Neuromodulation-inspired gated associative memory networks: extended memory retrieval and emergent multistability
यह शोधपत्र न्यूरोमॉड्यूलेशन की नकल करने वाले गतिविधि-निर्भर गेटिंग (activity-dependent gating) के साथ एक जैव-भौतिक रूप से प्रेरित साहचर्य स्मृति नेटवर्क (associative memory network) प्रस्तावित करता है, जो यह प्रदर्शित करता है कि ऐसी एक प्रणाली शास्त्रीय क्षमता सीमाओं को पार करने, विनाशकारी विफलता (catastrophic breakdown) को समाप्त करने और मानक हॉपफील्ड सीमा से परे पैटर्न क्लस्टरों की सुदृढ़ पुनर्प्राप्ति को सक्षम करने के लिए अट्रैक्टर परिदृश्य (attractor landscape) को मौलिक रूप से पुनर्गठित करती है।
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
मस्तिष्क एक स्थिर मशीन नहीं है; यह एक जीवित, सांस लेता हुआ नेटवर्क है जो दुनिया के अनुकूल होने के लिए लगातार अपने स्वयं के नियमों को फिर से लिखता है। दशकों से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि यह नेटवर्क यादों को कैसे संग्रहीत करता है, अक्सर उन सरल मॉडलों का उपयोग करते हुए जहाँ न्यूरॉन्स के बीच के संबंध एक सर्किट में तारों की तरह स्थिर होते हैं। ये क्लासिक मॉडल, हालांकि उपयोगी हैं, एक कठोर सीमा का सुझाव देते हैं: यदि आप बहुत अधिक यादें संग्रहीत करने का प्रयास करते हैं, तो पूरा सिस्टम भ्रम में ढह जाता है, और एक स्मृति को दूसरी से अलग करने में असमर्थ हो जाता है। हालाँकि, वास्तविक मस्तिष्क कहीं अधिक जटिल होते हैं। वे रासायनिक संकेतों, जैसे कि न्यूरोपेप्टाइड्स से भरे होते हैं, जो न केवल कनेक्शनों को मजबूत या कमजोर करते हैं बल्कि वॉल्यूम नॉब (volume knob) की तरह कार्य करते हैं, जो सूचना के प्रवाह को वास्तविक समय में कम या ज्यादा करते हैं। इन संकेतों को व्यवहार और स्मृति को आकार देने के लिए जाना जाता है, फिर भी उस विनाशकारी पतन को रोकने में उनकी सटीक भूमिका एक रहस्य बनी हुई है।
शिकागो विश्वविद्यालय और मैक्स प्लैंक संस्थान के शोधकर्ताओं की एक टीम ने अब इस रहस्य को खोजने के लिए एक नया मॉडल बनाया है। उन्होंने एक तंत्रिका नेटवर्क (neural network) का डिजिटल सिमुलेशन बनाया है जिसमें इन रासायनिक संकेतों से प्रेरित एक स्व-विनियमन (self-regulating) तंत्र शामिल है। उनके मॉडल में, वे "द्वार" (gates) जो न्यूरॉन्स के सक्रिय होने के तरीके को नियंत्रित करते हैं, स्थिर नहीं हैं; वे न्यूरॉन्स की अपनी गतिविधि के आधार पर खुलते और बंद होते हैं, ठीक वैसे ही जैसे एक थर्मोस्टेट कमरे के तापमान के आधार पर गर्मी को समायोजित करता है। हजारों सिमुलेशन चलाने के बाद, शोधकर्ताओं ने पाया कि यह सरल, स्व-अनुकूलन विशेषता मौलिक रूप से नेटवर्क के व्यवहार को बदल देती है। ओवरलोड होने पर क्रैश होने के बजाय, नेटवर्क यादों को बनाए रखने का एक तरीका खोज लेता है, भले ही संग्रहीत पैटर्न की संख्या उस स्तर से कहीं अधिक हो जो पारंपरिक सिद्धांत कहता है।
इस खोज की कुंजी इस बात में निहित है कि नेटवर्क स्मृति को याद करने (recall) के क्षण को कैसे संभालता है। मानक मॉडलों में, यदि भार बहुत अधिक है, तो स्मृति एक भूत की तरह होती है: वह एक क्षण के लिए दिखाई देती है और फिर शोर (noise) में विलीन हो जाती है। शोधकर्ताओं ने पाया कि उनका 'गेटेड नेटवर्क' कुछ अलग करता है। जब सिस्टम एक स्मृति को पुनः प्राप्त करना शुरू करता है, तो द्वार गतिविधि के प्रति प्रतिक्रिया करते हैं और प्रभावी रूप से न्यूरॉन्स के एक हिस्से को एक स्थान पर स्थिर (freeze) कर देते हैं। ये स्थिर न्यूरॉन्स एक स्थिर लंगर (anchor) के रूप में कार्य करते हैं, जो स्मृति को 'सुस्पंदित अवस्था' (suspended animation) में थामे रखते हैं। यह सिस्टम को अराजकता में फिसलने से रोकता है, जिससे स्मृति उस समय के बहुत बाद तक बनी रहती है जब उसे गायब हो जाना चाहिए था। उनके मॉडल के सबसे चरम संस्करण में, जहाँ द्वार सख्त ऑन-ऑफ स्विच की तरह कार्य करते हैं, नेटवर्क एक स्थिर स्मृति अवस्था को अनिश्चित काल तक बनाए रख सकता है, भले ही संग्रहीत वस्तुओं की संख्या मानक नेटवर्क के सैद्धांतिक सीमा से तीन गुना अधिक हो।
सबसे आश्चर्यजनक खोज शायद यह है कि स्मृति की प्रकृति के साथ क्या होता है। एक क्लासिक स्मृति प्रणाली में, निकाली गई स्मृति या तो पूर्ण होती है या वह समाप्त हो जाती है; सिस्टम एक एकल, निश्चित बिंदु पर आ जाता है। शोधकर्ताओं ने देखा कि उनके गेटेड नेटवर्क में, निकाली गई अवस्था (retrieved state) निश्चित नहीं है। इसके बजाय, स्मृति की अंतिम अवस्था इस बात पर निरंतर निर्भर करती है कि प्रारंभिक संकेत मूल स्मृति के कितने करीब था। यदि आप एक ऐसा संकेत देते हैं जो संग्रहीत पैटर्न के 60 प्रतिशत समान है, तो नेटवर्क ऐसी अवस्था में स्थिर होता है जो 60 प्रतिशत समान है, न कि 100 प्रतिशत पर। यह अलग-थलग द्वीपों के बजाय संभावित अवस्थाओं का एक सहज, निरंतर परिदृश्य बनाता है। स्मृति अब एक कठोर स्नैपशॉट नहीं बल्कि एक तरल अवस्था है जिसे प्रारंभिक इनपुट की शक्ति द्वारा ट्यून किया जा सकता है।
यह व्यवहार बताता है कि मस्तिष्क इन रासायनिक संकेतों का उपयोग न केवल सूचना संग्रहीत करने के लिए, बल्कि जटिल गणनाओं को करने के लिए भी कर सकता है जो एक निरंतर, क्रमिक (graded) सक्रिय अवस्था बनाए रखने पर निर्भर करती हैं। शोधकर्ताओं ने दिखाया कि यह तंत्र बिना न्यूरॉन्स के बीच के अंतर्निहित कनेक्शनों को बदले या जटिल नए प्रकार के इंटरैक्शन जोड़े, काम करता है। नेटवर्क की अपनी गतिविधि को अपनी गति और स्थिरता को नियंत्रित करने देने का सरल कार्य ही स्मृति क्षमता की मौलिक सीमाओं को पार करने के लिए पर्याप्त है। हालाँकि ये परिणाम प्रत्यक्ष जैविक माप के बजाय कंप्यूटर सिमुलेशन और गणितीय सिद्धांत से आते हैं, फिर भी वे एक सम्मोहक स्पष्टीकरण प्रदान करते हैं कि कैसे वास्तविक मस्तिष्क उस "मेमोरी क्लिफ" (स्मृति की ढलान) से बच सकता है जो सरल मॉडलों को प्रभावित करती है। अध्ययन बताता है कि वे रसायन जो हमारे मूड और ध्यान को नियंत्रित करते हैं, वे हमारी स्मृतियों को स्थिर रखने और हमारे मन को लचीला बनाने का रहस्य भी हो सकते हैं, जो एक कठोर डिजिटल सीमा को संभावनाओं के एक समृद्ध, निरंतर स्पेक्ट्रम में बदल देते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।