Brain-Inspired Perspective on Configurations: Unsupervised Similarity and Early Cognition

द अनलेबल मिस्ट्री (The Great Unlabeled Mystery)

कल्पना कीजिए कि आप एक विशाल, अस्त-व्यस्त खिलौनों की दुकान में जा रहे हैं जहाँ हर एक चीज़ आपस में मिली हुई है: कारें, डायनासोर, गुड़िया और ब्लॉक्स, सब एक बड़े ढेर में मिले हुए हैं। अब, कल्पना कीजिए कि एक बच्चा अंदर आता है। बिना किसी के उसे यह बताए कि "कार" क्या होती है या बिना कोई लेबल दिखाए, वह बच्चा स्वाभाविक रूप से चीजों को छाँटना शुरू कर देता है। वे पहले शायद उन सभी चीजों को एक समूह में रख सकते हैं जो चलती हैं (सुपरऑर्डिनेट लेवल), फिर जानवरों को वाहनों से अलग कर सकते हैं (बेसिक लेवल), और अंत में ध्यान दे सकते हैं कि कुछ कारें लाल हैं और कुछ नीली। बिना किसी शिक्षक के छिपे हुए पैटर्न खोजने और श्रेणियां बनाने की यह क्षमता कि मानव मस्तिष्क कैसे काम करता है, सबसे अद्भुत चीजों में से एक है। इसे "अनसुपरवाइज्ड लर्निंग" (unsupervised learning) कहा जाता है, और यही वह गुप्त सूत्र है जो हमें नई दुनिया में तुरंत ढलने में मदद करता है।

दशकों से, कंप्यूटर वैज्ञानिक मशीनों को भी ऐसा ही करने के लिए सिखाने की कोशिश कर रहे हैं। हालाँकि, अधिकांश आधुनिक AI एक ऐसे छात्र की तरह है जो तब तक सीखने से इनकार कर देता है जब तक कि कोई शिक्षक उसे उत्तर लिखा हुआ फ्लैशकार्ड न थमा दे। इन प्रणालियों को यह जानने के लिए कि बिल्ली एक बिल्ली है, लेबल किए गए डेटा की भारी मात्रा की आवश्यकता होती है। जब दुनिया बदलती है या कोई नई, अजीब वस्तु दिखाई देती है, तो ये कठोर प्रणालियाँ अक्सर भ्रमित हो जाती हैं या टूट जाती हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में बड़ा सवाल यह है: क्या हम एक ऐसी मशीन बना सकते हैं जो बच्चे की तरह सीख सके? क्या वह अपनी खुद की संरचना खोज सकती है, यह नोटिस कर सकती है कि कुछ नया और अजीब है, और बिना बताए अपनी समझ को तुरंत पुनर्गठित कर सकती है? यह वह पहेली है जिसे हल करने के लिए शोधकर्ताओं की एक टीम ने हाथ लगाया है।

मस्तिष्क से प्रेरित समाधान (The Brain-Inspired Solution)

इस शोध पत्र में, शोधकर्ता कंप्यूटर द्वारा चीजों को एक साथ समूहित करने के तरीके के बारे में सोचने का एक नया तरीका पेश करते हैं, जिसे "कॉन्फ़िगरेशन" (configurations) कहा जाता है। वे इस बात से प्रेरणा लेते हैं कि एक बच्चे का मस्तिष्क दुनिया को कैसे व्यवस्थित करता है, जिसमें एक सरल लेकिन शक्तिशाली विचार का उपयोग किया गया है: आकर्षण (attraction) और प्रतिकर्षण (repulsion)।

डेटा पॉइंट्स (जैसे जानवरों की तस्वीरें) को छोटे चुंबकों के रूप में सोचें। समान आइटम, जैसे कुत्ते की दो अलग-अलग तस्वीरें, उन्हें एक साथ खींचने के लिए एक मजबूत "आकर्षण" रखते हैं। असमान आइटम, जैसे एक कुत्ता और एक टोस्टर, उन्हें एक-दूसरे से दूर धकेलने के लिए "प्रतिकर्षण" रखते हैं। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जहाँ एक एकल "नॉब" (knob), जिसे रेजोल्यूशन पैरामीटर (मान लीजिए $\gamma$) कहा जाता है, यह नियंत्रित करता है कि ये बल कितने मजबूत हैं।

• नॉब को नीचे घुमाना (Low $\gamma$): आकर्षण मजबूत है, और प्रतिकर्षण कमजोर है। जो भी चीजें थोड़ी भी समान हैं, उन्हें एक बड़े, आरामदायक समूह में खींच लिया जाता है। यह वैसा ही है जैसे एक बच्चा "जानवरों" को एक बड़े श्रेणी के रूप में देखता है।
• नॉब को ऊपर घुमाना (High $\gamma$): प्रतिकर्षण मजबूत हो जाता है। बड़े समूह टूटने लगते हैं, और सिस्टम चीजों को छोटे, अधिक विशिष्ट समूहों में विभाजित करता है। अब, "जानवरों" का समूह "बिल्लियों", "कुत्तों" और "पक्षियों" में विभाजित हो जाता है।

इस प्रणाली का जादू यह है कि इसे यह बताने की आवश्यकता नहीं है कि कितने समूह बनाने हैं। यह स्वाभाविक रूप से एक "स्वीट स्पॉट" (sweet spot) खोज लेता है जहाँ समूह स्थिर होते हैं। यदि आप नॉब को थोड़ा सा हिलाते हैं, तो समूह नहीं बदलते; वे अपनी जगह पर बने रहते हैं। इन स्थिर स्थानों को "प्लेटो" (plateaus) कहा जाता है, और वे मस्तिष्क जैसी क्षमता का प्रतिनिधित्व करते हैं जिससे ठोस श्रेणियां बनती हैं जो आसानी से नहीं डगमगातीं।

"नई" चीजों को खोजना (Finding the "New" Stuff)

इस प्रणाली की सबसे शानदार चीजों में से एक यह है कि यह नवीनता (novelty) को कैसे संभालती है। वास्तविक दुनिया में, बच्चे नई चीजों के प्रति आकर्षित होते हैं। यदि एक बच्चा एक कुत्ता देखता है, तो वह शांत रहता है। यदि वह एक टोपी पहने हुए कुत्ते को देखता है, तो वह जिज्ञासु हो सकता है। यदि वह एक पूरी तरह से अजीब जीव को देखता है, तो वह बहुत सतर्क हो जाता है।

शोधकर्ताओं ने पाया कि उनकी "कॉन्फ़िगरेशन" प्रणाली भी ऐसा ही करती है। वे एक समूह की "ऊर्जा" (energy) को मापते हैं। जब एक नई, अजीब वस्तु को एक समूह में जबरदस्ती डाला जाता है, तो यह बहुत अधिक तनाव पैदा करता है—यह आकर्षण या प्रतिकर्षण के साथ ठीक से फिट नहीं बैठता है। इससे ऊर्जा का स्तर बढ़ जाता है। सिस्टम मूल रूप से चिल्लाकर कहता है, "हे! यहाँ कुछ गलत है!" यह कंप्यूटर को उच्च सटीकता के साथ नवीनता का पता लगाने की अनुमति देता है। अपने परीक्षणों में, सिस्टम ने 87% सफलता दर (AUC के रूप में मापा गया) के साथ नए, अपरिचित आइटमों को पहचान लिया, जो शिशुओं की अजीब उत्तेजनाओं के प्रति प्रतिक्रिया करने के तरीके की नकल करता है।

"मोज़ेक" समस्या और समाधान (The "Mosaic" Problem and the Solution)

एक बड़ी बाधा थी जिसे शोधकर्ताओं को पार करना था: आप किसी कंप्यूटर के काम को तब कैसे ग्रेड करेंगे जब वह चीजों को आपकी अपेक्षा के अनुसार अलग तरह से वर्गीकृत कर रहा हो?

कल्पना कीजिए कि आप एक छात्र के होमवर्क को ग्रेड कर रहे हैं। यदि छात्र "बिल्लियों" और "कुत्तों" को एक साथ रखता है, लेकिन आप उन्हें अलग चाहते थे, तो आप उन्हें कम अंक दे सकते हैं। लेकिन क्या होगा यदि छात्र "बिल्लियों", "कुत्तों" और "खरगोशों" को एक बड़े "रोएंदार जानवरों" के समूह में रखता है? क्या यह गलत है? या यह संगठन का एक अलग स्तर है? पारंपरिक कंप्यूटर ग्रेडिंग उपकरण सख्त शिक्षकों की तरह हैं जो केवल एक विशिष्ट उत्तर स्वीकार करते हैं। वे भ्रमित हो जाते हैं जब समूहों की संख्या बदलती है या जब समूह टूटते और जुड़ते हैं, जो बिल्कुल वही है जो इस मस्तिष्क-प्रेरित प्रणाली में होता है।

इसे ठीक करने के लिए, टीम ने mheatmap नामक एक नया टूल बनाया। एक उबाऊ तालिका के बजाय, उन्होंने एक "मोज़ेक हीटमैप" बनाया। एक पहेली की कल्पना करें जहाँ प्रत्येक टुकड़े का आकार आपको बताता है कि कंप्यूटर के समूहों और वास्तविक दुनिया के समूहों के बीच कितना ओवरलैप है। यदि कंप्यूटर एक बड़े समूह को दो छोटे समूहों में विभाजित करता है, तो मोज़ेक इसे एक टूटे हुए टुकड़े के रूप में स्पष्ट रूप से दिखाता है, बजाय इसके कि इसे गलती के रूप में चिह्नित किया जाए। उन्होंने एक "रिवर्स मर्ज/स्प्लिट" (RMS) एल्गोरिदम भी बनाया, जो एक स्मार्ट संपादक की तरह है जो लेबल को फिर से व्यवस्थित करता है ताकि यह देखा जा सके कि क्या कंप्यूटर का तर्क वास्तव में समझ में आता है, भले ही नाम अलग हों। यह सुनिश्चित करता है कि वे केवल लेबल का नहीं, बल्कि सीखने की संरचना का मूल्यांकन कर रहे हैं।

उन्होंने क्या पाया (What They Found)

शोधकर्ताओं ने अपने "कॉन्फ़िगरेशन" सिस्टम का परीक्षण कई डेटासेट्स पर किया, जिसमें रोजमर्रा की वस्तुओं (जैसे CIFAR-10 और ImageNet) की तस्वीरें और यहाँ तक कि डेटा भी शामिल था जिसे शिशुओं के देखने के तरीके की नकल करने के लिए डिज़ाइन किया गया था।

• बेहतर छंटनी: सिस्टम ने मानक कंप्यूटर सॉर्टिंग विधियों (जैसे k-means और DBSCAN) को काफी पीछे छोड़ दिया। Salinas नामक डेटासेट पर, इसने 0.92 (ARI) और 0.94 (NMI) का स्कोर प्राप्त किया, जो अगले सबसे अच्छे तरीके से बहुत आगे था।
• बच्चे जैसा व्यवहार: जब "इन्फेंट स्टिमुलस" (डेटा जो यह देखने के लिए डिज़ाइन किया गया है कि क्या एक बच्चा सीखता है) पर परीक्षण किया गया, तो सिस्टम ने मानव शिशुओं के समान ही पैटर्न दिखाया। जब उसे केवल आंशिक संकेत (जैसे केवल आँखें या केवल आकार) दिए गए, तो उसे वर्गीकृत करने में कठिनाई हुई, लेकिन जब उसे पूरी तस्वीर दी गई, तो वह उत्कृष्ट प्रदर्शन कर रहा था। यह सुझाव देता है कि सिस्टम केवल रट नहीं रहा है; यह पूरी तस्वीर देखना सीख रहा है, ठीक वैसे ही जैसे एक बच्चा करता है।
• स्थिरता: जब डेटा में श्रेणियां बदलने या विकसित होने लगीं, तो "कॉन्फ़िगरेशन" प्रणाली अन्य तरीकों की तुलना में 35% अधिक स्थिर थी। इसने घबराहट नहीं की; इसने बस अपने समूहों को सुचारू रूप से समायोजित किया।

यह क्यों महत्वपूर्ण है (Why This Matters)

यह शोध पत्र बताता है कि हमें AI को स्मार्ट बनाने के लिए जटिल, कठोर नियमों की आवश्यकता नहीं है। इसके बजाय, आकर्षण और प्रतिकर्षण के एक सरल ढांचे का उपयोग करके, हम ऐसी प्रणालियाँ बना सकते हैं जो स्वाभाविक रूप से पदानुक्रम (hierarchy) की खोज करती हैं, नई चीजों को पहचानती हैं, और परिवर्तन के अनुकूल होती हैं। यह एक ऐसे AI की ओर एक कदम है जो केवल नंबरों को प्रोसेस नहीं करता है, बल्कि दुनिया की संरचना को उस तरह से "समझता" है जो एक जीवित, सोचने वाले मस्तिष्क जैसा महसूस होता है। हालांकि इन प्रणालियों को बड़े पैमाने पर बनाने और वास्तविक तंत्रिका जीव विज्ञान (neural biology) से जोड़ने के लिए अभी भी बहुत काम किया जाना बाकी है, यह शोध मशीनों को हमारे तरीके से सीखने का एक आशाजनक नया रास्ता प्रदान करता है: बिना किसी शिक्षक के, बस दुनिया को तलाशने और व्यवस्थित करने के माध्यम से।