதிரியை ஒருங்கிணைப்பதன் மூலம், Brain2Qwerty v2 சொல் பிழை விகிதத்தை 39% ஆகக் குறைத்தது, இது எழுத்துத் துல்லியத்தை விடப் பொருளுக்கு முன்னுரிமை அளிக்கிறது.
• சமச்சீரற்ற செயலாக்கம் (Asynchronous Processing): புதிய மாதிரிக்கு இனி துல்லியமான கீஸ்டிரோக் நேரத் தேவை இல்லை, இது தொழில்நுட்பத்தை நிகழ்நேர, அறுவை சிகிச்சை இல்லாத பயன்பாட்டிற்கு நெருக்கமாகக் கொண்டு செல்கிறது.
• AI-மூலம் மேம்படுத்தப்பட்ட மாதிரிகள்: நரம்பியல் டீகோடிங் (neural decoding) குறியீட்டின் மேம்படுத்தலைத் தானியக்கமாக்கவும் மேம்படுத்தவும் Meta, Claude Opus அடிப்படையிலான ஏஜென்ட்களை வெற்றிகரமாகப் பயன்படுத்தியது.