🧬 biology

A Deep Learning Model of Mental Rotation Informed by Interactive VR Experiments

यह शोध पत्र एक तीन-घटक वाले डीप लर्निंग मॉडल का प्रस्ताव करता है जो मानव मानसिक रोटेशन प्रदर्शन और प्रतिक्रिया समय को सटीक रूप से अनुकरण करने के लिए इक्विवेरिएंट न्यूरल एनकोडिंग, न्यूरो-सिंबोलिक ऑब्जेक्ट विवरण और रिकरेंट निर्णय लेने की प्रक्रिया को एकीकृत करता है, जैसा कि मौजूदा साहित्य और नए इंटरैक्टिव वीआर प्रयोगों द्वारा प्रमाणित किया गया है।

मूल लेखक: Raymond Khazoum, Daniela Fernandes, Aleksandr Krylov, Qin Li, Stephane Deny

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Raymond Khazoum, Daniela Fernandes, Aleksandr Krylov, Qin Li, Stephane Deny

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपने अपने हाथों में दो अलग-अलग 3D पहेलियाँ पकड़ी हुई हैं। एक आपके सामने मेज पर रखी है, और दूसरी आपके मन की आँखों में तैर रही है, लेकिन वह तिरछी (sideways) है। आपके मस्तिष्क को यह समझना होगा: "यदि मैं तैरती हुई पहेली को घुमाता हूँ, तो क्या यह मेज वाली पहेली की तरह बिल्कुल वैसी ही दिखेगी, या यह उसका दर्पण प्रतिबिंब (mirror image) है?"

इस मानसिक कसरत को मेंटल रोटेशन (Mental Rotation) कहा जाता है। दशकों से, वैज्ञानिक यह जानने के लिए उत्सुक रहे हैं कि हमारा मस्तिष्क वास्तव में इसे कैसे करता है। क्या यह हमारे दिमाग में घूमते हुए एक धीमी, निरंतर वीडियो की तरह है? या यह बड़े, अलग-अलग चरणों (discrete jumps) में कूदने जैसा है?

इस शोध पत्र में, शोधकर्ताओं की एक टीम ने एक कंप्यूटर मस्तिष्क (एक डीप लर्निंग मॉडल) बनाया जो इस पहेली को हल कर सके। वे केवल यह नहीं चाहते थे कि कंप्यूटर सही उत्तर दे; वे एक ऐसा मशीन बनाना चाहते थे जो बिल्कुल इंसान की तरह सोचता हो। ऐसा करने के लिए, उन्होंने केवल पुराने डेटा को नहीं देखा; बल्कि उन्होंने वास्तविक लोगों को वर्चुअल रियलिटी (VR) हेडसेट पहनाकर यह देखा कि पहेली सुलझाने के लिए वे अपने हाथों को वास्तव में कैसे घुमाते हैं।

यहाँ उनका "मानव-समान कंप्यूटर मस्तिष्क" कैसे काम करता है, इसे तीन सरल चरणों में समझाया गया है:

1. "3D स्कैनर" (इक्विवेरिएंट एनकोडर - The Equivariant Encoder)

रूपक (Metaphor): कल्पना कीजिए कि आप एक घन (cube) की सपाट फोटो देख रहे हैं। एक सामान्य कंप्यूटर इसे एक सपाट वर्ग के रूप में देखता है। लेकिन आपका मस्तिष्क तुरंत जान जाता है, "यह एक घन है, और मैं इसका ऊपरी और बगल का हिस्सा देख सकता हूँ।"
मॉडल क्या करता है: उनके मॉडल का पहला हिस्सा एक विशेष कैमरा है जो एक 2D तस्वीर को देखता है और तुरंत उसकी एक 3D "भूतिया आकृति" (ghost) अपनी स्मृति में बना लेता है। इसे इस तरह प्रशिक्षित किया गया है कि यदि आप उस भूतिया आकृति को घुमाने के लिए कहें, तो वह 3D स्पेस में बिल्कुल एक वास्तविक वस्तु की तरह घूमेगी। यह स्थानिक प्रतिनिधित्व (Spatial Representation) है।

2. "अनुवादक" (न्यूरो-सिंबोलिक एनकोडर - The Neuro-Symbolic Encoder)

रूपक: अब जब कंप्यूटर के पास एक 3D भूतिया आकृति है, तो उसे इसे एक ऐसे मित्र को समझाना है जो उस आकृति को देख नहीं सकता। आकार को "यह 45 डिग्री घुमा हुआ एक घन है" कहने के बजाय, यह आकार को दिशाओं के एक सरल वाक्य में अनुवादित करता है, जैसे कि खजाने का नक्शा हो: "ऊपर जाओ, दाईं ओर जाओ, पीछे जाओ, नीचे जाओ..."
मॉडल क्या करता है: यह भाग उस 3D भूतिया आकृति को लेता है और उसे एक प्रतीकात्मक विवरण (Symbolic Description) में बदल देता है। महत्वपूर्ण बात यह है कि शोधकर्ताओं ने पाया कि इंसानों को पूर्ण सटीकता (precision) की आवश्यकता नहीं होती। उन्हें बस यह जानने की आवश्यकता है कि वस्तु किस "चतुर्थांश" (Quadrant या सामान्य क्षेत्र) में है।

"क्वाड्रेंट परिकल्पना (The Quadrant Hypothesis):" कल्पना कीजिए कि दुनिया को चार बड़े पिज्जा स्लाइसों में विभाजित किया गया है। मॉडल को इससे फर्क नहीं पड़ता कि वस्तु 10 डिग्री पर है या 20 डिग्री पर; उसे बस इतना पता होना चाहिए कि वह "ऊपरी-दाएं स्लाइस" में है। यह समस्या को बहुत सरल बना देता है।

3. "निर्णय एजेंट" (न्यूरल एजेंट - The Neural Agent)

रूपक: आपके पास वस्तु A और वस्तु B का "खजाने का नक्शा" (प्रतीकात्मक विवरण) है। एजेंट आपके दिमाग में उठने वाली वह छोटी सी आवाज़ है जो कहती है, "ठीक है, वस्तु A ऊपरी-दाएं स्लाइस में है। वस्तु B निचले-बाएं स्लाइस में है। मुझे वस्तु A को दो स्लाइस घुमाकर मैच करना होगा।"
मॉडल क्या करता है: यह अंतिम भाग दोनों "नक्शों" की तुलना करता है।

यदि नक्शे कहते हैं कि वे एक ही स्लाइस में हैं, तो यह निर्णय लेता है: "मैच!"
यदि वे अलग-अलग स्लाइस में हैं, तो यह निर्णय लेता है: "90 डिग्री क्लॉकवाइज घुमाओ!" या "180 डिग्री घुमाओ!"
फिर यह उस 3D भूतिया आकृति पर वह घुमाव लागू करता है, एक नया नक्शा प्राप्त करता है, और फिर से जाँच करता है। यह तब तक चलता रहता है जब तक कि नक्शे मेल न खा जाएं।

असली मंत्र: VR प्रयोग

यह सुनिश्चित करने के लिए कि उनका कंप्यूटर मस्तिष्क इंसानों की तरह सोच रहा है, शोधकर्ताओं ने 19 लोगों को एक VR कमरे में रखा।

पुराना तरीका: लोग केवल चित्रों को देखते थे और एक बटन दबाते थे।
नया तरीका: लोग VR में वस्तु को घुमाने के लिए एक जॉयस्टिक पकड़ सकते थे और उसे भौतिक रूप से घुमा सकते थे।

उन्होंने क्या पाया:
इंसान आश्चर्यजनक रूप से आलसी होते हैं (अच्छे अर्थ में!)। वे वस्तुओं को धीरे-धीरे और निरंतर नहीं घुमाते। इसके बजाय, वे एक या दो बड़े, तेज़ "बैलिस्टिक" जंप (ballistic jumps) लेते हैं (जैसे स्विच को झटके से दबाना) ताकि वस्तु को सही सामान्य "स्लाइस" या चतुर्थांश में लाया जा सके। एक बार जब वह सही क्षेत्र में पहुँच जाती है, तो वे रुक जाते हैं और निर्णय लेते हैं।

शोधकर्ताओं ने पाया कि उनका कंप्यूटर मॉडल, जिसे इन "बड़े जंप" (क्वाड्रेंट विचार पर आधारित) को करने के लिए बनाया गया था, लगभग वैसा ही व्यवहार करता है जैसा VR प्रयोग में इंसानों ने किया।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

शोध पत्र का दावा है कि यह पहली बार है जब किसी ने ऐसा कंप्यूटर मॉडल बनाया है जो:

मेंटल रोटेशन कार्य को सही ढंग से हल करता है।
इंसानों के चलने-फिरने के विशिष्ट तरीके (धीमे घुमाव के बजाय कुछ बड़े जंप लेना) की नकल करता है।
यह करने के लिए 3D स्थानिक सोच (भूतिया आकृति) और प्रतीकात्मक तर्क (नक्शा) के मिश्रण का उपयोग करता है।

लेखकों का तर्क है कि हमारा मस्तिष्क संभवतः एक हाइब्रिड सिस्टम का उपयोग करता है: हम अपने मन में एक 3D चित्र बनाते हैं, लेकिन हम निर्णय सरल, अमूर्त नियमों (जैसे "यह सही चतुर्थांश में है") का उपयोग करके लेते हैं, न कि प्रत्येक डिग्री के घुमाव की गणना करके।

संक्षेप में: उन्होंने एक रोबोट मस्तिष्क बनाया जो वस्तुओं को घुमाना सीखता है—पहले उन्हें 3D में देखकर, फिर उन्हें एक सरल दिशा मानचित्र में बदलकर, और फिर पहेली सुलझाने के लिए कुछ बड़े, स्मार्ट जंप लेकर—ठीक वैसे ही जैसे एक इंसान VR गेम में करता है।

तकनीकी सारांश: इंटरैक्टिव वीआर (VR) प्रयोगों से प्रेरित मानसिक रोटेशन का एक डीप लर्निंग मॉडल

समस्या विवरण
मानसिक रोटेशन (mental rotation)—विभिन्न दृष्टिकोणों से देखी गई वस्तुओं की तुलना करने की क्षमता—एक मौलिक मानवीय संज्ञानात्मक प्रक्रिया है। जबकि शेफर्ड और मेट्ज़लर (1971) के मौलिक कार्य ने यह स्थापित किया कि मानव प्रतिक्रिया समय कोणीय विषमता (angular disparity) के समानुपाती होता है, जो एक आंतरिक "स्थानिक इंजन" (spatial engine) का सुझाव देता है, कोई भी मौजूदा कम्प्यूटेशनल मॉडल मानसिक रोटेशन कार्य को सफलतापूर्वक हल नहीं कर पाया है और साथ ही यह भी नहीं बता पाया है कि मस्तिष्क इस प्रक्रिया को कैसे निष्पादित करता है। वर्तमान डीप लर्निंग सिस्टम अक्सर स्थानिक तर्क (spatial reasoning) और नवीन 3D ओरिएंटेशन में सामान्यीकरण (generalization) करने में संघर्ष करते हैं, और प्लेनर एवं डेप्थ रोटेशन दोनों में मानवीय प्रदर्शन की मजबूती को दोहराने में विफल रहते हैं।

कार्यप्रणाली
लेखक एक तीन-चरणीय यांत्रिक मॉडल प्रस्तावित करते हैं जो डीप लर्निंग, इक्विवेरिएंट रिप्रेजेंटेशन (equivariant representations) और न्यूरो-सिंबोलिक रीजनिंग को एकीकृत करता है। मॉडल का डिज़ाइन मौजूदा साहित्य और वर्चुअल रियलिटी (VR) के एक नवीन सेट द्वारा निर्देशित है जहाँ मानव विषयों ने एक जॉयस्टिक के माध्यम से वस्तुओं का हेरफेर किया।

VR प्रयोगात्मक डिज़ाइन: लेखकों ने शेफर्ड-मेट्ज़लर वस्तुओं का उपयोग करते हुए एक VR वातावरण में 19 प्रतिभागियों के साथ प्रयोग किए। पारंपरिक 2D सेटअप के विपरीत, "एक्शन" (Action) सेटअप ने विषयों को एक थंबस्टिक का उपयोग करके वस्तुओं को घुमाने की अनुमति दी। प्रमुख व्यवहार संबंधी निष्कर्षों में शामिल थे:
- विषयों ने निर्णय लेने से पहले वस्तुओं को एक मोटे "क्वाड्रेंट" (quadrant) में संरेखित करने के लिए उल्लेखनीय रूप से कम संख्या में "बैलिस्टिक" (ballistic) क्रियाओं (आमतौर पर एक) का प्रदर्शन किया।
- विषयों ने पूर्ण संरेखण (perfect alignment) खोजने का प्रयास नहीं किया, बल्कि वस्तुओं को एक-दूसरे के सापेक्ष $\pm 45^\circ$ की सीमा के भीतर रखा।
- प्रतिक्रिया समय बड़े कोणीय अंतरों पर उच्च परिवर्तनशीलता दिखाता है, जो एक सख्त निश्चित, निरंतर रोटेशन गति की परिकल्पना को चुनौती देता है।
कम्प्यूटेशनल मॉडल: इन निष्कर्षों के आधार पर, लेखकों ने क्वाड्रेंट-डिपेंडेंट सिंबोलिक रिप्रेजेंटेशन हाइपोथीसिस को प्रतिपादित किया, जो यह मानता है कि मनुष्य निरंतर रोटेशन स्पेस को चार असतत (discrete) क्वाड्रेंट्स में कम कर देते हैं। मॉडल में तीन स्टैक्ड मॉड्यूल शामिल हैं:
- मॉड्यूल I (इक्विवेरिएंट न्यूरल एनकोडर): एक इक्विवेरिएंट न्यूरल रेंडरर (EqNR) जिसे 3D वस्तुओं की 2D छवियों पर प्रशिक्षित किया गया है। यह एक 3D स्थानिक लेटेंट प्रतिनिधित्व उत्पन्न करता है जो $SO(3)$ रोटेशन के प्रति इक्विवेरिएंट है, जिससे मॉडल बिना किसी स्पष्ट 3D पर्यवेक्षण के अपने आंतरिक एनालॉग प्रतिनिधित्वों में हेरफेर कर सकता है।
- मॉड्यूल II (न्यूरो-सिंबोलिक ऑब्जेक्ट एनकोडर): एक विजन सिंबोलिक मॉडल (VSM) जिसमें एक विजन ट्रांसफॉर्मर (ViT) एनकोडर और एक ऑटोरेग्रेसिव ट्रांसफॉर्मर डिकोडर शामिल है। यह 3D स्थानिक लेटेंट प्रतिनिधित्वों को क्रमिक सिंबोलिक विवरणों (क्यूब्स के बीच दिशात्मक संक्रमणों के अनुक्रम) में मैप करता है। महत्वपूर्ण रूप से, यह मॉड्यूल सिंबोलिक स्तर पर इक्विवेरिएंस को लागू करता है, जहाँ वस्तु के किसी क्वाड्रेंट सीमा को पार करने पर विवरण अनुमानित रूप से बदल जाता है।
- मॉड्यूल III (न्यूरल डिसीजन एजेंट): एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) जो सिंबोलिक विवरणों के जोड़े को इनपुट के रूप में लेता है। यह दो कार्य करता है: (a) यदि वस्तुएं एक ही क्वाड्रेंट में हैं तो समानता (मैच/मिसमैच) का निर्णय लेना, या (b) यदि वे अलग-अलग क्वाड्रेंट्स में हैं तो आवश्यक रोटेशन एक्शन (जैसे, 90° क्लॉकवाइज घुमाना) की भविष्यवाणी करना। यह एजेंट पुनरावृत्ति (iteratively) में कार्य करता है, मॉड्यूल I से स्थानिक प्रतिनिधित्व पर अनुमानित रोटेशन लागू करता है और समानता निर्णय तक पहुँचने के लिए पुनर्मूल्यांकन करता है।

प्रमुख योगदान

प्रथम यांत्रिक मॉडल: यह पेपर पहला न्यूरल मॉडल प्रस्तुत करता है जो न केवल मानसिक रोटेशन कार्य को हल करता है बल्कि संज्ञानात्मक प्रक्रिया का एक यांत्रिक स्पष्टीकरण भी प्रदान करता है, जो स्थानिक हेरफेर और सिंबोलिक निर्णय लेने के बीच के अंतर को पाटता है।
प्रतिनिधित्वों का एकीकरण: यह कार्य स्थानिक हेरफेर (manipulation) के लिए संरचनात्मक रूप से समरूप (isomorphic) स्थानिक प्रतिनिधित्वों को अमूर्त सिंबोलिक विवरणों (निर्णय लेने और क्रिया चयन के लिए) के साथ संयोजित करने की आवश्यकता को प्रदर्शित करता है।
VR के माध्यम से सत्यापन: मॉडल को मानक व्यवहार संबंधी मेट्रिक्स (सटीकता, प्रतिक्रिया समय के रुझान) और लेखकों के VR प्रयोगों से प्राप्त नवीन इंटरेक्शन डेटा (क्रियाओं की संख्या) दोनों के विरुद्ध सत्यापित किया गया है।
एब्लेशन अध्ययन (Ablation Studies): व्यवस्थित एब्लेशन पुष्टि करते हैं कि किसी भी एकल घटक (इक्विवेरिएंट एनकोडर, सिंबोलिक एनकोडर, या एक्शन-टेकिंग एजेंट) को हटाने से नवीन वस्तुओं के लिए सामान्यीकरण करने या मानव जैसे एक्शन सीक्वेंस को दोहराने में विफलता आती है।

परिणाम

प्रदर्शन: पूर्ण मॉडल 96.13% सटीकता के साथ मानसिक रोटेशन कार्य को प्राप्त करता है, जो मानव प्रदर्शन (VR सेटअप में 91–95%) के तुल्य है।
व्यवहार संबंधी निष्ठा (Behavioral Fidelity): मॉडल कार्य को हल करने के लिए न्यूनतम क्रियाओं (0 या 1 क्रिया द्वारा प्रधान) का उपयोग करने की मानवीय प्रवृत्ति को दोहराता है। यह $0^\circ$ से $120^\circ$ के अंतर के लिए प्रतिक्रिया समय के रैखिक रुझान को सफलतापूर्वक पकड़ लेता है, हालांकि यह कोण-निर्भर न्यूरल कार्यान्वयन लागतों को मान बिना $120^\circ$ और $180^\circ$ के बीच प्रतिक्रिया समय में विशिष्ट वृद्धि को समझाने में संघर्ष करता है।
घटकों की आवश्यकता:
- मानक सियामी नेटवर्क (शुद्ध फीड-फॉरवर्ड) नवीन 3D रोटेशन के लिए सामान्यीकरण करने में विफल रहते हैं, जो इक्विवेरिएंट स्थानिक प्रतिनिधित्वों की आवश्यकता की पुष्टि करते हैं।
- सिंबोलिक एनकोडर को हटाने से मॉडल कार्य को हल करने में विफल हो जाता है, जो कार्यों को निर्देशित करने के लिए अमूर्त विवरणों की आवश्यकता को रेखांकित करता है।
- एक्शन-टेकिंग एजेंट को हटाने से मॉडल उच्च सटीकता के साथ कार्य को हल तो कर लेता है लेकिन क्रमिक, एक्शन-आधारित व्यवहार को दोहराने में विफल रहता है जो मनुष्यों में देखा गया है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य मानसिक रोटेशन की संज्ञानात्मक प्रक्रिया के बारे में नई अंतर्दृष्टि प्रदान करता है, जो एक हाइब्रिड दृष्टिकोण का समर्थन करता है जहाँ रोटेशन को स्थानिक प्रतिनिधित्वों पर लागू किया जाता है, लेकिन निर्णय सिंबोलिक, क्वाड्रेंट-आधारित अमूर्तताओं द्वारा निर्देशित होते हैं। पेपर का तर्क है कि मानव मन निरंतर एनालॉग प्रक्रिया के बजाय रोटेशन स्पेस में "असतत उछाल" (discontinuous jumps) का उपयोग कर सकता है।

मशीन लर्निंग के दृष्टिकोण से, यह कार्य सुझाव देता है कि केवल स्केल पर निर्भर रहने के बजाय स्पष्ट रूप से रिप्रेजेंटेशनल इंडक्टिव बायस (इक्विवेरिएंस और न्यूरो-सिंबोलिक एकीकरण) को लागू करना स्थानिक तर्क के लिए अधिक प्रभावी है। लेखक नोट करते हैं कि हालांकि मौलिक प्रश्न (जैसे, रोटेशन तंत्र की जैविक व्यवहार्यता और डेटा दक्षता) बने हुए हैं, उनका मॉडलिंग प्रयास स्थानिक तर्क को मॉडल करने के लिए डीप, इक्विवेरिएंट और सिंबिक प्रतिनिधित्वों को एकीकृत करने के लिए एक प्रूफ-ऑफ-कांसेप्ट के रूप में कार्य करता है। यह कार्य मानव संज्ञान के सभी पहलुओं को हल करने का दावा नहीं करता है, बल्कि एक व्यवहारिक डेटा के साथ संरेखित होने वाला एक व्यवहार्य न्यूरल कार्यान्वयन प्रदान करने का लक्ष्य रखता है, जो इस सिद्धांत का पालन करता है कि "जिसे मैं बना नहीं सकता, मैं उसे समझ नहीं सकता।"

1. "3D स्कैनर" (इक्विवेरिएंट एनकोडर - The Equivariant Encoder)

2. "अनुवादक" (न्यूरो-सिंबोलिक एनकोडर - The Neuro-Symbolic Encoder)

3. "निर्णय एजेंट" (न्यूरल एजेंट - The Neural Agent)

असली मंत्र: VR प्रयोग

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

इसी तरह के और पेपर