🌀 nonlinear sciences

Susceptibility for extremely low external fluctuations and critical behaviour of Greenberg-Hastings neuronal model

यह शोध पत्र प्रदर्शित करता है कि ग्रीनबर्ग-हेस्टिंग्स न्यूरोनल मॉडल में, स्वतःस्फूर्त सक्रियण की प्रायिकता एक बाहरी क्षेत्र के रूप में कार्य करती है जो एक गतिक चरण संक्रमण (डायनामिकल फेज ट्रांजिशन) को संचालित करती है, और जैसे-जैसे यह प्रायिकता शून्य की ओर पहुँचती है, यह स्पष्ट परिमित-आकार स्केलिंग व्यवहार और क्रांतिक घातांक प्रदर्शित करती है।

मूल लेखक: Joaquin Almeira, Daniel A. Martin, Dante R. Chialvo, Sergio A. Cannas

प्रकाशित 2026-02-10

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Joaquin Almeira, Daniel A. Martin, Dante R. Chialvo, Sergio A. Cannas

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

"चिंगारी और जंगल की आग" का सिद्धांत: मस्तिष्क जैसे नेटवर्क को समझना

कल्पना कीजिए कि आप रात के समय एक विशाल, अंधेरे जंगल को देख रहे हैं। अधिकांश पेड़ शांत और स्थिर हैं। कभी-कभी, एक छोटी सी, यादृच्छिक (random) चिंगारी (जैसे बिजली का गिरना या भटकती हुई अंगार) किसी पेड़ पर गिर सकती है। यदि वह चिंगारी पर्याप्त शक्तिशाली है, तो वह एक छोटी सी आग लगा सकती है। यदि पेड़ एक-दूसरे के करीब हैं और स्थितियाँ बिल्कुल सही हैं, तो वह छोटी सी आग एक विशाल, भीषण जंगल की आग में बदल सकती है जो पूरे जंगल में फैल जाती है।

यह शोध पत्र इसी घटना के एक गणितीय मॉडल का अध्ययन करता है, लेकिन पेड़ों और आग के बजाय, यह न्यूरॉन्स और विद्युत गतिविधि (electrical activity) का उपयोग करता है। इसे ग्रीनबर्ग-हेस्टिंग्स मॉडल (Greenberg-Hastings model) कहा जाता है।

यहाँ वैज्ञानिकों द्वारा की गई खोजों का विवरण दिया गया है, जिसे सरल भाषा में समझाया गया है।

1. "बैकग्राउंड नॉइज़" की समस्या (स्वतः सक्रियता की चिंगारी)

एक वास्तविक मस्तिष्क में, न्यूरॉन्स केवल पूर्ण शांति में नहीं बैठे होते; वहाँ हमेशा थोड़ी बहुत "बैकग्राउंड नॉइज़" या यादृच्छिक गतिविधि बनी रहती है। शोधकर्ताओं के मॉडल में, वे इसे $r_1$ (स्वतः सक्रियता/spontaneous activation) कहते हैं।

लंबे समय तक, वैज्ञानिकों ने एक अजीब बात देखी: जब उन्होंने इस बैकग्राउंड नॉइज़ को शामिल किया, तो एक प्रमुख बदलाव (जैसे मस्तिष्क का नींद से जागने की अवस्था में जाना) के गणितीय "संकेत" गायब होते हुए प्रतीत हुए। यह एक भीड़ भरे स्टेडियम में फुसफुसाहट सुनने की कोशिश करने जैसा था—बैकग्राउंड नॉइज़ इतनी तेज़ थी कि उसने महत्वपूर्ण संकेतों को दबा दिया था।

खोज: शोधकर्ताओं ने पाया कि यह बैकग्राउंड नॉइज़ केवल "शोर" नहीं है—यह वास्तव में एक बाहरी बल (जैसे जंगल से होकर बहने वाली एक निरंतर हवा) की तरह कार्य करता है। यदि आप शोर को पर्याप्त रूप से कम कर देते हैं, तो "जंगल की आग" (मस्तिष्क की विशाल गतिविधि) अचानक फिर से दिखाई देने लगती है, और आप उस सुंदर, गणितीय पैटर्न को देख सकते हैं कि कैसे सिस्टम शांत अवस्था से सक्रिय अवस्था में परिवर्तित होता है।

2. "सोशल बटरफ्लाई" बनाम "लोन वुल्फ" (सक्रियता के तंत्र)

एक न्यूरॉन कैसे तय करता है कि उसे "फायर" (सक्रिय) होना है? शोध पत्र इस प्रक्रिया के तीन तरीके बताता है:

लोन वुल्फ (स्वतंत्र/Spontaneous): एक न्यूरॉन अपने आप सक्रिय होता है, बस क्योंकि उसका मन किया (यादृच्छिक चिंगारी)।
सोशल बटरफ्लाई (एकल सक्रियता/Single Activation): एक पड़ोसी न्यूरॉन सक्रिय होता है, और उसका संकेत अगले न्यूरॉन को भी अपने साथ खींचने के लिए पर्याप्त शक्तिशाली होता है।
ग्रुप चैट (सहकारी सक्रियता/Cooperative Activation): एक पड़ोसी काफी नहीं होता, लेकिन तीन या चार पड़ोसियों का एक साथ सक्रिय होना एक "सामूहिक प्रयास" बनाता है जो अगले न्यूरॉन को सक्रिय कर देता है।

खोज: शोधकर्ताओं ने पाया कि "ग्रुप चैट" वाला तरीका ही असली गेम-चेंजर है। यदि नेटवर्क ढीले जुड़ाव वाला है (जैसे कुछ बिखरे हुए पेड़), तो "लोन वुल्फ" और "सोशल बटरफ्लाई" विधियाँ हावी रहती हैं। लेकिन जैसे-जैसे नेटवर्क अधिक सघन और जटिल होता जाता है (जैसे एक घना जंगल), "ग्रुप चैट" पूरे सिस्टम में आग लगाने का मुख्य तरीका बन जाता है। यही "सामूहिक प्रयास" इस बदलाव को एक धीमी, स्थिर जलन से एक अचानक, विस्फोटक विस्फोट में बदल देता है।

3. "अज्ञात वर्ग" का रहस्य (गणितीय फिंगरप्रिंट)

भौतिकी (Physics) में, प्रत्येक संक्रमण (transition) का एक "फिंगरप्रिंट" होता है—संख्याओं का एक विशिष्ट सेट जिसे क्रिटिकल एक्सपोनेंट्स (critical exponents) कहा जाता है जो आपको बताते हैं कि वास्तव में किस प्रकार की प्रक्रिया हो रही है। उदाहरण के लिए, पानी के उबलने का फिंगरप्रिंट जंगल की आग से अलग होता है।

खोज: जब वैज्ञानिकों ने जटिल, "स्मॉल-वर्ल्ड" नेटवर्क (नेटवर्क जो मानव मस्तिष्क की बनावट की नकल करते हैं) पर अपने सिमुलेशन चलाए, तो उन्हें एक ऐसा फिंगरप्रिंट मिला जो किसी भी ज्ञात श्रेणी से मेल नहीं खाता। यह जंगल में एक नए जानवर को खोजने जैसा है जिसके पास पक्षी के पंख हैं लेकिन मछली के शल्क (scales) हैं। यह उन "मानक" भौतिक नियमों के अनुरूप नहीं है जिनकी उम्मीद की गई थी, जो यह सुझाव देता है कि मस्तिष्क जैसे नेटवर्क जिस तरह से व्यवहार करते हैं, वह पहले की तुलना में कहीं अधिक अद्वितीय और जटिल है।

सारांश: यह क्यों महत्वपूर्ण है?

यह समझने के कि कैसे छोटी, यादृच्छिक चिंगारियाँ गतिविधि की विशाल लहरों में बदल जाती हैं, वैज्ञानिक निम्नलिखित को बेहतर ढंग से समझ सकते हैं:

मस्तिष्क की अवस्थाएँ (Brain States): हम नींद से जागने की अवस्था में कैसे पहुँचते हैं।
मस्तिष्क के विकार (Brain Disorders): कैसे थोड़ा सा "शोर" एक विशाल, अनियंत्रित गतिविधि की लहर को जन्म दे सकता है, जैसे कि मिर्गी का दौरा (epileptic seizure)।
जटिलता (Complexity): क्यों मस्तिष्क केवल व्यक्तिगत कोशिकाओं का एक संग्रह मात्र नहीं है, बल्कि बिजली का एक विशाल, परस्पर जुड़ा हुआ "सोशल नेटवर्क" है।

तकनीकी सारांश: अत्यंत निम्न बाहरी उतार-चढ़ाव के लिए संवेदनशीलता और ग्रीनबर्ग-हस्टिंग्स न्यूरोनल मॉडल का क्रिटिकल व्यवहार

1. समस्या विवरण

यह अध्ययन वाट्स-स्ट्रोग्स (स्मॉल-वर्ल्ड) नेटवर्क पर ग्रीनबर्ग-हस्टिंग्स (GH) न्यूरोनल मॉडल के गतिशील चरण संक्रमणों (dynamical phase transitions) की जांच करता है। इस मॉडल में एक लंबे समय से चला आ रहा पहेलीनुमा प्रश्न यह था कि औसत नेटवर्क गतिविधि ( $f_a$ ) से जुड़ी उतार-चढ़ाव संवेदनशीलता ( $\chi$ ) में आकार-निर्भर विवर्जित शिखर (size-dependent divergent peak) की कमी देखी गई थी, जो सांख्यिकीय यांत्रिकी (statistical mechanics) में द्वितीय-क्रम के चरण संक्रमणों की एक पहचान है।

लेखक यह निर्धारित करने का प्रयास कर रहे हैं कि क्या स्केलिंग की यह कमी मॉडल की अंतर्निहित विशेषता है या यह एक छोटे, निरंतर स्वतःस्फूर्त सक्रियण संभाव्यता ( $r_1$ ) की उपस्थिति के कारण है। उनका अनुमान है कि $r_1$ ऑर्डर पैरामीटर के संयुग्मी (conjugated) एक बाहरी क्षेत्र के रूप में कार्य करता है, जो सिस्टम को क्रिटिकलिटी (criticality) से दूर ले जाता है और परिमित-आकार स्केलिंग (finite-size scaling) को दबा देता है।

2. कार्यप्रणाली

शोधकर्ताओं ने संख्यात्मक सिमुलेशन और विश्लेमी माध्य-क्षेत्र सन्निकटन (analytical mean-field approximations) के संयोजन का उपयोग किया:

मॉडल सेटअप: एक वाट्स-स्ट्रोग्स नेटवर्क पर एक तीन-अवस्था वाला सेलुलर ऑटोमेटा (शांत, उत्तेजित, रिफ्रैक्टरी) जिसमें क्वेंच्ड एक्सपोनेंशियल सिनैप्टिक वेट्स (quenched exponential synaptic weights) हैं। नियंत्रण पैरामीटर सक्रियण थ्रेशोल्ड $T$ है।
$r_1 = 0$ के लिए संख्यात्मक दृष्टिकोण: चूंकि $r_1 = 0$ $r_{1} = 0$ सेट करने से एक "एब्जॉर्बिंग स्टेट" (जहाँ सभी न्यूरॉन्स शांत हो जाते हैं) उत्पन्न होती है, इसलिए मानक सिमुलेशन विफल हो जाते हैं। क्रिटिकल रिजीम का अध्ययन करने के लिए, उन्होंने दो क्वासी-स्टेशनरी विधियों का उपयोग किया:
1. रीएक्टिवेशन एल्गोरिदम: जब भी सिस्टम एब्जॉर्बिंग स्टेट में पहुँचता है, तो उत्तेजित न्यूरॉन्स के एक अंश के साथ सिस्टम को पुनरारंभ करना।
2. फिक्स्ड टाइम एल्गोरिदम: केवल उन नेटवर्क वास्तविकताओं (realizations) पर विचार करना जो एक पूर्व-निर्धारित अधिकतम समय ( $t_{max}$ ) तक सक्रिय रहती हैं।
लिमिट विश्लेषण: स्केलिंग के उभरने को देखने के लिए उन्होंने घटते मानों $r_1 \to 0$ के साथ सिमुलेशन किए।
विश्लेमी दृष्टिकोण: डेटा की तुलना करने के लिए सक्रियण तंत्रों (स्वतःस्फूर्त, एकल, और सहकारी) को मॉडल करने हेतु एक माध्य-क्षेत्र सन्निकटन विकसित किया गया।
मापे गए मान: औसत गतिविधि ( $f_a$ ), उतार-चढ़ाव संवेदनशीलता ( $\chi$ ), और क्रिटिकल थ्रेशोल्ड $T_c$ का अनुमान लगाने के लिए ऑटोकोरिलेशन फंक्शन का पहला गुणांक ($AC(1)$)।

3. मुख्य योगदान और परिणाम

$r_1$ को बाहरी क्षेत्र के रूप में पहचानना: यह अध्ययन पुष्टि करता है कि पिछले साहित्य में "लापता" स्केलिंग $r_1 > 0$ के कारण थी। जैसे-जैसे $r_1 \to 0$ होता है, संवेदनशीलता में एक स्पष्ट परिमित-आकार स्केलिंग व्यवहार उभरता है। यह सिद्ध करता है कि $r_1$ , ऑर्डर पैरामीटर $f_a$ के संयुग्मी एक बाहरी क्षेत्र की भूमिका निभाता है।
एक नए यूनिवर्सलिटी क्लास (Universality Class) की खोज: $r_1 = 0$ के मामले में फाईनाइट-साइज स्केलिंग लागू करके, लेखकों ने क्रिटिकल एक्सपोनेंट्स ( $\beta/\nu d \approx 0.3$ और $\gamma'/\nu d \approx 0.25$ ) का अनुमान लगाया। महत्वपूर्ण रूप से, ये एक्सपोनेंट्स किसी भी ज्ञात यूनिवर्सलिटी क्लास (जैसे कि डायरेक्टेड परकोलेशन) से मेल नहीं खाते हैं, जो यह सुझाव देता है कि नेटवर्क की क्वेंच्ड डिसऑर्डर या दुर्लभ-क्षेत्र प्रभाव (rare-region effects) क्रिटिकल व्यवहार को महत्वपूर्ण रूप से बदलते हैं।
सक्रियण तंत्रों का लक्षण वर्णन: लेखकों ने सक्रियण को तीन प्रकारों में वर्गीकृत किया:
1. स्वतःस्फूर्त (Spontaneous): $r_1$ द्वारा संचालित।
2. एकल (Single): एक पड़ोसी सक्रियण को ट्रिगर करने के लिए पर्याप्त मजबूत है ( $W_{ij} > T$ )।
3. सहकारी (Cooperative): कई पड़ोसियों का योग सक्रियण को ट्रिगर करता है।
  उन्होंने पाया कि कम कनेक्टिविटी ( $\langle k \rangle$ ) के लिए, एकल सक्रियण प्रभावी रहता है। जैसे-जैसे $\langle k \rangle$ बढ़ता है, संक्रमण तेजी से सहकारी तंत्रों द्वारा संचालित होता है, जो अंततः चरण संक्रमण को सतत (द्वितीय-क्रम) से असंतत (प्रथम-क्रम) में बदल देता है।
माध्य-क्षेत्र सिद्धांत का सत्यापन: माध्य-क्षेत्र सन्निकटन ने क्रिटिकल थ्रेशोल्ड $T_c \approx \ln(k)/\lambda$ की सफलतापूर्वक भविष्यवाणी की, जो पुष्टि करता है कि निम्न-से-मध्यम कनेक्टिविटी के पास सहकारी प्रभाव नगण्य हैं।

4. महत्व

यह कार्य उत्तेजक माध्यमों (excitable media) और न्यूरल मॉडलों के चरण संक्रमण परिदृश्य को मौलिक स्पष्टीकरण प्रदान करता है। यह प्रदर्शित करके कि कैसे सूक्ष्म स्वतःस्फूर्त गतिविधि मैक्रोस्कोपिक क्रिटिकल स्केलिंग को छिपा सकती है, यह पेपर जैविक प्रणालियों (जैसे मानव मस्तिष्क) में क्रिटिकलिटी की व्याख्या करने के लिए एक चेतावनीपूर्ण ढांचा प्रदान करता है, जहाँ "शोर" या स्वतःस्फूर्त फायरिंग हमेशा मौजूद रहती है। इसके अतिरिक्त, स्मॉल-वर्ल्ड नेटवर्क में एक संभावित नई यूनिवर्सलिटी क्लास की पहचान, यह अध्ययन करने के नए मार्ग खोलती है कि टोपोलॉजिकल डिसऑर्डर और सिनैप्टिक वेट वितरण न्यूरल नेटवर्क की सामूहिक गतिशीलता को कैसे प्रभावित करते हैं।