Nå kan du gjøre om billige EEG-headset til laboratoriekvalitets hjerneskannere. Og det er åpen kildekode. ZUNA er en 380M-parameter grunnlagsmodell som rekonstruerer manglende hjernesignaler fra delvise EEG-data. Den fungerer på alle elektrodeoppsett, fra forbrukerheadset til 256-kanals forskningssystemer, uten omtrening. Den lar deg: - Rekonstruere manglende EEG-kanaler fra sparsomme data - Støydemping av korrupte signaler - Forutsi nye kanaler kun ut fra elektrodekoordinater - Håndter vilkårlige elektrodeoppsett Modellen bruker en diffusjonsautoencoder med transformatorryggrad. Den ble trent på 2 millioner kanaltimer fordelt på 208 datasett ved bruk av masked diffusion-trening og 4D-romlige innleiringer. Dette lar modellen forstå den fysiske geometrien til elektrodeplassering. Hvert kanalsignal komprimeres til tokens, deretter koder modellen x, y, z-posisjoner pluss tid i separate oppmerksomhetskomponenter. EEG-data har vært fastlåst i en periode før grunnleggelsesmodellen. Datasett er små, fragmenterte på tvers av institusjoner, samlet inn under ulike protokoller. Standardløsningen for manglende kanaler er sfærisk spline-interpolasjon, altså romlig utjevning. Det fungerer greit når noen kanaler faller ut, men faller fra hverandre når du mister mer enn 75 % av dataene dine. ZUNA slår dette utgangspunktet ved å lære faktiske mønstre i hjerneaktiviteten i stedet for bare å jevne ut mellom punkter. Gapet øker dramatisk ved høye frafallsrater, akkurat der du trenger det mest. Tanke-til-tekst posisjonerer seg som den neste store AI-modaliteten etter språk, syn og lyd. Men du kan ikke bygge den fremtiden på data som blir kastet bort fordi noen få elektroder sviktet. Modellen er helt åpen kildekode under Apache 2.0, kjører på forbruker-GPU-er, og fungerer på CPU for mange oppgaver.