Jak jsem během večera s pomocí AI proměnil veřejně dostupnou mapu neuronů octomilky v experimentální algoritmus pro analýzu vibrací. A co ukázalo 8 000 simulovaných testů.
Někdy stačí jedna trochu absurdní otázka. Četl jsem o tom, jak vědci zmapovali propojení neuronů v mozku octomilky, a napadlo mě: co kdyby šlo tuto biologickou síť použít k analýze vibrací elektromotoru? Dokázala by rozpoznat nenápadnou poruchu stejně dobře jako běžný technický algoritmus? Nebo dokonce lépe?
V normální pracovní den se zabývám technikou, ne neurobiologií. Přesto jsem si řekl, že to zkusím. Vzal jsem otevřená vědecká data, Python a AI jako partnera pro studium, programování i kritickou kontrolu hypotéz. Tak vznikl NeuroSense – soukromý, explorativní inženýrský experiment na pomezí neurovědy, zpracování signálů a strojní diagnostiky.
A předem prozradím pointu: octomilka klasickou diagnostiku nepřekonala. Ale experiment fungoval a ukázal něco zajímavého o síťové topologii, šumu a možnostech současné AI.
1. Jak se z mozku octomilky stala veřejná databáze
V říjnu 2024 publikovalo konsorcium FlyWire detailní mapu mozku dospělé octomilky Drosophila melanogaster. Obsahuje 139 255 neuronů a přibližně 54,5 milionu synapsí. Nejde o počítačový model „myšlení“, ale o konektom: anatomickou mapu, která říká, které neurony jsou s kterými propojené a kde se nacházejí synaptické kontakty.
Tuto mapu si lze prohlížet v FlyWire Codex a její metodika je popsána ve vědecké studii Dorkenwald a kol., Nature (2024). Pro člověka z elektrotechniky je to trochu jako získat mimořádně podrobnou síťovou dokumentaci cizího systému. Schéma zapojení ale ještě není popis funkce. Z pouhého seznamu synapsí nevyčteme časování všech reakcí, membránové konstanty, receptory ani chování celého živého organismu.
Právě tato mezera se stala zajímavou výzvou. Mohl bych vzít skutečnou topologii a doplnit ji o jednoduchý matematický model neuronů. Pak bych do ní poslal technický signál a sledoval, co udělá.
2. Proč zrovna vibrace elektromotoru?
Vibrační diagnostika rotačních strojů má velmi praktický cíl: poznat, zda je stroj zdravý, nebo jestli se v signálu objevují projevy nevývažnosti, nesouososti či vady ložiska. Používají se například časové charakteristiky, efektivní hodnota RMS, frekvenční analýza FFT nebo obálková analýza.
Tyto postupy jsou osvědčené. Moje otázka nebyla, zda jsou zastaralé. Zajímalo mě spíše, zda může neobvyklá, biologicky odvozená síťová architektura zachycovat drobné změny jinak než ručně navržený filtr.
Od začátku šlo o simulaci: neměřil jsem skutečný elektromotor, nepřipojoval akcelerometr a nezapojoval živou octomilku. Signál vytvářel matematický generátor. To je důležitá hranice celého projektu.
3. Z více než 139 tisíc neuronů jsem použil 543. Proč?
Vybrat kompletní mozek pro první technický experiment by bylo zbytečně složité. Zaměřil jsem se proto na neurony související s mechanosenzorickým a sluchovým vstupem. Z klasifikačních dat FlyWire jsme vybrali 393 kandidátních sluchově-mechanosenzorických neuronů (class=mechanosensory, sub_class=auditory, nerve=AN). Podle počtu synaptických spojení jsme k nim přidali 150 navazujících neuronů.
Dohromady vznikl podgraf s 543 neurony, 6 776 orientovanými dvojicemi propojení a 132 755 anatomickými synapsiemi. Číslo 150 je inženýrsky stanovené omezení velikosti výpočetního grafu – nikoliv biologická hranice konkrétního funkčního centra. Zároveň jsme nikdy neověřili, že je počet 543 optimální.
Počty synapsí ve vybraném podgrafu. Přítomnost chemického označení sama o sobě neříká, jakou polaritu bude mít účinek na každý postsynaptický neuron.
V dynamickém modelu jsme pro acetylcholin (ACh) předpokládali kladné a pro GABA záporné synaptické váhy. Synapse označené GLUT a SERbyly z výpočtu vynechány kvůli nejistotě jejich funkční interpretace. To jsou modelové předpoklady, ne experimentálně ověřená fyziologie všech příslušných neuronů.
4. Jak se z vibrací stanou nervové impulzy
Celý systém měl čtyři kroky. Nejprve jsme vytvořili syntetické vibrace: základní periodickou složku motoru, šum a případný krátký poruchový impuls. Poté následoval šestikanálový spike enkodér, který signál podle předem kalibrovaných prahů převáděl na diskrétní impulzy – spikes.
Těmito impulzy jsme budili matematické neurony LIF (Leaky Integrate-and-Fire). Zjednodušeně: neuron akumuluje vstupní signál, jeho vnitřní stav postupně „uniká“ a po překročení prahu vyšle nový impuls. Propojení mezi neurony se řídilo vybraným anatomickým grafem FlyWire, zatímco časové konstanty a parametry LIF byly inženýrsky nastavené.
Výstupem nebyla „myšlenka octomilky“, ale skóre změny frekvence impulsů navazujících neuronů mezi obdobím před a po očekávané poruše. Podle prahu odvozeného z oddělených kalibračních dat algoritmus rozhodl, zda vyhlásí alarm.
Pro technicky zaměřené čtenáře: diskrétní krok LIF byl 1 ms, membránový potenciál v modelu klesal faktorem 0,92 za krok, práh vzruchu byl nastaven na 0,85 a po výboji následovala krátká refrakterní perioda. Tyto konstanty jsou volené parametry simulace, nikoli změřené vlastnosti konkrétního biologického neuronu.
Důležitý detail: experiment měl známý čas vložení poruchy. Je tedy bližší kontrolovanému porovnání dvou časových oken než hotové online diagnostice, která musí sama objevit neznámý okamžik vzniku závady.
Parametry závěrečného benchmarku
| Parametr | Hodnota |
|---|---|
| Vzorkovací frekvence | 6 400 Hz |
| Délka jednoho záznamu | 1 sekunda |
| Základní periodická složka | 50 Hz |
| Amplituda základní složky | 0,035 (relativní jednotky) |
| Základní šum (směrodatná odchylka) | 0,017 |
| Začátek poruchové události | 0,500 s |
| Délka poruchového impulsu | 80 ms |
| Amplituda impulsu – základní scénář | 0,12 (relativní jednotky) |
| Dynamický krok neuronového modelu | 1 ms |
Graf zachycuje modelový průběh; amplitudy nepředstavují naměřené m/s² konkrétního motoru.
5. Šestnáct verzí a několik hypotéz, které nevyšly
NeuroSense nevznikl jedním zadáním AI. Vyvíjel se ve 16 iteracích (v0.1–v1.6). V prvních verzích jsme modelovali různé druhy poruch a ověřovali, že simulací vůbec prochází informace. Pak přišly náročnější testy: jiné otáčky, různá intenzita poruchy, vyšší šum nebo současná změna několika provozních podmínek.
Když se ukázalo, že jednoduché syntetické případy umějí algoritmy rozeznat příliš snadno, změnili jsme otázku. Už nešlo jen o klasifikaci, ale i o záchyt nástupu poruchy a srovnání při podobné míře falešných alarmů. Další iterace zkoušely vypínat konkrétní neurony, měnit znaménka nejistých neurotransmiterů a analyzovat konvergentní, divergentní nebo zpětnovazební motivy.
Později jsme se zaměřili na časovou dynamiku a možné projevy adaptace při opakovaných impulzech. Výsledky však nepotvrdily biologickou paměť. Resetování vnitřních LIF stavů mělo v příslušném testu jen malý efekt, a bylo zřejmé, že musíme oddělit vliv samotného enkodéru od vlivu sítě.
| Etapa | Zkoušená hypotéza | Co změnilo další postup |
|---|---|---|
| v0.1–v0.6 | Klasifikace typů poruch a robustnost při změnách podmínek | Snadné syntetické případy vedly k nadhodnocenému výkonu; doménový posun jej snižoval. |
| v0.7–v0.8 | Detekce nastupující poruchy | Bylo nutné srovnávat i falešné alarmy a kalibrovat prahy odděleně. |
| v0.9–v1.2 | Kritické neurony, synapse a anatomické motivy | Ablace jednotlivých uzlů neposkytla přesvědčivý důkaz jejich nezastupitelnosti. |
| v1.3–v1.5 | Adaptace, časová paměť a reset vnitřních stavů | Odezvy se měnily, ale modelovou biologickou paměť se potvrdit nepodařilo. |
| v1.6 + LARGE | Izolace enkodéru a kontrolovaný hold-out test | Velký vzorek odhalil přínos topologie i její omezenou robustnost. |
Tahle část byla pro mě velmi poučná: správný experiment není ten, který potvrdí původní nápad, ale ten, který dokáže ukázat i jeho slabiny.
6. Finální test: 8 000 syntetických záznamů
Původní zkouška v1.6 používala jen 24 zdravých a 24 poruchových testů. FlyWire tehdy zachytil 22 poruch bez pozorovaného falešného poplachu. To znělo výborně, ale vzorek byl malý.
Proto jsme připravili v1.6 LARGE: 600 kalibračních záznamů a 8 000 testovacích záznamů – vždy 1 000 zdravých a 1 000 poruchových v každém ze čtyř scénářů:
- Základní stav: frekvence 50 Hz, amplituda poruchy 0,12 a šum 0,017.
- Slabší porucha: amplituda impulsu snížená na polovinu (0,06).
- Vyšší šum: dvojnásobná úroveň šumu (0,034).
- Změna frekvence: 65 Hz místo 50 Hz.
Pro každou metodu jsme nastavili rozhodovací práh na stejném základním kalibračním režimu s cílovou mírou falešných alarmů 5 %. Při stresových zkouškách se už práh neměnil.
Srovnávali jsme pásmově filtrovanou RMS detekci (30–75 Hz), samotný spike enkodér, síť FlyWire a pět kontrolních přepojených sítí. Ty zachovávaly počty kladných a záporných vstupních a výstupních spojů, nikoli však všechny vážené a biologické vlastnosti originálu.
AUC: jak dobře metoda rozlišuje zdravý a poruchový záznam
| Scénář | Pásmová RMS | FlyWire | Spike enkodér | Průměr kontrol |
|---|---|---|---|---|
| Základní | 1,0000 | 0,9718 | 0,9348 | 0,8991 |
| Slabší porucha | 1,0000 | 0,7559 | 0,7974 | 0,7281 |
| Dvojnásobný šum | 1,0000 | 0,6840 | 0,7808 | 0,7316 |
| Změna frekvence na 65 Hz | 0,9999 | 0,9564 | 0,8249 | 0,8200 |
ROC AUC je souhrnná míra schopnosti správně seřadit zdravé a poruchové případy podle skóre. Hodnota 1,0 znamená dokonalé rozlišení na dané testovací sadě; 0,5 odpovídá náhodnému pořadí.
Na první pohled vidíme, že RMS zůstala nejlepší ve všech čtyřech scénářích. Naše neuronová síť však měla v základním režimu vyšší AUC než samotný enkodér i všech pět kontrolních topologií. To naznačuje, že uspořádání propojení může v našem modelu ovlivňovat užitečnost výsledného skóre.
Záporná hodnota znamená horší ROC AUC FlyWire než komparátor; kladná hodnotu lepší. Intervaly platí pro daný syntetický generátor a nejsou biologickou validací.
Pak ale přišlo důležité vystřízlivění: při vyšším šumu FlyWire klesl na AUC 0,6840, tedy pod samotný enkodér i kontrolní sítě. Anatomická topologie se neukázala jako univerzálně robustní řešení.
Pro průmysl je zásadní i počet falešných poplachů
TPR (True Positive Rate) vyjadřuje podíl skutečných poruch, které algoritmus zachytí. FPR (False Positive Rate) je podíl zdravých případů, při kterých chybně vyhlásí poruchu.
V základním scénáři FlyWire zachytil 895 z 1 000 poruch (89,5 %) a vyhlásil 35 falešných alarmů z 1 000 zdravých záznamů (3,5 %). Při dvojnásobném šumu ale FPR vyskočila na 46,9 % a při změně frekvence na 65 Hz na 28,6 %. Pásmově filtrovaná RMS dosáhla při stejném protokolu citlivosti 100 %, i když její FPR při vyšším šumu také vzrostla (na 19,9 %).
| Provozní scénář | FlyWire: TPR / FPR | Pásmová RMS: TPR / FPR |
|---|---|---|
| Základní | 89,5 % / 3,5 % | 100 % / 4,3 % |
| Slabší porucha | 33,8 % / 3,5 % | 100 % / 3,8 % |
| Vyšší šum | 72,2 % / 46,9 % | 100 % / 19,9 % |
| 65 Hz | 96,3 % / 28,6 % | 100 % / 2,4 % |
U každého scénáře jde o 1 000 zdravých a 1 000 poruchových záznamů; prahy byly předem nastavené výhradně z kalibrace základního režimu.
Vysoké AUC samo o sobě nezaručuje použitelný diagnostický systém. V praxi potřebuji, aby alarm fungoval stabilně při měnících se otáčkách, zatížení a rušení. A přesně tady náš experiment odhalil slabé místo zvoleného neuronového modelu.
7. Co tedy experiment skutečně dokázal?
Ano: vzali jsme veřejná anatomická data, vytvořili z nich výpočetní architekturu a prokázali, že s ní lze v simulaci vyhodnocovat technické vibrační signály. V některých podmínkách vykazovala konkrétní konektivita FlyWire lepší rozlišovací schopnost než pět přepojených variant se zachovanými stupni uzlů.
Ne: nedokázali jsme, že mozek octomilky jako biologický systém diagnostikuje motor, že je náš model fyziologicky věrný, ani že překonává průmyslové metody. Nebyla potvrzena biologická paměť nebo skutečný mechanismus neuronové adaptace. Výsledky pocházejí z jednoho syntetického generátoru, nikoli ze skutečných motorů a provozních měření.
Navíc pásmová RMS znala v testu okno očekávané události. To je dobré pro kontrolovaný benchmark, ale není to plnohodnotný test autonomní diagnostiky neznámého nástupu závady.
Z výzkumného hlediska je zajímavější formulovat výsledek takto: skutečná anatomická síť může být zdrojem netradiční výpočetní topologie, její případná technická výhoda však musí být prokázána na náročnějších datech a proti silnějším referenčním metodám.
8. Použité technologie
Experiment jsem realizoval v Pythonu s knihovnami NumPy a SciPy pro práci se signály, maticemi a statistikou, Matplotlib pro vizualizace a Numba pro zrychlení rozsáhlé LIF simulace. Anatomická data pocházela z FlyWire / Codex. V samotné simulaci jsem používal diskrétní LIF neurony, šestikanálový spike enkodér, pásmově filtrovanou RMS a kontrolní náhodně přepojené sítě.
Pro větší test jsme přidali oddělené kalibrační a testovací případy, 95% Wilsonovy intervaly pro TPR/FPR a párový bootstrap pro rozdíly ROC AUC. Tyto intervaly pomáhají vyjádřit statistickou nejistotu uvnitř použitého generátoru; nenahrazují ověření na jiných fyzických strojích.
Pro zájemce: FlyWire Codex · Python · NumPy · SciPy · Numba · Matplotlib.
9. Co mě na tom fascinovalo nejvíc
Při práci jsem si vzpomněl na knihu Superinteligence od Nicka Bostroma a také na Kurzweilovy úvahy o budoucích vztazích mezi lidskou inteligencí a technologiemi. NeuroSense samozřejmě není propojením živého mozku s počítačem. Je to malá digitální simulace s částí biologicky odvozeného schématu.
Přesto je pro mě její vznik symbolem změny. Nejsem neurovědec. Řadě věcí jsem na začátku nerozuměl, musel jsem se ptát a často jsem korigoval vlastní předpoklady. Díky AI ale bylo možné rychle přecházet od otázky k dokumentaci, od dokumentace ke kódu, od kódu k výsledkům – a od výsledků k nové, přesnější otázce.
To neznamená, že AI nahrazuje vědeckou zkušenost. Spíš snižuje vstupní bariéru mezi obory. A s touto možností přichází odpovědnost: jasně přiznat zdroje, nepřivlastňovat si práci vědeckých týmů, nepřeceňovat simulace, nezamlčovat negativní výsledky a nevydávat inspirativní experiment za validovanou technologii.
AI nezkracuje jen čas potřebný k práci. Zkracuje vzdálenost mezi „Co kdyby?“ a „Pojďme to ověřit.“ Právě to mě na současné technologické revoluci baví nejvíc.
10. Co bude dál?
Další smysluplný krok už nebude přidat další tisíc umělých příkladů, ale přejít k reálným vibračním datům: akcelerometr na elektromotoru, oddělené běhy pro kalibraci a ověření, různé otáčky, skutečné mechanické podněty a porovnání nejen s RMS, ale také s obálkovou analýzou a dalšími průmyslovými metodami.
Do té doby je NeuroSense úspěšný explorativní proof of concept – a hlavně připomínka, že veřejná vědecká data a dostupná AI dnes umožňují technicky založenému jednotlivci položit si otázku, na kterou by ještě před několika lety nejspíš neměl prostředky vůbec hledat odpověď.
Zdroje a další čtení
- Dorkenwald et al. (2024): Neuronal wiring diagram of an adult brain, Nature – původní publikace kompletního konektomu.
- Schlegel et al. (2024): Whole-brain annotation and multi-connectome cell typing of Drosophila, Nature – anotace tříd a typů neuronů.
- Shiu et al. (2024): A Drosophila computational brain model reveals sensorimotor processing, Nature – příklad odborného simulačního modelu mozku octomilky, odlišného od NeuroSense.
- FlyWire Codex: Veřejně dostupné anatomické údaje.
- NeuroSense v1.6 LARGE: Kompletní technická studie – PDF (součást balíčku; po nahrání do WordPressu je nutné upravit odkaz na adresu v médiích).
*Obrázky: titulní vizuál je konceptuální ilustrace a vědecky neznázorňuje anatomii; technické grafy jsou vytvořené z dat experimentu.
Poznámka k autorství a metodice: NeuroSense je osobní inženýrský experiment, nikoli součást oficiálního konsorcia FlyWire. Používá veřejná data FlyWire, vlastní výpočetní model a AI asistenci. Všechny reportované výkony se týkají syntetických signálů.*
