🧬 biology

Implications of hierarchical Markov models of behavior: on irreversibility, predictability, and dimensionality

यह शोध पत्र पशु व्यवहार का वर्णन करने के लिए पदानुक्रमित मार्कोव मॉडल (hierarchical Markov models) के उपयोग के सैद्धांतिक निहितार्थों का अन्वेषण करता है, यह प्रदर्शित करते हुए कि कैसे इन मॉडलों के आइजनमान (eigenvalues) और आइजनवेक्टर्स (eigenvectors) व्यवहार की क्रम-समान प्रकृति, पूर्वानुमान क्षमता और प्रभावी आयामीता को स्पष्ट करने के लिए व्याख्यात्मक समय पैमाने और संशोधन प्रदान करते हैं।

मूल लेखक: John J. Vastola, Kanaka Rajan

प्रकाशित 2026-06-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: John J. Vastola, Kanaka Rajan

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 आप एक कमरे में घूमते हुए एक चूहे की फिल्म देख रहे हैं। पहली नज़र में, चूहे की हरकतें अराजक और अनंत लगती हैं। लेकिन यदि आप ज़ूम करके करीब से देखें, तो आप पाएंगे कि चूहा बेतरतीब चीज़ें नहीं कर रहा है; वह कुछ विशिष्ट, दोहराने योग्य "मूव्स" (moves) कर रहा है, जैसे कि एक छोटा सा डांस रूटीन। वैज्ञानिक इन मूव्स को "सिलेबल्स" (syllables) कहते हैं (जैसे "चलना," "सूंघना," या "ग्रूमिंग/साफ-सफाई करना")।

यह शोध पत्र एक सरल लेकिन गहरा सवाल पूछता है: यदि हम चूहे के व्यवहार को इन सिलेबल्स के एक क्रम के रूप में वर्णित कर सकते हैं, तो यह वास्तव में हमें यह क्या बताता है कि चूहा कैसे सोचता है और कैसे चलता है?

लेखक इस उत्तर को खोजने के लिए एक गणितीय उपकरण का उपयोग करते हैं जिसे मार्कोव मॉडल (Markov Model) कहा जाता है। मार्कोव मॉडल को एक फ्लोचार्ट या एक बोर्ड गेम की तरह समझें। इस खेल में:

वर्ग (Squares) अलग-अलग व्यवहार (सिलेबल्स) हैं।
तीर (Arrows) दिखाते हैं कि चूहे के एक वर्ग से दूसरे वर्ग पर जाने की कितनी संभावना है।
नियम कहते हैं कि अपने अगले कदम का निर्णय लेने के लिए, आपको केवल यह जानने की आवश्यकता है कि आप अभी कहाँ हैं (और शायद एक छिपा हुआ "मूड" जैसे कि भूख), न कि अपना पूरा इतिहास।

यहाँ तीन बड़े विचार दिए गए जिनका यह शोध पत्र अन्वेषण करता है, जिन्हें सरल रूप में समझाया गया है:

1. "टाइम-ट्रैवल" टेस्ट (अपरिवर्तनीयता/Irreversibility)

कल्पना कीजिए कि आप चूहे को ग्रूमिंग (साफ-सफाई) करते हुए रिकॉर्ड कर रहे हैं और फिर उस वीडियो को उल्टा (backwards) चला रहे हैं।

"बैग ऑफ वर्ड्स" (Bag of Words) मॉडल: यदि व्यवहार केवल मूव्स का एक रैंडम बैग होता (जैसे टोपी में से शब्द चुनना), तो वीडियो को उल्टा चलाने पर वह बिल्कुल वैसा ही दिखता जैसा कि सीधा चलाने पर दिखता है। यह उबाऊ और अनुमानित होता।
वास्तविक दुनिया: वास्तविक व्यवहार अपरिवर्तनीय (irreversible) है। यदि आप देखते हैं कि एक चूहा पहले ग्रूमिंग करता है, फिर सूंघता है, फिर दूर चला जाता है, तो उसे उल्टा चलाने पर (पीछे की ओर चलना, फिर सूंघना, फिर ग्रूमिंग करना) अजीब और अप्राकृतिक लगेगा।

शोध पत्र इस बात को मापने के लिए गणित का उपयोग करता है कि उल्टा वीडियो कितना अजीब दिखता है। वे इसे "एन्ट्रॉपी प्रोडक्शन" (Entropy Production) कहते हैं।

निष्कर्ष: वास्तविक चूहे का व्यवहार निश्चित रूप से अपरिवर्तनीय है। इसमें एक स्पष्ट दिशा है, जैसे नदी का धारा के साथ बहना। दिलचस्प बात यह है कि "उल्टा वीडियो" तब अधिक अजीब लगता है जब चूहा सामाजिक रूप से व्यस्त (दूसरों के साथ बातचीत कर रहा हो) होता है, तुलनात्मक रूप से तब जब वह केवल ग्रूमिंग कर रहा होता है। यह सुझाव देता है कि सामाजिक अंतःक्रियाओं का एक बहुत ही सख्त, एक-तरफा स्क्रिप्ट होता है।

2. "लौटते पानी" का उदाहरण (डायमेंशनलिटी/Dimensionality)

कल्पना कीजिए कि चूहे का व्यवहार पानी की एक बाल्टी की तरह है। पानी उस संभावना का प्रतिनिधित्व करता है कि चूहा किसी भी दिए गए समय में कोई विशिष्ट क्रिया करेगा।

प्रश्न: यदि आप पानी को हिलाते हैं (वातावरण बदलते हैं), तो चूहा वापस स्थिर होने से पहले पानी कितने अलग-अलग तरीकों से "लौट" (slosh) सकता है?
अंतर्दृष्टि: भले ही सैकड़ों संभावित मूव्स हों, चूहा उन सभी का स्वतंत्र रूप से उपयोग नहीं करता है। "लौटना" (sloshing) कुछ विशिष्ट पैटर्न में होता है।
- कुछ पैटर्न तेज़ होते हैं (जैसे एक त्वरित झटका)।
- कुछ पैटर्न धीमे होते हैं (जैसे अन्वेषण का एक लंबा दौर)।
निष्कर्ष: गणित को देखकर, लेखकों ने पाया कि "ग्रूमिंग" के मूड में चूहे का व्यवहार जटिल है और इसमें कई अलग-अलग "लौटने वाले" पैटर्न शामिल हैं (उच्च आयाम/high dimension)। लेकिन जब चूहा "लोकोमोशन" (चलने) के मूड में होता है, तो उसका व्यवहार सरल हो जाता है और इसे कुछ मुख्य पैटर्न द्वारा वर्णित किया जा सकता है (निम्न आयाम/low dimension)। यह ऐसा है जैसे चूहा एक अराजक जैज़ सोलो से बदलकर एक साधारण मार्चिंग बैंड की लय पर आ गया हो।

3. "छिपा हुआ कठपुतली मास्टर" (पदानुक्रम/Hierarchy)

कभी-कभी, एक साधारण फ्लोचार्ट पर्याप्त नहीं होता। चूहा खेल के नियमों को तोड़ता हुआ प्रतीत हो सकता है।

समस्या: यदि आप केवल चूहे के पैरों को देखते हैं, तो मूव्स रैंडम या भ्रमित करने वाले लग सकते हैं।
समाधान: शोध पत्र सुझाव देता है कि एक छिपी हुई परत (latent states) है जो एक कठपुतली मास्टर की तरह काम कर रही है। चूहे के पास "मूड" (जैसे "शिकार मोड" या "आराम मोड") होते हैं जिन्हें हम सीधे नहीं देख सकते, लेकिन वे फ्लोचार्ट को नियंत्रित करते हैं।
निष्कर्ष: जब आप छिपे हुए मूड को दृश्य मूव्स के साथ जोड़ते हैं, तो आपको एक बड़ी, अधिक जटिल तस्वीर मिलती है।
- भले ही "मूड" धीरे-धीरे बदलता हो और "मूव्स" तेज़ी से बदलते हों, उनका संयोजन एक दीर्घकालिक लय (long-term rhythm) बनाता है।
- यह एक कंडक्टर (मूड) की तरह है जो धीरे-धीरे टेम्पो बदल रहा है, जबकि ऑर्केस्ट्रा (मूव्स) तेज़ नोट्स बजा रहा है। शोध पत्र दिखाता है कि चूहे के जीवन की सबसे धीमी, सबसे महत्वपूर्ण लय इन छिपे हुए मूड्स से आती है, न कि केवल व्यक्तिगत कदमों से।

निचोड़ (The Bottom Line)

यह शोध पत्र चूहों को ट्रैक करने का नया तरीका नहीं बना रहा है; यह समझा रहा है कि चूहों को ट्रैक करने वाले गणित का वास्तव में क्या अर्थ है।

व्यवहार का एक स्क्रिप्ट है: यह रैंडम नहीं है; यह एक दिशा में बहता है (अपरिवर्तनीय)।
व्यवहार का एक आकार है: यह अनंत रूप से जटिल नहीं है; यह अक्सर चूहे के मूड के आधार पर कुछ सरल पैटर्न में सिमट जाता है।
व्यवहार की परतें हैं: पूरी कहानी समझने के लिए, आपको दृश्य मूव्स और उन्हें चलाने वाले अदृश्य मूड दोनों को देखने की आवश्यकता है।

लेखक चेतावनी देते हैं कि ये परिणाम इस बात पर निर्भर करते हैं कि आप "मूव्स" को कैसे परिभाषित करते हैं। यदि आप बहुत सारी अलग-अलग क्रियाओं को एक ही बड़े समूह में डाल देते हैं, तो आप जटिलता को मिस कर सकते हैं। लेकिन यदि आप विवरण के सही स्तर का उपयोग करते हैं, तो ये गणितीय उपकरण हमें पशु व्यवहार की "व्यक्तित्व" और संरचना को समझने का एक स्पष्ट, मात्रात्मक तरीका प्रदान करते हैं।

तकनीकी सारांश: व्यवहार के पदानुक्रमित मार्कोव मॉडल के निहितार्थ

समस्या विवरण
पशु व्यवहार के अध्ययन के लिए मात्रात्मक उपकरणों के परिपक्व होने ने व्यवहार को रूढ़िबद्ध, तंत्रिका संबंधी रूप से सुपरिभाषित "सिलेबल्स" (syllables) के अनुक्रमों के रूप में प्रस्तुत करने में सक्षम बनाया है। मार्कोव श्रृंखला मॉडल (Markov chain models) को अव्यक्त अवस्थाओं (latent states) को स्पष्ट रूप से ध्यान में रखते हुए वास्तविक डेटा (जैसे, C. elegans, लार्वा ज़ेब्राफिश और चूहों) पर सफलतापूर्वक फिट किया गया है, लेकिन एक मौलिक सैद्धांतिक प्रश्न बना हुआ है: यदि व्यवहार की स्थूल संरचना को मार्कोв मॉडल द्वारा सटीक रूप से वर्णित किया जा सकता है, तो ये मॉडल वास्तव में व्यवहार की उच्च-स्तरीय संरचना के बारे में क्या प्रकट करते हैं? विशेष रूप से, लेखक व्यवहार के परिमाणीकरण में प्रगति के सैद्धांतिक अर्थ को स्पष्ट करना चाहते हैं, जो क्रियाओं की अनुक्रम-जैसी प्रकृति और व्यवहारगत गतिकी की प्रभावी विमा (effective dimensionality) पर केंद्रित है।

कार्यप्रणाली
लेखक व्यवहार संबंधी डेटा पर लागू निरंतर-समय मार्कोव श्रृंखलाओं (continuous-time Markov chains) के गणितीय विश्लेषण का उपयोग करते हैं। उनका दृष्टिकोण निम्नलिखित है:

मॉडल सूत्रीकरण: व्यवहार को $N_B$ सिलेबल्स के एक असतत सेट के रूप में मानना जो एक लघुगणकीय स्टोकेस्टिक संक्रमण मैट्रिक्स (infinitesimal stochastic transition matrix) $H$ द्वारा नियंत्रित होते हैं। वे अव्यक्त अवस्थाओं (जैसे, भूख, सामाजिक जुड़ाव) के समावेश को मानते हैं ताकि दृश्य व्यवहार में गैर-मार्कोवियन हस्ताक्षरों को सुलझाया जा सके।
अपरिवर्तनीयता विश्लेषण (Irreversibility Analysis): समय-विपरीत श्रृंखला (adjoint matrix $\tilde{H}$ ) के माध्यम से अपरिवर्तनीयता को परिभाषित करना और विस्तृत संतुलन (detailed balance) से विचलन को एंट्रॉपी उत्पादन दर (EPR) के माध्यम से मापना।
विमा विश्लेषण (Dimensionality Analysis): दो अलग-अलग धारणाओं की जांच करना:
- गतिकीय विमा (Dynamical Dimensionality): $H$ के स्पेक्ट्रल अपघटन (eigenvalues $\lambda_k$ और eigenvectors $v_k$ ) से व्युत्पन्न। यह उन मोड की संख्या को मापता है जो एक विशिष्ट समय पैमाने $\tau$ पर व्यवहार वितरण $p(t)$ के प्रक्षेपवक्र (trajectory) का वर्णन करने के लिए आवश्यक हैं।
- भविष्यवाणी योग्य विमा (Predictive Dimensionality): अतीत-भविष्य कर्नेल (past-future kernel) $K(\tau)$ के आइजनवैल्यूज़ से व्युत्पन्न। यह उन ऑर्थोगोनल वेक्टर्स की संख्या को मापता है जो अतीत और भविष्य की अवस्थाओं के बीच पारस्परिक सूचना (mutual information) (जिसे वेरिएंस के रूप में अनुमानित किया गया है) को कैप्चर करने के लिए आवश्यक हैं।
पदानुक्रमित संरचना: ऐसे मॉडलों का विश्लेषण करना जहाँ अव्यक्त अवस्थाएँ व्यवहारगत संक्रमणों को नियंत्रित करती हैं, और यह समझने के लिए सिंगुलर परटर्बेशन थ्योरी (singular perturbation theory) का उपयोग करना कि पूर्ण प्रणाली का स्पेक्ट्रल ढांचा उसके घटकों से कैसे संबंधित है।
डेटा अनुप्रयोग: सैद्धांतिक अवधारणाओं को खिलौना मॉडलों (बैग मॉडल, चक्रीय मॉडल) और वेइनरेब एट अल. (2026) के ओपन-फील्ड माउस व्यवहार डेटा पर फिट किए गए एक पदानुक्रमित मार्कोव मॉडल का उपयोग करके स्पष्ट किया गया है।

प्रमुख योगदान और परिणाम

अपरिवर्तनीयता और अनुक्रम संरचना:
लेखक प्रदर्शित करते हैं कि व्यवहारगत मार्कोव श्रृंखलाओं के लिए अपरिवर्तनीयता एक मापने योग्य गुण है। अपनी समय-विपरीत श्रृंखला को परिभाषित करके, वे दिखाते हैं कि व्यवहार "अनुक्रम-जैसा" है यदि अग्रगामी श्रृंखला (forward chain) अपनी विपरीत श्रृंखला से काफी भिन्न है।
- परिणाम: वास्तविक पशु व्यवहार गैर-शून्य एंट्रॉपी उत्पादन दर (EPR) प्रदर्शित करता है, जो पुष्टि करता है कि यह अपरिवर्तनीय है। चूहे के डेटा में, EPR अव्यक्त अवस्था के अनुसार भिन्न था, जिसमें "सामाजिक जुड़ाव" वाली अवस्था ने अन्य अवस्थाओं (जैसे, ग्रूमिंग या लोकोमोशन) की तुलना में लगभग दोगुना EPR दिखाया, जो संदर्भ-निर्भर अनुक्रम जटिलता का सुझाव देता है।
गतिकी और पूर्वानुमेयता के माध्यम से प्रभावी विमा:
लेखक व्यवहार की विमा को परिभाषित करने के दो तरीकों में अंतर करते हैं:
- गतिकीय विमा: संक्रमण मैट्रिक्स $H$ के समय पैमानों ( $\tau_k = -1/\text{Re}(\lambda_k)$ ) पर आधारित। यह दर्शाता है कि एक दिए गए समय पैमाने पर कितने आइजनवेक्टर्स सक्रिय हैं।
- भविष्यवाणी योग्य विमा: कर्नेल $K(\tau)$ पर आधारित, जो भविष्य की अवस्थाओं की भविष्यवाणी करने के लिए आवश्यक जटिलता को दर्शाता है।
- परिणाम: उन प्रणालियों के लिए जो विस्तृत संतुलन का पालन करती हैं, ये दोनों विमाएँ समान होती हैं। हालांकि, अत्यधिक अपरिवर्तनीय प्रणालियों (जैसे, चूहे का डेटा) के लिए, भविष्यवाणी योग्य विमा, गतिकीय विमा से काफी बड़ी होती है। ऐसा इसलिए होता है क्योंकि गैर-सामान्य गतिकी (जहाँ आइजनवेक्टर्स लगभग संरेखित होते हैं) को समान मात्रा में पूर्वानुमेयता को कैप्चर करने के लिए अधिक ऑर्थोगोनल वेक्टर्स की आवश्यकता होती है।
पदानुक्रमित स्पेक्ट्रल संरचना:
पदानुक्रमित मॉडलों में, जहाँ अव्यक्त अवस्थाएँ व्यवहार को नियंत्रित करती हैं, पूर्ण प्रणाली की स्पेक्ट्रल संरचना प्रत्येक अव्यक्त अवस्था के भीतर व्यवहार-मात्र श्रृंखलाओं के स्पेक्ट्रा के संयोजन के लगभग बराबर होती है, साथ ही अव्यक्त अवस्था संक्रमणों के अनुरूप अतिरिक्त धीमे मोड (slow modes) भी होते हैं।
- परिमान: चूहे के डेटा का विश्लेषण दिखाता है कि स्पेक्ट्रम का मुख्य भाग व्यक्तिगत अव्यक्त अवस्थाओं के स्पेक्ट्रा के यूनियन (union) से मेल खाता है। हालांकि, पूर्ण मॉडल में सबसे लंबे समय के पैमाने (सबसे धीमे गतिकी) विशेष रूप से अव्यक्त अवस्थाओं के बीच के संक्रमणों से उत्पन्न होते हैं, न कि एक एकल अवस्था के भीतर व्यवहारगत संक्रमणों से।
वैश्विक बनाम स्थानीय गुण:
लेखक इस बात पर जोर देते हैं कि आइजनवैल्यूज़ और आइजनवेक्टर्स व्यवहार के "वैश्विक" सारांश प्रदान करते हैं। वे संक्रमण ग्राफ की संपूर्ण संरचना पर निर्भर करते हैं न कि केवल स्थानीय संक्रमण दरों पर, जो व्याख्या योग्य समय पैमाने और व्यवहारिक मोड (जैसे, जागने की अवस्थाओं का साम्यावस्था और नींद में संक्रमण) प्रदान करते हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनका कार्य व्यवहार का नया मॉडल प्रस्तावित नहीं करता है, बल्कि मौजूदा मार्कोव मॉडलों के सैद्धांतिक निहितार्थों को स्पष्ट करता है।

वैचारिक स्पष्टीकरण: मार्कोव मॉडल को व्यवहार के विवरण (केवल वर्णनात्मक सारांश के बजाय) के रूप में गंभीरता से लेने से वैचारिक मुद्दों को उजागर करने में मदद मिलती है, जैसे कि गतिकीय और भविष्यवाणी योग्य विमा के बीच का अंतर।
मात्रात्मक सांख्यिकी: प्रस्तावित मेट्रिक्स (EPR, विमा, समय पैमाने) व्यवहार के "सांख्यिकी" के रूप में कार्य करते हैं जो गुणात्मक विवरणों से आगे बढ़कर विभिन्न संदर्भों, अव्यक्त अवस्थाओं या प्रजातियों के बीच सटीक, मात्रात्मक तुलना की अनुमति देते हैं।
सीमाएं और दायरा: लेखक स्पष्ट रूप से नोट करते हैं कि उनके निष्कर्ष व्यवहार के चुने गए ग्रैनुलैरिटी (granularity) पर निर्भर हैं। वे तर्क देते हैं कि परिणाम पार्सिलेशन (parcellation) पर निर्भर हैं, लेकिन पार्सिमनी (parsimony) और मल्टी-स्केल विश्लेषण के सिद्धांत (टोपोलॉजिकल डेटा एनालिसिस "बारकोड्स" के समान) इसे कम कर सकते हैं। वे यह भी चेतावनी देते हैं कि अत्यधिक जटिल वातावरण में, स्टेट स्पेस इतना बड़ा हो सकता है कि इन स्पेक्ट्रल विश्लेषणों के लिए संभव न हो।
व्यापक प्रयोज्यता: इस ढांचे को किसी विशिष्ट जानवर या समय पैमाने के प्रति तटस्थ (agnostic) के रूप में प्रस्तुत किया गया है, जो कृत्रिम एजेंटों और अन्य प्रणालियों के लिए भी उपयुक्तता का सुझाव देता है जहाँ उच्च-स्तरीय क्रियाओं को मार्कोव श्रृंखलाओं के रूप में मॉडल किया जा सकता है।

1. "टाइम-ट्रैवल" टेस्ट (अपरिवर्तनीयता/Irreversibility)

2. "लौटते पानी" का उदाहरण (डायमेंशनलिटी/Dimensionality)

3. "छिपा हुआ कठपुतली मास्टर" (पदानुक्रम/Hierarchy)

निचोड़ (The Bottom Line)

तकनीकी सारांश: व्यवहार के पदानुक्रमित मार्कोव मॉडल के निहितार्थ

इसी तरह के और पेपर