Agora pode transformar auscultadores EEG baratos em scanners cerebrais de qualidade de laboratório. E é de código aberto. ZUNA é um modelo de base com 380 milhões de parâmetros que reconstrói sinais cerebrais em falta a partir de dados parciais de EEG. Funciona com qualquer configuração de eletrodos, desde auscultadores de consumo até sistemas de pesquisa de 256 canais, sem necessidade de re-treinamento. Permite-lhe: - Reconstruir canais de EEG em falta a partir de dados esparsos - Remover ruído de sinais corrompidos - Prever novos canais apenas a partir de coordenadas de eletrodos - Lidar com layouts de eletrodos arbitrários O modelo utiliza um autoencoder de difusão com uma estrutura de transformador. Foi treinado em 2 milhões de horas de canais em 208 conjuntos de dados utilizando treinamento de difusão mascarada e embeddings espaciais 4D. Isto permite que o modelo compreenda a geometria física da colocação dos eletrodos. Cada sinal de canal é comprimido em tokens, e o modelo codifica as posições x, y, z mais o tempo em componentes de atenção separados. Os dados de EEG estavam presos numa era de pré-modelo de base. Os conjuntos de dados são pequenos, fragmentados entre instituições, coletados sob diferentes protocolos. A solução padrão para canais em falta é a interpolação de spline esférica, basicamente suavização espacial. Funciona razoavelmente bem quando alguns canais falham, mas desmorona quando perde mais de 75% dos seus dados. ZUNA supera esta linha de base ao aprender padrões reais na atividade cerebral em vez de apenas suavizar entre pontos. A diferença aumenta dramaticamente em altas taxas de falha, exatamente onde mais precisa. O pensamento-para-texto está a posicionar-se como a próxima grande modalidade de IA após linguagem, visão e áudio. Mas não pode construir esse futuro com dados que são descartados porque alguns eletrodos falharam. O modelo é totalmente de código aberto sob a licença Apache 2.0, funciona em GPUs de consumo e opera em CPU para muitas tarefas.