🧬 biology

Hyperbolic Neural Population Geometry Benefits Computation

यह शोध पत्र एक सैद्धांतिक ढांचा प्रस्तावित करता है जो यह प्रदर्शित करता है कि हिप्पोकैम्पल तंत्रिका आबादी में देखी जाने वाली हाइपरबोलिक ज्यामिति विशिष्ट ट्यूनिंग कर्व्स से उत्पन्न होती है और एक नवीन हाइपरबोलिक एसोसिएटिव मेमोरी मॉडल के माध्यम से स्मृति क्षमता और डिकोडिंग सटीकता दोनों को महत्वपूर्ण रूप से बढ़ाती है।

मूल लेखक: Dennis Wu, Yi-Chun Hung, Braden Yuille, James E. Fitzgerald, Han Liu

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dennis Wu, Yi-Chun Hung, Braden Yuille, James E. Fitzgerald, Han Liu

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

मुख्य विचार: मस्तिष्क का "पेड़" वाला मानचित्र

कल्पना कीजिए कि आप एक विशाल पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं। एक मानक पुस्तकालय में (जैसा कि हम जानते हैं), किताबें एक सपाट फर्श पर पंक्तियों और स्तंभों में व्यवस्थित होती हैं। यह यूक्लिडियन ज्यामिति (Euclidean geometry) है (सपाट स्थान)। यदि आपके पास दस लाख पुस्तकें हैं, तो आपको एक बहुत बड़ी, फैली हुई इमारत की आवश्यकता होगी, और किसी विशिष्ट पुस्तक को खोजना धीमा हो सकता है क्योंकि आपको लंबी दूरी तय करनी पड़ती है।

यह शोध पत्र सुझाव देता है कि पशु मस्तिष्क (विशेष रूप से हिप्पोकैम्पस, जो स्मृति और नेविगेशन को संभालता है) एक सपाट फर्श का उपयोग नहीं करता है। इसके बजाय, यह एक हाइपरबोलिक ज्यामिति (hyperbolic geometry) का उपयोग करता है, जो एक विशाल, शाखाओं वाले पेड़ या एक फ्रैक्टल कोरल रीफ (fractal coral reef) की तरह है।

इस "पेड़" वाली दुनिया में, आप एक आश्चर्यजनक रूप से छोटे स्थान में सूचना की एक विशाल मात्रा समाहित कर सकते हैं। लेखक तर्क देते हैं कि मस्तिष्क स्वाभाविक रूप से स्थान और स्मृति को इसी तरह से एनकोड करता है, और इस संरचना की नकल करके, हम स्मार्ट और अधिक कुशल कंप्यूटर बना सकते हैं।

भाग 1: मस्तिष्क "पेड़" कैसे बनाता है (द "ट्यूनिंग कर्व्स")

समस्या: एक मस्तिष्क कोशिका (न्यूरॉन) को कैसे पता चलता है कि वह कहाँ है?
पेपर का स्पष्टीकरण:
न्यूरॉन्स के पास "ट्यूनिंग कर्व्स" होते हैं। एक न्यूरॉन को एक सुरक्षा गार्ड के रूप में सोचें जो केवल तभी जागता है जब कोई विशिष्ट कमरे में प्रवेश करता है।

कुछ गार्ड केवल एक छोटी अलमारी के लिए जागते हैं (छोटा प्लेस फील्ड)।
कुछ गार्ड एक पूरे गलियारे के लिए जागते हैं (मध्यम प्लेस फील्ड)।
कुछ ही गार्ड पूरी इमारत के लिए जागते हैं (बड़ा प्लेस फील्ड)।

पेपर ने खोजा कि मस्तिष्क में, इन "कमरों" के आकार एक विशिष्ट पैटर्न का पालन करते हैं: अधिकांश कमरे छोटे हैं, और बहुत कम कमरे बहुत बड़े हैं। आकार तेजी से घटते हैं (जैसे एक स्लाइड जो अधिक से अधिक ढलान वाली होती जाती है)।

जादू:
जब आप इन हजारों गार्डों को इन छोटे और बड़े कमरों के इस विशिष्ट मिश्रण के साथ जोड़ते हैं, तो गणित से पता चलता है कि मस्तिष्क में विभिन्न स्थानों के बीच की "दूरी" एक सपाट मानचित्र की तरह नहीं दिखती है। यह एक पेड़ की तरह दिखता है।

उपमा: कल्पना कीजिए कि आप एक जंगल में चल रहे हैं। एक सपाट शहर में, एक छोर से दूसरे छोर तक जाने के लिए, आप एक सीधी रेखा में चलते हैं। इस मस्तिष्क-जंगल में, एक पत्ती से दूसरी पत्ती तक जाने के लिए, आपको शायद तने तक ऊपर जाना होगा और फिर वापस नीचे आना होगा। यह "पेड़ जैसी" संरचना ही है जिसे गणितज्ञ हाइपरबोलिक कहते हैं।

भाग 2: स्मृति मशीन के रूप में मस्तिष्क (द "डिकोडर")

समस्या: मस्तिष्क चीजों को कैसे याद रखता है?
पेपर का स्पष्टीकरण:
लेखक दो विचारों को जोड़ते हैं:

डिकोडिंग (Decoding): यह पता लगाना कि कौन से न्यूरॉन्स सक्रिय हैं इसके आधार पर आप कहाँ हैं।
एसोसिएटिव मेमोरी (Associative Memory): केवल एक धुंधले हिस्से को देखकर पूरी तस्वीर को याद रखना (जैसे केवल आँखों से किसी मित्र के चेहरे को पहचानना)।

उन्होंने सिद्ध किया कि मस्तिष्क का "अनुमान" लगाने का तरीका एक सुपर-स्मार्ट मेमोरी मशीन के समान है जिसे मॉडर्न हॉपफील्ड नेटवर्क (Modern Hopfield Network) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक ऊबड़-खाबड़ परिदृश्य में एक गेंद गिराते हैं। यह लुढ़कती है और तब तक नीचे जाती है जब तक कि यह एक घाटी के निचले हिस्से तक न पहुँच जाए। वह घाटी एक स्मृति है। मस्तिष्क का गणित यह सुनिश्चित करता है कि भले ही आप गेंद को गलत जगह गिरा दें (शोर युक्त डेटा/noisy data), फिर भी वह सही घाटी (सही स्मृति) में ही लुढ़केगी।

भाग 3: नया "हाइपरबोलिक" कंप्यूटर

ब्रेकथ्रू:
चूंकि मस्तिष्क इस पेड़ जैसी (हाइपरबोलिक) जगह का उपयोग करता है, इसलिए लेखकों ने एक नए प्रकार का कंप्यूटर मेमोरी बनाया जो उसी स्थान में रहता है, न कि एक सपाट ग्रिड पर।

यह बेहतर क्यों है?

क्षमता (Capacity): एक सपाट कंप्यूटर में, यदि आप अधिक स्मृतियाँ संग्रहीत करना चाहते हैं, तो आपको आमतौर पर कंप्यूटर को बड़ा बनाने की आवश्यकता होती है (अधिक तार या परतें जोड़ना)।
पेड़ का लाभ: हाइपरबोलिक पेड़ में, स्थान इतनी तेजी से बढ़ता है कि आप बिना कंप्यूटर को बड़ा किए घातीय रूप से (exponentially) अधिक स्मृतियाँ संग्रहीत कर सकते हैं।
उपमा: एक सपाट मेज की कल्पना करें जहाँ आप 10 कपों को ऊपर तक रख सकते हैं इससे पहले कि वे गिर जाएं। अब एक जादुई पेड़ की कल्पना करें जहाँ हर बार जब आप एक शाखा जोड़ते हैं, तो पेड़ का आकार दोगुना हो जाता है। आप इस पेड़ पर लाखों कप लटका सकते हैं बिना इसे चौड़ा या ऊंचा किए।

परिणाम:
उनका नया मॉडल (जिसे कर्चर-फ्लो मॉडल (Karcher-flow model) कहा जाता है) वर्तमान शीर्ष-स्तरीय मॉडलों की तुलना में बहुत अधिक स्मृतियाँ संग्रहीत कर सकता है, विशेष रूप से तब जब कंप्यूटर को छोटा (कम आयामों में) होने के लिए मजबूर किया जाता है। यह एक सूटकेस को इतनी कुशलता से पैक करने जैसा है कि आप एक पूरे वार्डरोब को एक बैकपैक में फिट कर सकें।

भाग 4: क्या यह वास्तविक जीवन में काम करता है? (सिमुलेशन)

लेखकों ने इस विचार का परीक्षण सिमुलेशन के साथ किया:

पैटर्न कंप्लीशन (Pattern Completion): उन्होंने कंप्यूटर को एक टूटी हुई या शोर युक्त छवि दी और उससे मूल छवि को "याद करने" के लिए कहा।
- परिणाम: हाइपरबोलिक मॉडल टूटी हुई छवियों को ठीक करने में बहुत बेहतर था, विशेष रूप से जब कंप्यूटर के पास बहुत कम "मस्तिष्क शक्ति" (कम न्यूरॉन्स) थी।
वर्गीकरण (Classification): उन्होंने मॉडल का उपयोग छवियों (जैसे बिल्ली बनाम कुत्ता) को वर्गीकृत करने और डेटा के समूहों (जैसे मेडिकल स्कैन) को वर्गीकृत करने के लिए किया।
- परिणाम: हाइपरबोलिक मॉडल ने मानक मॉडलों की तुलना में बेहतर प्रदर्शन किया, विशेष रूप से जब डेटा को छोटे स्थानों में संकुचित (compress) किया गया था।

सारांश

खोज: मस्तिष्क की स्मृति कोशिकाएं इस तरह से व्यवस्थित हैं कि वे दुनिया का एक "पेड़ जैसा" (हाइपरबोलिक) मानचित्र बनाती हैं।
सिद्धांत: यह पेड़ जैसी संरचना मस्तिष्क को कुशलतापूर्वक विशाल स्थानिक जानकारी संग्रहीत करने की अनुमति देती है।
अनुप्रयोग: इस पेड़ जैसी संरचना की नकल करने वाले कंप्यूटर मेमोरी सिस्टम बनाकर, हम ऐसा AI बना सकते हैं जो कम स्थान में अधिक याद रख सके और शोर वाले डेटा को बेहतर तरीके से संभाल सके।

यह पेपर मूल रूप से कहता है: "मस्तिष्क ने एक पेड़ में एक पुस्तकालय को पैक करने का तरीका खोज लिया है। हमने बस अपने स्वयं के पेड़ बनाने के लिए गणित खोज लिया है, और वे अविश्वसनीय रूप से अच्छा काम करते हैं।"

तकनीकी सारांश: हाइपरबोलिक न्यूरल पॉपुलेशन ज्योमेट्री के कम्प्यूटेशनल लाभ

समस्या विवरण

कंप्यूटेशनल न्यूरोसाइंस और मशीन लर्निंग में एक केंद्रीय चुनौती यह समझना है कि न्यूरल पॉपुलेशन ज्योमेट्री (neural population geometry) डाउनस्ट्रीम कम्प्यूटेशन को कैसे आकार देती है। हालिया अनुभवजन्य निष्कर्ष बताते हैं कि हिप्पोकैम्पस (hippocampus) की पॉपुलेशन गतिविधि एक हाइपरबोलिक संरचना प्रदर्शित करती है, फिर भी इस ज्योमेट्री के उद्भव (induction), डिकोडिंग पर इसके प्रभाव, और मशीन लर्निंग मॉडल के लिए इसकी उपयोगिता को समझाने वाला एक सैद्धांतिक ढांचा अनुपस्थित है। विशेष रूप से, मौजूदा साहित्य में एक एकीकृत सिद्धांत की कमी है जो: (i) यह समझा सके कि हाइपरबोलिक ज्योमेट्री न्यूरल ट्यूनिंग कर्व्स से कैसे उत्पन्न होती है, (ii) एसोसिएटिव मेमोरी और डिकोडिंग सटीकता पर इसके प्रभाव को स्पष्ट कर सके, और (iii) इस ज्योमेट्री का लाभ उठाने के लिए कृत्रिम प्रणालियों में डिजाइन सिद्धांत प्रदान कर सके।

कार्यप्रणाली (Methodology)

1. हाइपरबोलिक इंडक्शन का सैद्धांतिक निर्माण

लेखक गाऊसीअन ट्यूनिंग कर्व्स (Gaussian tuning curves) और पॉइसन स्पाइकिंग (Poisson spiking) पर आधारित हिप्पोकैम्पस के लिए एक संभावित न्यूरल एनकोडिंग मॉडल प्रस्तावित करते हैं।

ट्यूनिंग कर्व्स: न्यूरॉन $i$ की फायरिंग रेट $\lambda_i(s)$ को उत्तेजना स्थान $s$ के गाऊसीअन फंक्शन के रूप में मॉडल किया गया है, जो एक प्लेस फील्ड सेंटर $s_i$ और चौड़ाई $\sigma_i$ द्वारा अभिलक्षित है।
वितरण संबंधी धारणा: महत्वपूर्ण रूप से, पेपर यह मानता है कि इन प्लेस फील्ड्स की चौड़ाई ( $\sigma_i$ ) एक एक्सपोनेंशियल डिस्ट्रीब्यूशन (exponential distribution) का पालन करती है। यह धारणा Zhang et al. (2023) और Rich et al. (2014) के प्रयोगात्मक अवलोकनों के अनुरूप है, जहाँ अधिकांश प्लेस सेल्स के फील्ड छोटे होते हैं जबकि कुछ का फील्ड धीरे-धीरे बड़ा होता जाता है।
सेमी-मेट्रिक परिभाषा: लेखक जनसंख्या फायरिंग रेट के आंतरिक गुणनफल (inner product) के आधार पर उत्तेजनाओं के बीच एक सेमी-मेट्रिक को परिभाषित करते हैं, जो रिप्रेजेंटेशनल सिमिलैरिटी एनालिसिस (RSA) के अनुरूप है।
हाइपरबोलिसिटी प्रमाण: $\delta$ -थिन ट्रायंगल्स (Gromov, 1987) की अवधारणा का उपयोग करते हुए, वे सिद्ध करते हैं कि जब प्लेस फील्ड की चौड़ाई एक्सपोनेंशियल रूप से वितरित होती है, तो प्रेरित सेमी-मेट्रिक स्पेस सांख्यिकीय रूप से $\delta$ -हाइपरबोलिक होता है। विशेष रूप से, जैसे-जैसे वातावरण का आकार $L$ बढ़ता है, हाइपरबोलिसिटी स्थिरांक $\delta$ सीमित ( $O(1)$ ) रहता है, जो एक ट्री-लाइक (tree-like) संरचना का संकेत देता है।

2. डिकोडिंग को एसोसिएटिव मेमोरी से जोड़ना

यह पेपर न्यूरल डिकोडिंग और मॉडर्न हॉपफील्ड नेटवर्क्स (MHNs) के अपडेट नियमों के बीच एक औपचारिक समानता स्थापित करता है।

बायेस-ऑप्टिमल डिकोडिंग: न्यूरल गतिविधि से उत्तेजना को डिकोड करने के लिए मिनिमम मीन स्क्वेर्ड एरर (MMSE) एस्टिमेटर को व्युत्पन्न किया गया है।
MHN तुल्यता: लेखक प्रदर्शित करते हैं कि एक MHN का अपडेट नियम तब पोस्टीरियर मीन (MMSE एस्टिमेटर) की गणना करता है जब पोस्टीरियर डिस्ट्रीब्यूशन एक बोल्ट्ज़मैन फॉर्म लेता है। यह मेमोरी रिट्रीवल डायनेमिक्स को सीधे ऑप्टिमल स्टैटिस्टिकल डिकोडिंग से जोड़ता है।

3. हाइपरबोलिक एसोसिएटिव मेमोरी मॉडल (Karcher-Flow)

प्रेरित हाइपरबोलिक ज्योमेट्री पर निर्माण करते हुए, लेखक एक नया एसोसिएटिव मेमोरी मॉडल प्रस्तावित करते हैं जो सीधे हाइपरबोलिक स्पेस (हाइपरबोलाइड मॉडल $H^d_\kappa$ ) में परिभाषित है।

Karcher-Flow अपडेट: यूक्लिडियन इनर प्रोडक्ट के बजाय, मॉडल अटेंशन वेट्स की गणना करने के लिए लोरेंत्ज़ (मिंकोव्स्की) इनर प्रोडक्ट का उपयोग करता है। अपडेट नियम 'कारचर फ्लो' एल्गोरिदम का उपयोग करके वेटेड फ्रेट मीन (हाइपरबोलिक स्पेस में ज्यामितिक सेंट्रॉइड) का पुनरावृत्ति (iteratively) अनुमान लगाता है।
क्षमता विश्लेषण: सैद्धांतिक विश्लेषण (Theorem 4.8) इस मॉडल की मेमोरी क्षमता को व्युत्पन्न करता है। क्षमता $d$ की विमा (dimensionality) और मेमोरी पैटर्न के अधिकतम नॉर्म $r_{max}$ पर निर्भर करती है।

मुख्य योगदान

हाइपरबोलिक ज्योमेट्री का सैद्धांतिक उद्भव: यह पेपर यह पहला सैद्धांतिक प्रमाण प्रदान करता है कि गाऊसीअन ट्यूनिंग कर्व्स में एक्सपोनेंशियल प्लेस-फील्ड विड्थ का वितरण एक सांख्यिकीय रूप से हाइपरबोलिक सेमी-मेट्रिक स्पेस को प्रेरित करता है। यह संज्ञानात्मक मानचित्रों (cognitive maps) की ट्री-लाइक संरचना के अनुभवजन्य अवलोकनों के लिए एक यांत्रिक स्पष्टीकरण प्रदान करता है।
डिकोडर-मेमोरी समानता: यह बायेस-ऑप्टिमल डिकोडिंग (MMSE) और मॉडर्न हॉपफील्ड नेटवर्क्स की डायनेमिक्स के बीच संबंध को औपचारिक रूप देता है, और इस संबंध को गैर-यूक्लिडियन (हाइपरबोलिक) मैनिफोल्ड्स तक विस्तारित करता है।
डबल-एक्सपोनेंशियल क्षमता: प्रस्तावित हाइपरबोलिक मेमोरी मॉडल (Karcher-Flow) को सिद्ध किया गया है कि यह संग्रहीत पैटर्न के अधिकतम नॉर्म ( $r_{max}$ ) के साथ डबल-एक्सपोनेंशियल रूप से और एम्बेडिंग डाइमेंशन ( $d$ ) के साथ एक्सपोनेंशियल रूप से स्केल होने वाली मेमोरी क्षमता प्राप्त करता है। यह मौजूदा यूक्लिडियन मॉडलों (जैसे मानक MHNs और डेंस एसोसिएटिव मेमोरीज) की तुलना में एक महत्वपूर्ण सुधार है, जिनमें $r_{max}$ एम्प्लीफिकेशन टर्म का अभाव है।
कम्प्यूटेशनल दक्षता: मॉडल लोरेंत्ज़ इनर प्रोडक्ट का उपयोग करता है, जिसकी कम्प्यूटेशनल जटिलता यूक्लिडियन इनर प्रोडक्ट के समान है, फिर भी यह स्वाभाविक रूप से हाइपरबोलिक दूरियों को एनकोड करता है। यह सभी मापदंडों के लिए जटिल रीमानियन ऑप्टिमाइज़र की आवश्यकता के बिना कुशल कार्यान्वयन की अनुमति देता है।

परिणाम

सैद्धांतिक परिणाम

Theorem 4.2: पुष्टि करता है कि पर्याप्त संख्या में न्यूरॉन्स के साथ, न्यूरल पॉपुलेशन गतिविधि द्वारा प्रेरित दूरी, एक्सपोनेंशियल प्लेस-फील्ड विड्थ धारणा के तहत, ट्री-लाइक (सांख्यिकीय रूप से हाइपरबोलिक) होती है।
Theorem 4.8: स्थापित करता है कि हाइपरबोलिक मॉडल की मेमोरी क्षमता $M$ इस प्रकार संतुष्ट होती है: $\log M = \Theta\left(\frac{d}{|\kappa|} \frac{e^{2\alpha r_{min}}}{r_{min}^2}\right)$ । यह इंगित करता है कि मेमोरी क्षमता मेमोरी पैटर्न के रेडियस के साथ डबल-एक्सपोनेंशियल रूप से बढ़ती है, जो एक ऐसा गुण है जो यूक्लिडियन समकक्षों में अनुपस्थित है।

सिमुलेशन परिणाम

पैटर्न कम्प्लीशन: सिंथेटिक डेटा, MNIST, और CIFAR-10 पर सिमुलेशन दर्शाते हैं कि Karcher-Flow मॉडल (KFM) MHN और डेंस एसोसिएटिव मेमोरी (DAM) बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है, विशेष रूप से लो-डायमेंशनल सेटिंग्स ( $d=10, 20$ ) में।
$r_{max}$ के साथ स्केलिंग: जैसे-जैसे संग्रहीत पैटर्न का अधिकतम नॉर्म ( $r_{max}$ ) बढ़ता है, KFM रिकॉल सफलता दर में पर्याप्त लाभ दिखाता है, जबकि यूक्लिडियन बेसलाइन्स मामूली सुधार दिखाते हैं। यह क्षमता के पैटर्न मैग्नीट्यूड के साथ स्केलिंग के सैद्धांतिक पूर्वानुमान को मान्य करता है।
मशीन लर्निंग टास्क: इमेज क्लासिफिकेशन (MNIST) और मल्टीपल इंस्टेंस लर्निंग (MIL) बेंचमार्क्स में, कारचर फ्लो पर आधारित हाइपरबोलिक अटेंशन लेयर्स लगातार यूक्लिडियन हॉपफील्ड लेयर्स की तुलना में उच्च सटीकता प्राप्त करती हैं, विशेष रूप से जब हिडन डायमेंशन्स सीमित हों।

महत्व और दावे

पेपर का दावा है कि जानवर संभवतः स्थानिक जानकारी को एक लेटेंट हाइपरबोलिक कॉग्निटिव मैप के रूप में एनकोड करते हैं, जो एक ऐसी संरचना है जो हिप्पोकैम्पल प्लेस सेल्स के सांख्यिकीय गुणों से स्वाभाविक रूप से उत्पन्न होती है। यह ज्योमेट्री केवल एक वर्णनात्मक विशेषता नहीं है, बल्कि एक कार्यात्मक लाभ है जो मेमोरी क्षमता और डिकोडिंग सटीकता दोनों में सुधार करता है।

मशीन लर्निंग के लिए, यह कार्य सुझाव देता है कि हाइपरबोलिक ज्योमेट्री को न्यूरल आर्किटेक्चर में एकीकृत करना सूचना भंडारण के लिए अधिक कुशल प्रतिनिधित्व स्थान प्रदान करता है, विशेष रूप से लो-डायमेंशनल रिजीम में। प्रस्तावित मॉडल नेटवर्क की चौड़ाई या गहराई को बढ़ाए बिना बेहतर प्रदर्शन प्राप्त करता है, जो अधिक ऊर्जा-कुशल AI सिस्टम के लिए एक संभावित मार्ग प्रदान करता है। लेखक अपने कार्य को जैविक संभाव्यता और मशीन लर्निंग दक्षता के बीच एक सेतु के रूप में प्रस्तुत करते हैं, जो जैविक प्रणालियों में देखे गए हाइपरबोलिक संरचनाओं के लिए एक सैद्धांतिक आधार और एसोसिएटिव मेमोरी मॉडल में सुधार के लिए एक व्यावहारिक उपकरण प्रदान करता है।

यह पेपर अपने दायरे के संबंध में विनम्र बना हुआ है, जिसमें सिंगल-फील्ड न्यूरॉन्स की धारणा और उन मल्टी-फील्ड मामलों तथा सिनैप्टिक प्लास्टिसिटी नियमों की खोज की आवश्यकता को स्वीकार किया गया है जो इस ज्योमेट्री को सीमित या बढ़ावा दे सकते हैं। यह दावा नहीं करता है कि यह न्यूरल डिकोडिंग की सभी समस्याओं को हल करता है, बल्कि यह हिप्पोकैम्पल पॉपुलेशन ज्योमेट्री के लाभों को समझने के लिए एक विशिष्ट, सैद्धांतिक रूप से ठोस ढांचा प्रदान करता है।