🌀 nonlinear sciences

Phenomenological renormalization group in neuronal models near criticality

यह अध्ययन यह प्रदर्शित करके कि यह केवल क्रांतिक बिंदु (क्रिटिकल पॉइंट) के एक संकीर्ण परिवेश के भीतर ही सुसंगत परिणाम देता है और टाइम-बिनिंग के चयन के पर्याप्त प्रभाव को कम करने के लिए एक डेटा-संचालित अनुकूलन बिनिंग प्रक्रिया पेश करता है, न्यूरोनल डेटा में वास्तविक क्रिटिकैलिटी का पता लगाने के लिए फेनोमेनोलॉजिकल रिनॉर्मलाइजेशन ग्रुप (PRG) पद्धति की विश्वसनीयता को मान्य करता है।

मूल लेखक: Kaio F. R. Nascimento, Daniel M. Castro, Gustavo G. Cambrainha, Mauro Copelli

प्रकाशित 2026-07-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kaio F. R. Nascimento, Daniel M. Castro, Gustavo G. Cambrainha, Mauro Copelli

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, हलचल भरे शहर की तरह है जहाँ अरबों न्यूरॉन्स व्यक्तिगत नागरिकों की तरह हैं। कभी-कभी, ये नागरिक एक पूर्ण, अराजक सामंजस्य में कार्य करते हैं, जिससे एक "क्रिटिकल" (critical) अवस्था बनती है जहाँ शहर सूचनाओं को संसाधित करने के लिए सबसे अधिक कुशल होता है। वैज्ञानिक यह सिद्ध करने की कोशिश कर रहे हैं कि क्या यह क्रिटिकल अवस्था वास्तव में मौजूद है, इसके लिए वे न्यूरॉन्स के सक्रिय होने के पैटर्न को देखने के लिए एक गणितीय उपकरण का उपयोग करते हैं जिसे फिनोमेनोलॉजिकल रेनोर्मलाइजेशन ग्रुप (PRG) कहा जाता है।

PRG को एक विशेष "ज़ूम-आउट" चश्मे के रूप में समझें। जब आप इन चश्मों के माध्यम से शहर को देखते हैं, तो यदि शहर वास्तव में उस विशेष क्रिटिकल अवस्था में है, तो आपको दिखने वाले पैटर्न एक जैसे होने चाहिए, चाहे आप एक अकेली सड़क को ज़ूम-इन कर रहे हों या पूरे देश को देखने के लिए ज़ूम-आउट कर रहे हों। इसे "स्केल इनवेरिएंस" (scale invariance) कहा जाता है।

हालाँकि, इस शोध पत्र के लेखकों ने एक महत्वपूर्ण प्रश्न पूछा: क्या ये चश्मे विश्वसनीय हैं? क्या ये हमें ऐसे पैटर्न दिखाने के लिए धोखा दे सकते हैं जो वास्तव में वहाँ हैं ही नहीं?

यहाँ उन्होंने क्या खोजा, जिसे सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: गलत "कैमरा शटर स्पीड"

न्यूरॉन्स का अध्ययन करने के लिए, वैज्ञानिकों को समय के साथ उनकी गतिविधि के स्नैपशॉट लेने होते हैं। वे समय को छोटे टुकड़ों में विभाजित करते हैं जिन्हें "बिन्स" (bins) कहा जाता है।

गलती: कल्पना कीजिए कि आप एक हमिंगबर्ड (hummingbird) की तस्वीर खींचने की कोशिश कर रहे हैं। यदि आप बहुत तेज़ शटर स्पीड का उपयोग करते हैं, तो आप केवल खाली हवा (सन्नाटा) देखेंगे। यदि आप बहुत धीमी शटर स्पीड का उपयोग करते हैं, तो आप केवल एक धुंधला, ठोस धब्बा (निरंतर शोर) देखेंगे।
शोध पत्र का निष्कर्ष: शोधकर्ताओं ने पाया कि यदि आप मस्तिष्क के लिए एक निश्चित "शटर स्पीड" (एक निश्चित टाइम बिन) का उपयोग करते हैं, तो आपको गलत परिणाम मिलते हैं।
- यदि मस्तिष्क शांत (subcritical) है, तो तेज़ शटर स्पीड इसे अजीब, तीखे पैटर्न जैसा दिखाती है क्योंकि आप मुख्य रूप से सन्नाटा देख रहे होते हैं।
- यदि मस्तिष्क अति-सक्रिय (supercritical) है, तो धीमी शटर स्पीड इसे पैटर्न जैसा दिखाती है क्योंकि आप मुख्य रूप से शोर देख रहे होते हैं।
- परिणाम: दोनों ही मामलों में, "चश्मों" (PRG) ने झूठा दावा किया कि मस्तिष्क उस विशेष क्रिटिकल अवस्था में था, भले ही वह वास्तव में वैसा न हो। यह एक कैमरा ट्रिक की तरह था जिसने आपको यह विश्वास दिला दिया कि एक धुंधली फोटो एक उत्कृष्ट कृति है।

2. समाधान: एक "अनुकूलनशील" (Adaptive) कैमरा

शोधकर्ताओं को एहसास हुआ कि सच्चाई देखने के लिए, कैमरे को पक्षियों के उड़ने की गति के आधार पर अपनी शटर स्पीड को समायोजित करने की आवश्यकता है।

सुधार: उन्होंने एक नई विधि बनाई जहाँ टाइम बिन का आकार न्यूरॉन स्पाइक्स के बीच के औसत समय के आधार पर स्वचालित रूप से बदल जाता है।
- यदि न्यूरॉन्स धीरे फायर (fire) हो रहे हैं, तो बिन बड़ा हो जाता है।
- यदि न्यूरॉन्स तेजी से फायर हो रहे हैं, तो बिन छोटा हो जाता है।
परिणाम: इस "अनुकूलनशील कैमरे" के साथ, नकली पैटर्न गायब हो गए। PRG चश्मे केवल तभी विशेष, क्रिटिकल पैटर्न दिखाते हैं जब मस्तिष्क वास्तव में क्रिटिकल बिंदु के करीब होता है। जब मस्तिष्क बहुत शांत या बहुत शोर वाला होता है, तो पैटर्न "उबाऊ" (Gaussian) दिखते हैं, जो बिल्कुल वही है जिसकी आप एक गैर-क्रिटिकल सिस्टम से उम्मीद करते हैं।

3. "गोल्डिलॉक्स" ज़ोन (Goldilocks Zone)

अध्ययन ने मस्तिष्क के दो अलग-अलग कंप्यूटर मॉडल का उपयोग किया (एक कोशिकाओं के सरल ग्रिड की तरह, और दूसरा उत्तेजकों और अवरोधकों वाले एक जटिल नेटवर्क की तरह) जहाँ उन्हें ठीक से पता था कि उनका "क्रिटिकल पॉइंट" कहाँ है।

उन्होंने पाया कि क्रिटिकलिटी के विशेष संकेत केवल क्रिटिकल पॉइंट के ठीक बगल में एक बहुत संकीर्ण विंडो में दिखाई देते हैं।
यह एक पहाड़ की चोटी पर खड़े होने जैसा है। यदि आप एक कदम बाएँ या दाएँ चलते हैं, तो दृश्य पूरी तरह बदल जाता है। PRG विधि बहुत संवेदनशील है; यह केवल तभी काम करती है जब आप लगभग ठीक उसी चोटी पर खड़े हों।

4. वास्तविक विज्ञान के लिए इसका क्या अर्थ है

शोध पत्र निष्कर्ष निकालता है कि वास्तविक मस्तिष्क डेटा (चूहों, मनुष्यों आदि से) में क्रिटिकलिटी खोजने का दावा करने वाले पिछले अध्ययन संभवतः सही हैं, लेकिन केवल तभी यदि उन्होंने डेटा को संसाधित करने का सही तरीका उपयोग किया हो।

यदि शोधकर्ताओं ने एक निश्चित टाइम बिन का उपयोग किया, तो उनके परिणाम आकस्मिक आर्टिफैक्ट्स (जैसे कि वह धुंधली फोटो) हो सकते हैं।
नए "अनुकूलनशील" तरीके का उपयोग करके, शोधकर्ताओं ने पुष्टि की कि मस्तिष्क वास्तव में इस क्रिटिकल बिंदु के पास काम करता प्रतीत होता है, लेकिन यह एक नाजुक संतुलन है। यह विधि एक शक्तिशाली उपकरण है, लेकिन इसके लिए एक "सेनिटी चेक" (sanity check) की आवश्यकता होती है ताकि यह सुनिश्चित हो सके कि टाइम बिन्स चित्र को विकृत नहीं कर रहे हैं।

संक्षेप में: मस्तिष्क की क्रिटिकल अवस्था वास्तविक है, लेकिन इसे पहचानना एक हमिंगबर्ड की तस्वीर खींचने जैसा है। आप एक निश्चित कैमरा सेटिंग का उपयोग नहीं कर सकते; आपको पक्षी की गति के अनुसार अपने फोकस को समायोजित करना होगा, अन्यथा आप केवल एक धुंधलापन देखेंगे और मान लेंगे कि आपने एक पैटर्न पा लिया है जो वास्तव में वहाँ नहीं है।

तकनीकी सारांश: न्यूरोनल मॉडल्स में क्रिटिकैलिटी (Criticality) के समीप फेनोमेनोलॉजिकल रिनॉर्मल ग्रुपमेंट (Phenomenological Renormalization Group)

समस्या विवरण
फेनोमेनोलॉजिकल रिनॉर्मलमेंट ग्रुप (PRG) स्केल-इनवेरिएंट (scale-invariant) घटनाओं और क्रिटिकल व्यवहार की पहचान करने के लिए एक प्रमुख उपकरण बन गया है, जो "क्रिटिकल ब्रेन हाइपोथेसिस" का समर्थन करता है। हालांकि, PRG हस्ताक्षरों (signatures) की विश्वसनीयता को समझने में एक महत्वपूर्ण अंतर बना हुआ है: यह स्पष्ट नहीं है कि सिस्टम को क्रिटिकल पॉइंट के कितने करीब होना चाहिए ताकि ये हस्ताक्षर उभर सकें, या क्या वे डेटा प्रीप्रोसेसिंग के आर्टिफैक्ट्स (artifacts) हो सकते हैं। विशेष रूप से, विभिन्न डायनेमिकल फेजेस (सबक्रिटिकल, क्रिटिकल और सुपरक्रिटिकल) में PRG परिणामों की टाइम-बिनिंग (time-binning) विकल्पों पर निर्भरता की व्यवस्थित जांच नहीं की गई है। कैनोनिकल मॉडल्स (जैसे कॉन्टैक्ट प्रोसेस, आइसिंग मॉडल) पर पिछले अनुप्रयोगों में इनहिबिशन (inhibition) जैसे प्रमुख जैविक फीचर्स की कमी थी, जिससे वास्तविक न्यूरोनल डेटा के साथ उनकी तुलना सीमित हो जाती है।

कार्यप्रणाली
लेखक दो न्यूरोनल मॉडल्स पर PRG की मजबूती की जांच करते है, जिनके क्रिटिकल पॉइंट्स सटीक रूप से ज्ञात हैं, और दोनों ही मीन-फील्ड डायरेक्टेड परकोलेशन (MF-DP) यूनिवर्सलिटी क्लास से संबंधित हैं:

एक्साइटेबल सेलुलर ऑटोमेटन (Excitable Cellular Automaton): एक रैंडम नेटवर्क पर आधारित स्पाइकिंग मॉडल जहाँ कंट्रोल पैरामीटर ब्रांचिंग रेशियो ( $\sigma$ ) है।
स्टोकेस्टिक इंटीग्रेट-एंड-फायर (I&F) नेटवर्क: एक नेटवर्क जिसमें एक्साइटेटरी और इनहिबिटरी न्यूरॉन्स होते हैं, जहाँ कंट्रोल पैरामीटर इनहिबिशन-टू-एक्साइटेशन कपलिंग रेशियो ( $g$ ) है।

अध्ययन दो PRG कोर्स-ग्रैनिंग अप्रोच का उपयोग करता है:

मोमेंटम-स्पेस (Momentum-space): कोवेरिएंस मैट्रिक्स के आइजनवैल्यू स्पेक्ट्रम का उपयोग करके डेटा को धीरे-धीरे अधिक कोर्स (coarser) रिप्रेजेंटेशन में प्रोजेक्ट करता है। कोर्स-ग्रैनियल्ड वेरिएबल्स ( $\psi$ ) के वितरण में नॉन-गॉसियनिटी (non-Gaussianity) को कर्टोसिस ( $\kappa$ ) और कुलबैक-लीब्लर (KL) डाइवर्जेंस का उपयोग करके मापा जाता है।
रियल-स्पेस (Real-space): सबसे अधिक सह-संबंधित (correlated) न्यूरॉन्स को क्लस्टर बनाने के लिए पुनरावृत्ति से जोड़ता है, और इंट्रा-क्लस्टर मीन वेरिएंस ( $M^2 \propto C_{size}^\alpha$ ) के स्केलिंग का विश्लेषण करता है।

महत्वपूर्ण रूप से, लेखक टाइम-बिनिंग साइज ( $\Delta t$ ) को व्यवस्थित रूप से बदलते हैं और एक डेटा-ड्रिवन एडेप्टिव बिनिंग (data-driven adaptive binning) रणनीति पेश करते हैं। एक निश्चित $\Delta t$ के बजाय, बिन साइज को नेटवर्क के औसत इंटरस्पाइक इंटरवल ( $\langle ISI \rangle$ ) के समानुपाती रखा जाता है ( $\Delta t = f \cdot \langle ISI \rangle$ )। यह सुनिश्चित करता है कि एक्टिव बिन डेंसिटी ( $\rho_{bin}$ ) विभिन्न डायनेमिकल फेजेस में स्थिर रहे। सरोगेट डेटा, जो सहसंबंधों (correlations) को नष्ट करने के लिए इंटरस्पाइक इंटरवल्स को शफल करके बनाया गया है, एक कंट्रोल के रूप में कार्य करता है।

मुख्य परिणाम

टाइमस्केल मिसमैच स्प्यूरियस सिग्नेचर (Spurious Signatures) बनाता है: फिक्स्ड टाइम बिन्स का उपयोग करने पर, PRG विधि भ्रामक परिणाम देती है।
- सबक्रिटिकल रिजीम (Subcritical regime) में, छोटे बिन्स के कारण डेटा विरल (sparse) हो जाता है (ज्यादातर शून्य), जिससे कोर्स-ग्रैनियल्ड डिस्ट्रीब्यूशन शून्य पर तीक्ष्ण रूप से केंद्रित हो जाता है, जो कृत्रिम रूप से कर्टोसिस को बढ़ा देता है और क्रिटिकैलिटी की नकल करता है।
- सुपरक्रिटिकल रिजीम (Supercritical regime) में, बड़े बिन्स सैचुरेशन (ज्यादातर एक) की ओर ले जाते हैं, जो समान रूप से एक पीक्ड डिस्ट्रीब्यूशन और झूठे स्केलिंग सिग्नेचर उत्पन्न करता है।
- कोई भी एकल फिक्स्ड बिन साइज बिना आर्टिफैक्ट्स उत्पन्न किए दोनों फेजेस को समायोजित नहीं कर सकता।
एडेप्टिव बिनिंग वास्तविक क्रिटिकैलिटी को प्रकट करती है: एडेप्टिव बिनिंग रणनीति ( $\Delta t \propto \langle ISI \rangle$ ) का उपयोग करके, लेखक यह प्रदर्शित करते हैं कि क्रिटिकैलिटी के PRG हस्ताक्षर (नॉन-गॉसियन डिस्ट्रीब्यूशन और नॉन-ट्रिवियल स्केलिंग एक्सपोनेंट्स) केवल क्रिटिकल पॉइंट के एक संकीर्ण क्षेत्र के भीतर ही दिखाई देते।
- कोर्स-ग्रैनियल्ड डिस्ट्रीब्यूशन और एक गॉसियन डिस्ट्रीब्यूशन के बीच का KL डाइवर्जेंस क्रिटिकल पॉइंट पर तीक्ष्ण रूप से पीक करता है और सबक्रिटिकल एवं सुपरक्रिटिकल फेजेस में लगभग शून्य तक गिर जाता है।
- रियल-स्पेस स्केलिंग एक्सपोनेंट $\alpha$ अनकोरिलेटेड बेसलाइन ( $\alpha=1$ ) से एक नॉन-ट्रिवियल रिजीम ( $1 < \alpha < 2$ ) में केवल क्रिटिकैलिटी के पास ट्रांजिशन करता है।
- ये परिणाम स्केलिंग फैक्टर्स ( $f$ ) की एक श्रृंखला में मजबूत हैं, बशर्ते कि बिनिंग एक स्थिर एक्टिव डेंसिटी बनाए रखे।
मॉडल वैलिडेशन: स्टोकेस्टिक I&F मॉडल में इनहिबिशन को शामिल करने से क्रिटिकल सिग्नेचर और भी स्पष्ट हो जाते हैं, जो जैविक प्रणालियों के लिए इन निष्कर्षों की प्रासंगिकता को पुष्ट करते हैं। परिणाम भारी सब-सैंपलिंग (सीमित प्रयोगात्मक ऑब्जर्वेबिलिटी को सिम्युलेट करते हुए) के तहत भी बने रहते हैं।

महत्व और दावे
यह पेपर पहली बार व्यवस्थित कम्प्यूटेशनल प्रमाण प्रदान करता है कि स्केल-इनवेरिएंस के PRG हस्ताक्षर, यदि डेटा प्रीप्रोसेसिंग (विशेष रूप से टाइम-बिनिंग) को सही ढंग से संभाला जाए, तो क्रिटिकल पॉइंट के समीप होने के विश्वसनीय संकेतक हैं।

प्रयोगात्मक व्याख्याओं का सुदृढ़ीकरण: यह निष्कर्ष कि स्केलिंग व्यवहार क्रिटिकल पॉइंट के एक संकीर्ण विंडो के भीतर प्रतिबंधित है, प्रयोगात्मक न्यूरोनल डेटा के PRG विश्लेषण से प्राप्त व्याख्याओं को पुष्ट करता है, जिससे पता चलता है कि देखे गए सिग्नेचर संभवतः वास्तविक क्रिटिकल डायनेमिक्स को दर्शाते हैं न कि मेथोडोलॉजिकल आर्टिफैक्ट्स को।
मेथोडोलॉजिकल करेक्शन: यह अध्ययन इस बात पर प्रकाश डालता है कि अनुचित टाइम-बिनिंग गलत स्केलिंग सिग्नेचर पेश कर सकती है। प्रस्तावित एडेप्टिव बिनिंग प्रक्रिया एक व्यावहारिक समाधान प्रदान करती है, जो यह सुनिश्चित करती है कि PRG परिणाम सिस्टम के आंतरिक डायनेमिक्स को दर्शाते हैं न कि $\Delta t$ के मनमाने चुनाव को।
स्कोप: लेखक निष्कर्ष निकालते हैं कि जबकि PRG एक शक्तिशाली प्रोब है, इसके अनुप्रयोग के लिए सिस्टम के अंतर्निहित टाइमस्केल्स पर सावधानीपूर्वक ध्यान देने की आवश्यकता है ताकि वास्तविक क्रिटिकैलिटी को ट्रिवियल व्यवहार से अलग किया जा सके।

1. समस्या: गलत "कैमरा शटर स्पीड"

2. समाधान: एक "अनुकूलनशील" (Adaptive) कैमरा

3. "गोल्डिलॉक्स" ज़ोन (Goldilocks Zone)

4. वास्तविक विज्ञान के लिए इसका क्या अर्थ है

इसी तरह के और पेपर