NeuroSynth, một dự án mới trên GitHub, cung cấp một thư viện Python cho phép tạo dữ liệu tổng hợp (synthetic data) chất lượng cao dựa trên các mô hình sinh học và mô phỏng vật lý. Thư viện này được thiết kế để hỗ trợ các nhà nghiên cứu và nhà phát triển trong việc tạo ra các bộ dữ liệu lớn cho huấn luyện mô hình AI mà không cần thu thập dữ liệu thực tế.
NeuroSynth sử dụng các mạng sinh (generative networks) kết hợp với các mô hình mô phỏng 3D để tạo ra hình ảnh y tế, video mô phỏng hành vi và dữ liệu cảm biến. Các dữ liệu được tạo ra có thể được tùy chỉnh theo các tham số như độ phân giải, nhiễu, và các đặc tính bệnh lý, giúp tăng tính đa dạng và độ tin cậy của bộ dữ liệu huấn luyện.
Kể từ khi ra mắt, dự án đã nhận được hơn 7.800 sao và 1.100 fork, với sự đóng góp từ các nhóm nghiên cứu tại Johns Hopkins và University of Cambridge. NeuroSynth cũng đã được tích hợp vào các pipeline huấn luyện của OpenAI và DeepMind để giảm chi phí thu thập dữ liệu.
Với khả năng tạo dữ liệu nhanh chóng và chi phí thấp, NeuroSynth mở ra cơ hội cho việc phát triển các mô hình AI trong các lĩnh vực như y tế, robot và mô phỏng môi trường, đồng thời giảm rủi ro về bảo mật và quyền riêng tư dữ liệu.