FLYLAB. Zajrzeć do środka reakcji

Zobaczyć więcej niż uciekającą muszkę

Punktem wyjścia jest prosta scena: niewielki organizm i coś, co pojawia się w jego otoczeniu. Można pokazać muszkę, która reaguje na osę, a potem zakończyć opowieść na animacji. Mnie interesuje także to, co znajduje się pomiędzy pojawieniem się bodźca a widocznym rezultatem.

Dlatego w FLYLAB scena jest tylko jednym z widoków. Obok niej znajdują się parametry eksperymentu, aktywność modelu oraz odczyt z jego części ruchowej. Przełączenie na konektom pozwala oglądać przestrzenny układ neuronów bez porzucania tego samego kontekstu eksperymentu.

Od bodźca do wykresu

W trybie Connectome Stimulus można wybrać zbliżającą się osę, drugą muszkę, przeszkody albo kontrastowy wzór. Krótki impuls i przebieg ciągły pozwalają oglądać różne odcinki symulacji. Widok dzielony zestawia arenę z siecią, a oś czasu pomaga śledzić zmiany aktywności populacji.

Dane strukturalne pochodzą z kompaktowej pochodnej konektomu MaleCNS. To punkt wyjścia dla autorskiego modelu propagacji. Siła połączeń, sposób pobudzania, ograniczenie aktywnego fragmentu grafu i interpretacja wyniku są decyzjami obliczeniowymi. Trzeba je rozumieć, zanim zacznie się wyciągać wnioski z kolorowych punktów na ekranie.

A gdyby zmienić połączenia?

Jedna z kontroli ponownie podaje bodziec, ale przemieszcza cele połączeń w sieci. Pozwala porównać wynik ze zmienionym okablowaniem. Taki eksperyment pokazuje wpływ struktury na model; sam w sobie nie dowodzi, że model zachowuje się jak żywa muszka.

To ważny element całego interfejsu: wynik powinien prowadzić do następnego pytania. Co zmienił bodziec? Co zmieniła sieć? Czy różnica wynika z danych, parametrów, czy sposobu odczytu?

Drugi horyzont: całe pokolenia

Evolution Lab przenosi uwagę z pojedynczej reakcji na populację sztucznych organizmów. Można zmieniać warunki środowiska, tempo mutacji, plastyczność w ciągu życia i koszt energetyczny sieci. Widoki świata, populacji i linii pochodzenia pomagają obserwować różne aspekty tego samego przebiegu.

Checkpointy i rozgałęzienia służą do zachowania stanu oraz porównywania dalszych eksperymentów. Tryby obliczeń rozdzielają tempo symulacji od rysowania obrazu. Opcjonalny backend PyTorch CUDA rozwija ten kierunek, ale ma własne ograniczenia i wymaga kompatybilnego sprzętu.

Interfejs, który tłumaczy, co oglądasz

Scena 3D daje intuicyjny punkt zaczepienia. Telemetria dodaje kontekst liczbowy, a przełącznik Plain English upraszcza część terminologii. Zrzuty poniżej pochodzą z faktycznie uruchomionej aplikacji: pokazują konkretny stan sesji, nie zadeklarowany benchmark.

Od strony technicznej projekt łączy JavaScript i Three.js w przeglądarce z serwerem Node.js oraz strumieniowaniem przez WebSockety. Dane modelu i warstwa wizualna są rozdzielone, dzięki czemu można osobno analizować obliczenia oraz sposób ich prezentacji.

Gdzie kończy się mapa, a zaczyna model

FLYLAB jest projektem eksperymentalnym. Wykresy przedstawiają aktywność wyliczoną przez program, a nie pomiar z żywego mózgu. Wskaźnik confidence opisuje przewagę odczytu modelu. Evolution Lab korzysta z syntetycznych sieci inspirowanych organizacją obwodów muszki; nie odtwarza pełnych biologicznych osobników.

W repozytorium opisałem uruchomienie, architekturę, testy oraz pochodzenie danych. Źródłowy zbiór MaleCNS i jego autorzy są wskazani oddzielnie od autorskich warstw symulacji. Dzięki temu można obejrzeć projekt, sprawdzić kod i świadomie ocenić jego założenia.