🤖 machine learning

Inverting Foundation Models of Brain Function with Simulation-Based Inference

यह शोधपत्र सिमुलेशन-आधारित अनुमान (simulation-based inference) का उपयोग करके सिंथेटिक तंत्रिका गतिविधि (synthetic neural activity) से भाषाई उद्दीपन गुणों को पुनः प्राप्त करके "ब्रेन फाउंडेशन मॉडल्स" को "इनवर्ट" करने के लिए एक प्रूफ-ऑफ-कॉन्सेप्ट प्रदर्शित करता है, जो यह सुझाव देता है कि इन मॉडल्स का उपयोग मस्तिष्क संकेतों को डिकोड करने और नियंत्रणीय उद्दीपनों के इनवर्स डिज़ाइन (inverse design) दोनों के लिए किया जा सकता है।

मूल लेखक: Niels Bracher, Xavier Intes, Stefan T. Radev

प्रकाशित 2026-04-28

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Niels Bracher, Xavier Intes, Stefan T. Radev

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 आपके पास एक हाई-टेक "ब्रेन मूवी प्रोजेक्टर" (Brain Movie Projector) है।

आमतौर पर, वैज्ञानिक इस प्रोजेक्टर का उपयोग एक "मूवी" (जैसे कोई समाचार हेडलाइन या गाना) चलाने के लिए करते हैं और देखते हैं कि "स्क्रीन" (आपका मस्तिष्क) कैसे चमकती है। इसे फॉरवर्ड मॉडलिंग (Forward Modeling) कहा जाता है: इनपुट $\rightarrow$ मस्तिष्क की गतिविधि।

यह शोध पत्र एक बहुत ही शानदार, "शरलॉक होम्स" शैली का प्रश्न पूछता है: क्या हम प्रोजेक्टर को उल्टा चला सकते हैं? यदि हम आपको एक मस्तिष्क के चमकने की रिकॉर्डिंग दिखाएं, तो क्या आप हमें बता सकते हैं कि वह "मूवी" वास्तव में क्या थी? या बेहतर बात यह है कि, क्या आप हमें उस मूवी का "मूड" (भाव) बता सकते हैं? यह इन्वर्जन (Inversion) है: मस्तिष्क की गतिविधि $\rightarrow$ इनपुट।

यहाँ उन्होंने इसे तीन सरल चरणों में कैसे किया, इसका विवरण दिया गया है:

1. "मूड-कंट्रोल्ड" स्क्रिप्ट राइटर (LLM)

सबसे पहले, शोधकर्ताओं को एक ऐसा तरीका चाहिए था जिससे वे ऐसी "मूवीज़" बना सकें जिनका सटीक नुस्खा (रेसिपी) उन्हें पता हो। उन्होंने एक AI (जैसे ChatGPT) का उपयोग एक स्क्रिप्ट राइटर के रूप में किया। केवल "हेडलाइन लिखें" कहने के बजाय, उन्होंने इसे एक विशिष्ट "फ्लेवर प्रोफाइल" (Flavor Profile) दी।

इसे एक शेफ की तरह समझें: उन्होंने केवल "खाना" नहीं मांगा; उन्होंने "कुछ नमकीन, तीखा और कुरकुरा" मांगा। शोध पत्र में, ये "फ्लेवर" भाषाई गुण थे जैसे वैलेंस (Valence) (क्या यह सुखद है या दुखद?), अराउज़ल (Arousal) (क्या यह रोमांचक है या शांत?), और फॉर्मैलिटी (Formality) (क्या यह पेशेवर है या अनौपचारिक?)। इसके बाद AI ने उन सटीक फ्लेवर्स से मेल खाने वाली समाचार हेडलाइंस लिखीं।

2. "डिजिटल ब्रेन" (द एम्युलेटर)

इसके बाद, उन्होंने उन हेडलाइंस को एक "डिजिटल ब्रेन" (जिसे TRIBEv2 कहा जाता है) में डाला। यह एक विशाल कंप्यूटर प्रोग्राम है जो यह सिम्युलेट करता है कि मानव मस्तिष्क उन शब्दों को सुनने पर कैसी प्रतिक्रिया देगा। यह एक "फ्लाइट सिम्युलेटर" की तरह है, लेकिन आपके न्यूरॉन्स के लिए। यह प्रकाश और गतिविधि का एक "मानचित्र" (Map) बनाता है, जो दिखाता है कि किसी विशिष्ट हेडलाइन को सुनते समय मस्तिष्क के कौन से हिस्से "चमकेंगे"।

3. "ब्रेन डिटेक्टिव" (सिमुलेशन-बेस्ड इन्फरेंस)

अब कठिन हिस्सा आता है: इन्वर्जन (Inversion)। उन्होंने उन चमकते हुए मस्तिष्क मानचित्रों को एक "डिटेक्टिव" (एक गणितीय उपकरण जिसे SBI कहा जाता है) को सौंप दिया।

डिटेक्टिव का काम उन लाइट पैटर्न्स को देखना और रेसिपी का अनुमान लगाना था। "मुझे मस्तिष्क के भावनात्मक केंद्र में बहुत अधिक गतिविधि दिख रही है... यह हेडलाइन निश्चित रूप से बहुत 'तीखी' (उच्च अराउज़ल) और 'नमकीन' (नकारात्मक वैलेंस) रही होगी!"

उन्हें क्या मिला?

डिटेक्टिव अपने काम में कुशल है: शोधकर्ताओं ने पाया कि "डिटेक्टिव" कृत्रिम मस्तिष्क गतिविधि को देखकर, AI स्क्रिप्ट राइटर द्वारा उपयोग किए गए "फ्लेवर्स" (मूड) का सटीक अनुमान लगा सकता है।
यह वास्तविक समाचारों पर भी काम करता है: उन्होंने वास्तविक हेडलाइंस (जैसे The Guardian या Reuters से) पर भी डिटेक्टिव का परीक्षण किया। डिटेक्टिव सिम्युलेटेड मस्तिष्क प्रतिक्रिया को देखकर सही ढंग से पहचान सका कि एक समाचार आउटलेट दूसरे की तुलना में अधिक "औपचारिक" या "नकारात्मक" था।

यह क्यों महत्वपूर्ण है? (इसका महत्व क्या है?)

वर्तमान में, मनुष्यों पर नए विचारों का परीक्षण करना धीमा और महंगा है। आपको लोगों को जुटाना पड़ता है, उन्हें MRI मशीन में रखना पड़ता है, और यह उम्मीद करनी पड़ती है कि वे आपकी अपेक्षा के अनुरूप प्रतिक्रिया देंगे।

यह शोध पत्र "इन सिलिको" न्यूरोसाइंस (In Silico Neuroscience) (कंप्यूटर के भीतर विज्ञान) के भविष्य का सुझाव देता है।

बेहतर टूल्स डिजाइन करना: यदि आप चिंता (anxiety) से जूझ रहे व्यक्ति को शांत करने का कोई तरीका डिजाइन करना चाहते हैं, तो आप इस "रिवर्स प्रोजेक्टर" का उपयोग करके लाखों संभावित ध्वनियों या शब्दों में से उस एक को खोज सकते हैं जो ठीक वही "शांत" मस्तिष्क पैटर्न पैदा करता है जिसे आप चाहते हैं।
मन को समझना: यह मानव मन का "डिजिटल ट्विन" बनाने की दिशा में एक बड़ा कदम है—एक ऐसा तरीका जिससे हम कंप्यूटर के भीतर ही यह परीक्षण कर सकें कि हम कैसे सोचते हैं, महसूस करते हैं और प्रतिक्रिया करते हैं।

तकनीकी सारांश: सिमुलेशन-आधारित अनुमान के साथ मस्तिष्क कार्य के फाउंडेशन मॉडल्स का व्युत्क्रमण (Inverting)

1. समस्या विवरण

यह शोध पत्र कम्प्यूटेशनल न्यूरोसाइंस की एक मौलिक चुनौती को संबोधित करता है: न्यूरल डिकोडिंग की व्युत्क्रम समस्या (inverse problem of neural decoding)। जबकि मस्तिष्क के "फाउंडेशन मॉडल्स" (जैसे TRIBEv2) उभर कर आए हैं जो यह अनुकरण करते हैं कि मस्तिष्क जटिल उद्दीपनों (stimuli) के प्रति कैसे प्रतिक्रिया देता है (फॉरवर्ड मैपिंग), इसके विपरीत कार्य करना काफी कठिन है। विशेष रूप से, लेखक पूछते हैं: क्या हम केवल अनुमानित मस्तिष्क गतिविधि मानचित्रों (brain activity maps) से उद्दीपन के अंतर्निहित गुणों (जैसे कि इसके भावनात्मक या भाषाई लक्षण) को पुनः प्राप्त कर सकते हैं?

इन मॉडल्स का व्युत्क्रमण (inversion) कठिन है क्योंकि उद्दीपन से मस्तिष्क की प्रतिक्रिया तक का मैपिंग उच्च-आयामी (high-dimensional), गैर-रैखिक (nonlinear) और अपारदर्शी है। इसके अलावा, इस व्युत्क्रमण का परीक्षण करने के लिए, एक "पैरामीटराइज्ड स्टिमुलस जनरेटर" की आवश्यकता है—एक ऐसा तरीका जिससे ऐसे उद्दीपन बनाए जा सकें जो व्यवस्थित रूप से व्याख्या योग्य चरों (interpretable variables) से जुड़े हों।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन पाइपलाइन प्रस्तावित करते हैं जो तीन विशिष्ट तकनीकों को एक क्लोज्ड-लूप सिमुलेशन-आधारित अनुमान (Simulation-Based Inference - SBI) ढांचे में एकीकृत करती है:

उद्दीपन निर्माण (LLMs): वे नियंत्रणीय उद्दीपन डिजाइनरों के रूप में फ्रंटियर लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करते हैं। एक छह-आयामी भाषाई वेक्टर $\theta$ (जिसमें वैलेंस, अराउज़ल, डोमिनेंस, सब्जेक्टिविटी, सर्टेन्टी और फॉर्मैलिटी शामिल हैं) पर आधारित करके, वे समाचार सुर्खियाँ (headlines) उत्पन्न करते हैं। इन सुर्खियों को फिर मल्टीमॉडल उद्दीपनों (टेक्स्ट + स्पीच वाया टेक्स्ट-टू-स्पीच) में परिवर्तित किया जाता है ताकि मस्तिष्क मॉडल के लिए एक समृद्ध इनपुट प्रदान किया जा सके।
न्यूरल इम्यूलेशन (TRIBEv2): इन मल्टीमॉडल उद्दीपनों को TRIBEv2 में फीड किया जाता है, जो एक मल्टीमॉडल फाउंडेशन मॉडल है। यह उद्दीपनों के जवाब में समय-बद्ध (temporally resolved), स्थानिक मस्तिष्क सक्रियण मानचित्रों (cortical meshes) की भविष्यवाणी करता है।
SBI के माध्यम से व्युत्क्रमण (Inversion): इस व्युत्क्रम समस्या को हल करने के लिए, लेखक इसे एक बायेसियन अनुमान कार्य के रूप में फ्रेम करते हैं। वे उच्च-आयामी मस्तिष्क मानचित्रों ( $X$ $X$ ) से अंतर्निहित स्टिमुलस पैरामीटर्स ( $\theta$ $θ$ ) तक एक संभाव्य मैपिंग सीखने के लिए एक कंडीशनल फ्लो-मैचिंग इंफरेंस नेटवर्क का उपयोग करते हैं।
- समरी बैकबोन (Summary Backbone): कॉर्टिकल मेष की विशाल आयामीता को संभालने के लिए, वे मस्तिष्क गतिविधि को एक संक्षिप्त प्रतिनिधित्व में संकुचित करने के लिए PCA-आधारित स्थानिक प्रोजेक्शन और एक रेसिडुअल MLP का उपयोग करते हैं।
- फ्लो मैचिंग (Flow Matching): यह मॉडल को एक वेग क्षेत्र (velocity field) सीखने की अनुमति देता है जो एक सरल गॉसियन वितरण को स्टिमुलस पैरामीटर्स के जटिल पोस्टीरियर वितरण में बदल देता है।

3. मुख्य योगदान

SBI में LLMs का एकीकरण: यह प्रदर्शित करना कि LLMs एक न्यूरोसाइंटिफिक सिमुलेशन लूप के भीतर अत्यधिक नियंत्रणीय, पैरामीटराइज्ड स्टिमुलस जनरेटर के रूप में कार्य कर सकते हैं।
In silico न्यूरोसाइंस के लिए एक ढांचा: यह जांचने के लिए एक विधि प्रस्तावित करना कि क्या न्यूरल एनकोडिंग की गुणवत्ता (फाउंडेशन मॉडल्स में) पर्याप्त जानकारी रखती है जिससे उद्दीपन की "रेसिपी" को पुनर्गठित किया जा सके।
एमोर्टाइज्ड बायेसियन डिकोडिंग: फ्लो-मैचिंग का उपयोग करके उच्च-आयामी, परिवर्तनशील-लंबाई वाले न्यूरल अनुक्रमों से डिकोडिंग करने का एक स्केलेबल तरीका लागू करना।

4. परिणाम

साइकिल कंसिस्टेंसी (केवल टेक्स्ट): लेखकों ने पहले यह परीक्षण किया कि क्या भाषाई मापदंडों को केवल टेक्स्ट के माध्यम से एक व्युत्क्रम LLM प्रॉम्प्ट का उपयोग करके प्राप्त किया जा सकता है। हालांकि यह सफल रहा, लेकिन इस पद्धति ने "एंटैंगलमेंट" (विभिन्न आयामों के बीच स्प्यूरियस सहसंबंध, जैसे डोमिनेंस और वैलेंस) दिखाया।
ब्रेन-टू-स्कोर रिकवरी (SBI): SBI मॉडल ने टेक्स्ट-ओनली बेसलाइन की तुलना में काफी बेहतर प्रदर्शन किया। इसने ग्राउंड-ट्रुथ पैरामीटर्स के साथ उच्च पियर्सन सहसंबंध (Pearson correlations) प्राप्त किया और बहुत कम ऑफ-डायगोनल क्रॉस-कोरिलेशन दिखाया, जिसका अर्थ है कि इसने सफलतापूर्वक मस्तिष्क संकेत से विभिन्न भाषाई आयामों को अलग (disentangle) कर दिया।
सामान्यीकरण (Generalization): मॉडल ने मजबूत "इन-डिस्ट्रीबशन" प्रदर्शन दिखाया (उदाहरण के लिए, GPT-जनरेटेड डेटा पर प्रशिक्षित मॉडल GPT डेटा पर सबसे अच्छा काम करता है) लेकिन विभिन्न LLM जनरेटरों के बीच ट्रांसफर करने की क्षमता भी प्रदर्शित की, हालांकि इसमें सटीकता में कुछ कमी देखी गई।
वास्तविक दुनिया का अनुप्रयोग: जब इसे द गार्डियन या रॉयटर्स जैसे आउटलेट्स की वास्तविक दुनिया की समाचार सुर्खियों पर लागू किया गया, तो मॉडल ने प्रशंसनीय शैलीगत प्रोफाइल (जैसे, विभिन्न समाचार संगठनों के विशिष्ट फॉर्मैलिटी या सब्जेक्टिविटी स्तरों की पहचान करना) उत्पन्न किए, जिससे यह सिद्ध हुआ कि सीखा गया लेटेंट स्पेस सार्थक है।

5. महत्व

यह कार्य न्यूरोसाइंस में "इनवर्स डिजाइन" (Inverse Design) की ओर एक कदम है। केवल यह देखने के बजाय कि मस्तिष्क दुनिया के प्रति कैसे प्रतिक्रिया करता है, शोधकर्ता इन मॉडल्स का उपयोग कर सकते हैं:

सूचनात्मक उद्दीपनों को डिजाइन करने के लिए: विशिष्ट उद्दीपनों को संश्लेषित करने के लिए जो सटीक न्यूरल अवस्थाओं को उत्पन्न करने या प्रतिस्पर्धी न्यूरोसाइंटिफिक परिकल्पनाओं के बीच अंतर करने के लिए तैयार किए गए हों।
मॉडल-संचालित संश्लेषण (Model-Driven Synthesis): न्यूरोमार्केटिंग, ऑडियंस मॉडलिंग, या मानव-केंद्रित डिजाइन के लिए उद्दीपनों को अनुकूलित करने के लिए, जो महंगे मानव परीक्षण आयोजित करने से पहले न्यूरल हस्ताक्षरों (neural signatures) की भविष्यवाणी कर सकें।
ब्रेन मॉडल्स को मान्य करने के लिए: यह सुनिश्चित करने के लिए एक कठोर गणितीय बेंचमार्क प्रदान करना कि मस्तिष्क के फाउंडेशन मॉडल्स संवेदी और संज्ञानात्मक प्रसंस्करण की वास्तविक अंतर्निहित संरचना को कैप्चर कर रहे हैं।