Agora você pode transformar headsets EEG baratos em scanners cerebrais de laboratório. E é de código aberto. ZUNA é um modelo fundamental de 380M de parâmetros que reconstrói sinais cerebrais ausentes a partir de dados parciais de EEG. Ele funciona em qualquer configuração de eletrodos, desde headsets de consumo até sistemas de pesquisa de 256 canais, sem necessidade de retreinamento. Ela permite: - Reconstruir canais EEG ausentes a partir de dados esparsos - Sinais corrompidos de desruído - Prever novos canais apenas a partir das coordenadas de eletrodos - Manusear layouts arbitrários de eletrodos O modelo utiliza um autoencoder de difusão com uma espinha dorsal de transformador. Foi treinado com 2 milhões de canais-horas em 208 conjuntos de dados usando treinamento de difusão mascarada e embeddings espaciais 4D. Isso permite que o modelo compreenda a geometria física da colocação dos eletrodos. Cada sinal de canal é comprimido em tokens, então o modelo codifica as posições x, y, z mais o tempo em componentes de atenção separados. Os dados do EEG ficaram presos em uma era pré-fundação do modelo. Os conjuntos de dados são pequenos, fragmentados entre instituições, coletados sob protocolos diferentes. A solução padrão para canais ausentes é a interpolação spline esférica, basicamente suavização espacial. Funciona bem quando alguns canais caem, mas desmorona quando você perde mais de 75% dos seus dados. ZUNA supera essa linha de base aprendendo padrões reais na atividade cerebral, em vez de apenas suavizar entre pontos. A diferença aumenta dramaticamente com altas taxas de evasão, exatamente onde você mais precisa. O thought-to-text está se posicionando como a próxima grande modalidade de IA, depois da linguagem, visão e áudio. Mas você não pode construir esse futuro com dados que são descartados porque alguns eletrodos falharam. O modelo é totalmente open source sob o Apache 2.0, roda em GPUs de consumo e funciona com CPU para muitas tarefas.