Self-Organized Learning in Oscillatory Neural Networks with Memristive Signed Couplings
यह शोध पत्र एक न्यूरोमॉर्फिक प्रिमिटिव प्रस्तुत करता है जो दोलनी तंत्रिका नेटवर्क (ऑसिलेटरी न्यूरल नेटवर्क) में स्व-संगठित शिक्षण को सक्षम करने के लिए निरोधात्मक युग्मन (इनहिबिटरी कपलिंग्स) के साथ मेमरिस्टिव किनारों (मेमरिस्टिव एजेस) का उपयोग करता है, जो सर्किट सिमुलेशन और सैद्धांतिक विश्लेषण के माध्यम से यह प्रदर्शित करता है कि स्वायत्त एंटी-फेज अट्रैक्टर्स और मजबूत डीनोइजिंग क्षमताओं को साकार करने के लिए हस्ताक्षरित प्रभावी भार (साइंड इफेक्टिव वेट्स) आवश्यक हैं।
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 एक कमरे में एक डगमगाती मेज पर मेट्रोनोम (metronomes) रखे हुए हैं। यदि आप उन्हें बस चलने देते हैं, तो वे अंततः सभी एक ही लय में बज सकते हैं। लेकिन क्या होगा यदि आप चाहते कि उनमें से कुछ दूसरों के बिल्कुल विपरीत दिशा में बजें (एक "टिक" करे जबकि दूसरा "टॉक")? और क्या होगा यदि आप चाहते कि वे मेट्रोनोम बिना किसी मानव कंडक्टर के निर्देश के, खुद इन विशिष्ट पैटर्न को बनाए रखना सीख लें?
यह शोध पत्र इस बात का वर्णन करता है कि इस तरह का "मस्तिष्क जैसा" कंप्यूटर कैसे बनाया जा सकता है जो बिल्कुल यही करता है। यह एक विशेष प्रकार के इलेक्ट्रॉनिक घटक का उपयोग करता है जिसे मेमरिस्टर (memristor) कहा जाता है, ताकि दोलन करने वाले सर्किट (जैसे मेट्रोनोम) का एक नेटवर्क बनाया जा सके जो अपने आप पैटर्न सीख और याद रख सके।
यहाँ उनकी खोज का सरल शब्दों में विवरण दिया गया है:
1. समस्या: "ऑल-पॉजिटिव" का जाल
अधिकांश सरल इलेक्ट्रॉनिक मस्तिष्क (जिन्हें ऑसिलेटरी न्यूरल नेटवर्क या ONNs कहा जाता है) ऐसे लोगों के समूह की तरह हैं जो केवल सहमत होना जानते हैं। यदि दो लोग करीब हैं, तो वे एक-दूसरे को एक ही राय की ओर खींचते हैं (सिंक्रोनाइज़ेशन)।
- सीमा: अधिकांश इलेक्ट्रॉनिक डिजाइनों में, आप केवल "खींचने" वाले कनेक्शन (पॉजिटिव वेट्स) ही बना सकते हैं। आप आसानी से "धकेलने" वाले कनेक्शन (नेगेटिव वेट्स) नहीं बना सकते।
- परिणाम: "धकेलने" वाले कनेक्शन के बिना, पूरा समूह अंततः एक ही उबाऊ अवस्था में ढह जाता है जहाँ सभी पूरी तरह से सहमत होते हैं। वे जटिल पैटर्न को याद नहीं रख सकते जहाँ कुछ हिस्सों को दूसरों के विपरीत होना आवश्यक हो (जैसे बाइनरी कोड में "0" और "1" के बीच का अंतर)।
2. समाधान: "पुश-पुल" टीम
शोधकर्ताओं ने एक ऐसा सर्किट बनाया है जो एक 'टग-ऑफ-वॉर' (रस्साकशी) टीम की तरह काम करता है।
- द पुल (Excitatory - उत्तेजक): उन्होंने एक मानक रेसिस्टर का उपयोग किया जो दो ऑसिलेटर्स को एक ही लय की ओर धीरे से खींचता है।
- द पुश (Inhibitory - निरोधात्मक): उन्होंने एक मेमरिस्टर जोड़ा (एक स्मार्ट रेसिस्टर जो बदलता रहता है कि उसके माध्यम से कितना बिजली प्रवाहित होती है) जो उन्हें एक-दूसरे से दूर धकेलता है।
- जादू: इन दोनों को मिलाकर, सिस्टम साइंड वेट्स (signed weights) बना सकता है। यह कह सकता है, "तुम दोनों साथ होने चाहिए" (पॉजिटिव) या "तुम दोनों विपरीत होने चाहिए" (नेगेटिव)।
3. यह कैसे सीखता है: "नृत्य" वाली स्मृति
पारंपरिक कंप्यूटरों में, सीखना ब्लैकबोर्ड पर नोट्स लिखने जैसा है: "इस नंबर को बदलकर वह नंबर कर दो।" इसके लिए लिखने के लिए एक अलग मस्तिष्क की आवश्यकता होती है।
इस नए सिस्टम में, सीखना स्व-संगठित (self-organized) है।
- उपमा: दो नर्तकों की कल्पना करें। यदि वे ताल से बाहर हैं, तो उनके जूतों के बीच का घर्षण (मेमरिस्टर) बदल जाता है, जिससे ताल से बाहर रहना कठिन हो जाता है। यदि वे बिल्कुल विपरीत ताल (एंटी-फेज) में हैं, तो घर्षण उस विशिष्ट "विपरीत" लय में लॉक होने के लिए खुद को समायोजित करता है।
- प्रक्रिया: सिस्टम को किसी शिक्षक की आवश्यकता नहीं है। ऑसिलेटर्स नृत्य करते हैं, मेमरिस्टर्स उस नृत्य के "घर्षण" को महसूस करते हैं, और वे वर्तमान नृत्य पैटर्न को चिपकाने के लिए अपने प्रतिरोध (resistance) को स्वचालित रूप से समायोजित करते हैं। एक बार जब "संगीत" (प्रशिक्षण संकेत) रुक जाता है, तो नर्तक उसी पैटर्न में नाचते रहते हैं क्योंकि फर्श (सर्किट) उस पैटर्न को सहारा देने के लिए बदल चुका होता है।
4. उन्होंने क्या सिद्ध किया
टीम ने इस विचार का परीक्षण करने के लिए कंप्यूटर सिमुलेशन चलाए:
- परीक्षण: उन्होंने 4 ऑसिलेटर्स के एक छोटे नेटवर्क को "समान" और "विपरीत" लय के विशिष्ट पैटर्न को याद रखने के लिए सिखाया।
- परिणाम:
- "पुश-पुल" (साइंड) सिस्टम के साथ: नेटवर्क ने सफलतापूर्वक पैटर्न को याद रखा। यहाँ तक कि जब उन्होंने इसे पैटर्न का एक शोर भरा, अस्त-व्यस्त संस्करण दिया, तो इसने इसे साफ किया और सही लय में वापस आ गया।
- "पुश" (केवल पॉजिटिव) के बिना: नेटवर्क विफल रहा। वे जो भी पैटर्न सिखाने की कोशिश करते, ऑसिलेटर्स एक ही लय में ढह जाते। यह कुछ भी याद नहीं रख सका जिसमें कुछ हिस्सों का विपरीत होना आवश्यक था।
- स्केलिंग अप: उन्होंने यह भी दिखाया कि यह 9, 16, या 25 ऑसिलेटर्स से बने सरल आकृतियों (जैसे "0" और "1" अंक) को पहचानने के लिए काम करता है, और हाथ से लिखे गए अंकों की शोर भरी छवियों को भी पुनर्गठित कर सकता है।
5. सिद्धांत: यह क्यों काम करता है
लेखक बताते हैं कि किसी पैटर्न को अपने आप स्थिर रहने के लिए (स्वायत्त रूप से), "धकेलने" वाले बल इतने मजबूत होने चाहिए कि वे सिस्टम के तालमेल बिठाने की स्वाभाविक प्रवृत्ति का मुकाबला कर सकें।
- एक घाटी में गेंद की तरह सोचें। यदि घाटी का आकार "U" (केवल सकारात्मक बल) है, तो गेंद नीचे लुढ़क जाएगी और रुक जाएगी।
- यदि घाटी का आकार "W" है (पुश और पुल के मिश्रण से निर्मित), तो गेंद बीच के गड्ढे में आराम कर सकती है। "पुश" बल उस बीच के गड्ढे को बनाते हैं, जिससे सिस्टम बिना बिखरे जटिल स्मृतियों को बनाए रख पाता है।
सारांश
यह शोध पत्र दिखाता है कि मेमरिस्टर्स का उपयोग करके "धकेलने" वाले तंत्र (इनहिबिटरी कपलिंग) को जोड़कर, हम ऐसे इलेक्ट्रॉनिक मस्तिष्क बना सकते हैं जो अपने आप सीखते हैं। उन्हें यह याद रखने के लिए किसी केंद्रीय कंप्यूटर की आवश्यकता नहीं है कि उन्हें क्या याद रखना है; वे विशिष्ट लय में लॉक होने के लिए अपने कनेक्शन को भौतिक रूप से नया आकार देते हैं, जिससे वे जटिल जानकारी को संग्रहीत कर सकते हैं और शोर भरे डेटा को साफ कर सकते हैं, ठीक वैसे ही जैसे एक जैविक मस्तिष्क कर सकता है।
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।