تحریر: پیساخ بینسن • 14 اکتوبر 2026

یروشلم، 14 اکتوبر 2026 (TPS-IL) — اسرائیلی محققین نے ایک ایسا مصنوعی ذہانت (اے آئی) ماڈل تیار کیا ہے جو کسی نئے شریک کے دماغ کے تقریباً 1 گھنٹے کے اسکینز کا استعمال کرتے ہوئے دماغی سرگرمی سے تصاویر دوبارہ تشکیل دیتا ہے، جبکہ بصری پروسیسنگ میں شامل دماغی حصوں میں پہلے سے نامعلوم فعال تقسیمات کی بھی شناخت کرتا ہے۔

Brain-IT نامی یہ ماڈل وائزمین انسٹی ٹیوٹ آف سائنس میں پروفیسر مائیکل ایرانی کی سربراہی میں ایک ٹیم نے تیار کیا ہے۔ موجودہ نظاموں کے برعکس جنہیں کسی نئے فرد سے مطابقت پیدا کرنے کے لیے درجنوں گھنٹوں کے برین اسکینز درکار ہوتے ہیں، Brain-IT مختلف افراد میں مشترک پیٹرنز کی شناخت کرتا ہے، جس کی بدولت یہ زیادہ درستگی اور کم تربیت کے ساتھ تصاویر دوبارہ تشکیل دے سکتا ہے۔

تصاویر کو دوبارہ تشکیل دینے کے علاوہ، یہ ٹیکنالوجی سائنسدانوں کو یہ سمجھنے میں مدد دے سکتی ہے کہ دماغ بصری معلومات کو کس طرح منظم کرتا ہے۔ یہ کم تربیت کے حامل برین-کمپیوٹر انٹرفیسز کی تیاری کو بھی آگے بڑھا سکتی ہے، اگرچہ عملی طبی استعمالات میں ابھی کافی وقت باقی ہے۔

ایرانی نے کہا، “آج کل ایسے ماڈلز موجود ہیں جو دماغی سرگرمی کا تصاویر میں ترجمہ کرتے ہیں، اور وہ اتنی متاثر کن تشکیلِ نو بھی پیدا کر سکتے ہیں جو تصویر کے معنوی مفہوم کو معقول حد تک برقرار رکھتی ہے۔ تاہم، ان سے ساخت اور رنگ جیسی بنیادی خصوصیات میں غلطیاں ہونے کا رجحان رہتا ہے۔”

انہوں نے مزید کہا، “ہمارا تیار کردہ نیا ماڈل تصویر کے مواد اور اس کی تفصیلات دونوں کی ازسرنو تشکیل میں ان سے بہتر کارکردگی دکھاتا ہے۔ مزید یہ کہ، جہاں دوسرے تمام ماڈلز کو کسی نئے شخص کو ‘پڑھنا’ سیکھنے کے لیے درجنوں گھنٹوں کے برین اسکینز درکار ہوتے ہیں، ہمارے ماڈل کو صرف 1 گھنٹہ درکار ہوتا ہے۔”

اس تحقیق کو رواں سال مصنوعی ذہانت کی ایک نمایاں کانفرنس ‘انٹرنیشنل کانفرنس آن لرننگ ریپریزنٹیشنز’ میں پیشکش کے لیے منتخب کیا گیا تھا۔

اے آئی کو دماغ پڑھنا سکھانا

اس شعبے میں ایک بڑی رکاوٹ تربیتی ڈیٹا کی کمی ہے۔ محققین کو فنکشنل میگنیٹک ریزوننس امیجنگ (fMRI) اسکینز کے ساتھ جوڑی گئی تصاویر درکار ہوتی ہیں، جو لوگوں کی جانب سے تصاویر دیکھنے کے دوران دماغی سرگرمی میں ہونے والی تبدیلیوں کی پیمائش کرتی ہیں۔ ایسا ڈیٹا اکٹھا کرنے کے لیے شرکاء کو ایم آر آئی اسکینرز میں کئی گھنٹے گزارنے پڑتے ہیں۔

مطالعے میں استعمال ہونے والے عوامی سطح پر دستیاب ‘نیچرل سینز ڈیٹا سیٹ’ میں 8 شرکاء کے تقریباً 73,000 امیج-اسکین جوڑے شامل ہیں، جن میں سے ہر ایک نے 30 سے 40 اسکیننگ سیشنز کے دوران ہزاروں تصاویر دیکھیں۔

اس رکاوٹ پر قابو پانے کے لیے، ٹیم نے دو تکمیلی نظام تیار کیے: ایک اینکوڈر جو کسی تصویر سے دماغی سرگرمی کی پیش گوئی کرتا ہے اور ایک ڈیکوڈر جو دماغی سرگرمی سے تصویر کی ازسرنو تشکیل کرتا ہے۔

اینکوڈر نے ان تصاویر کے لیے متوقع برین اسکینز تیار کیے جو شرکاء نے ایم آر آئی اسکینر کے اندر کبھی نہیں دیکھی تھیں۔ اس کے بعد ڈیکوڈر نے ان پیش گوئیوں سے ان تصاویر کو دوبارہ تشکیل دینے کی کوشش کی، جس سے یہ سسٹمز ہر تصویر کے لیے نئے اسکینز کی ضرورت کے بغیر اضافی مثالوں سے سیکھنے کے قابل ہو گئے۔

محققین نے دماغ کو تقریباً 40,000 ننھی تھری ڈائمینشنل اکائیوں میں تقسیم کیا جنہیں ‘ووکسلز’ کہا جاتا ہے اور مختلف افراد میں مختلف تصاویر کے لیے ان کے ردعمل کا موازنہ کیا۔ اس سے رنگ، مقام اور قابل شناخت اشیاء جیسی بصری خصوصیات سے جڑے بار بار سامنے آنے والے پیٹرنز کا انکشاف ہوا۔

اینکوڈر نے 128 ایسے فعال خطوں کی نشاندہی کی جو مختلف افراد میں مشترک تھے اور بظاہر بصری پروسیسنگ میں مخصوص کردار ادا کرتے تھے۔ ان میں سے کچھ سائنسدانوں کے لیے پہلے سے معلوم تھے، جبکہ دیگر نئے تھے۔

ایک دریافت پیرا ہپوکیمپل پلیس ایریا سے متعلق تھی، جو دماغ کا وہ خطہ ہے جو مقامات اور مناظر کی پروسیسنگ میں شامل ہوتا ہے۔ محققین کو اس خطے کے اندر کام کی تقسیم کے شواہد ملے، جس میں ایک حصہ اندرونِ خانہ مناظر پر اور دوسرا حصہ بیرونی مناظر پر ردعمل ظاہر کرتا ہے۔

ایرانی نے کہا، “اینکوڈر کی طاقت مختلف دماغوں میں ایک جیسے افعال انجام دینے والے خطوں کی شناخت کرنے کی صلاحیت میں پنہاں ہے، خواہ ان کے جسمانی مقامات مختلف ہی کیوں نہ ہوں۔”

قریبی مدت میں، Brain-IT محققین کو مہنگے اور وقت طلب اسکینز کی ضرورت کو کم کرتے ہوئے بصری پروسیسنگ کا مطالعہ کرنے میں مدد دے سکتا ہے۔ افراد کے درمیان مشترک پیٹرنز کی شناخت کرنے کی اس کی صلاحیت سائنسدانوں کو ایسے برین-کمپیوٹر انٹرفیسز تیار کرنے میں بھی مدد دے سکتی ہے جنہیں نئے صارفین کے مطابق ڈھلنے کے لیے کم تربیت درکار ہو۔ مزید تحقیق کی ضرورت ہے