Nanowire networks' interconnection graphs from their photomicrographs

बोतल में मस्तिष्क का ब्लूप्रिंट

कल्पना कीजिए कि आप एक सुपरकंप्यूटर बनाने की कोशिश कर रहे हैं, लेकिन छोटे, कठोर सिलिकॉन चिप्स से नहीं, बल्कि तारों के एक अराजक, स्व-संगठित ढेर से जो अपने आप बढ़ते और उलझते हैं। यह "न्यूरोमॉर्फिक कंप्यूटिंग" का जंगली मोर्चा है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक केवल सॉफ्टवेयर के बजाय भौतिक सामग्रियों का उपयोग करके मानव मस्तिष्क की अव्यवस्थित, शानदार दक्षता की नकल करने की कोशिश कर रहे हैं। हमारे मस्तिष्क में, सूचना सिनैप्स द्वारा जुड़े न्यूरॉन्स के एक विशाल, उलझे हुए जाल के माध्यम से प्रवाहित होती है। हमारे जैसा सोचने वाली मशीन बनाने के लिए, शोधकर्ता "नैनोवायर नेटवर्क" के साथ प्रयोग कर रहे हैं—धातु के अत्यंत महीन तार जो जटिल सर्किट बनाने के लिए स्वतः ही आपस में जुड़ जाते हैं। बड़ा सवाल यह है: हम इन उलझे हुए तारों के छिपे हुए मानचित्र को कैसे समझें? यदि हम सटीक कनेक्शन नहीं देख सकते, तो हम मशीन को ठीक से प्रोग्राम नहीं कर सकते। यह शोध पत्र ठीक इसी पहेली को सुलझाता है: एक उलझे हुए तार के ढेर की धुंधली तस्वीर लेना और उसे एक स्पष्ट, गणितीय मानचित्र में बदलना जिसे कंप्यूटर वास्तव में सीखने के लिए उपयोग कर सके।

---

अस्त-व्यस्त तस्वीरों से डिजिटल मानचित्र तक

कल्पना कीजिए कि आपके पास हजारों चांदी के नन्हे स्पैगेटी स्ट्रैंड्स से भरा एक जार है। आप जार को हिलाते हैं, और वे एक अराजक ढेर में गिर जाते हैं। कुछ स्ट्रैंड एक-दूसरे को छूते हैं, कुछ बिना छुए एक-दूसरे के ऊपर से गुजरते हैं, और कुछ बस एक-दूसरे के ऊपर पड़े होते हैं। अब, कल्पना कीजिए कि आप इस ढेर की तस्वीर सीधे ऊपर से लेते हैं। आपकी आँखों के लिए, यह एक उलझे हुए जाल जैसा दिखता है। लेकिन एक कंप्यूटर के लिए जो यह सिम्युलेट करने की कोशिश कर रहा है कि इस बिखराव के माध्यम से बिजली कैसे बहती है, वह तस्वीर तब तक बेकार है जब तक कि वह एक ऐसे स्ट्रैंड के बीच अंतर न कर सके जो वास्तव में दूसरे स्ट्रैंड को छू रहा है (एक वास्तविक कनेक्शन) और एक ऐसे स्ट्रैंड के बीच जो केवल इसलिए छूता हुआ लग रहा है क्योंकि वह थोड़ा ऊपर तैर रहा है (एक नकली कनेक्शन)।

यही वह काम है जिसे करने के लिए इस अध्ययन के पीछे की टीम ने प्रयास किया। उन्होंने सिल्वर नैनोवायर नेटवर्क (AgNWNs) पर काम किया। इन्हें धातु के सूक्ष्म तार समझें, जो लगभग 170 नैनोमीटर चौड़े (जो कि एक मानव बाल से लगभग 500 गुना पतला है) और 70 माइक्रोमीटर लंबे हैं। उन्होंने इन तारों को बनाया, उन्हें उनके निर्माण की प्रक्रिया से बचे हुए थोड़े से 'गोंद' (goo) के साथ मिलाया, और उन्हें एक सतह पर एक नेटवर्क बनाने के लिए गिरा दिया। फिर उन्होंने इस सतह पर दो बड़े धातु के इलेक्ट्रोड (जैसे विशाल संपर्क बिंदु) को 1 मिलीमीटर की दूरी पर रखा ताकि यह देखा जा सके कि बिजली इस उलझन के माध्यम से कैसे यात्रा करती है।

शोधकर्ताओं ने इन नेटवर्कों के "डार्क-फील्ड" ऑप्टिकल फोटो लिए। लेकिन एक फोटो पर्याप्त नहीं है; उन्हें एक ग्राफ की आवश्यकता थी। गणित और कंप्यूटर की दुनिया में, ग्राफ केवल डॉट्स (नोड्स) और लाइनों (एजेस) के मानचित्र को कहने का एक फैंसी तरीका है। इस मामले में, "डॉट्स" तारों के क्रॉसिंग के बीच के हिस्से हैं, और "लाइन्स" वे जंक्शन हैं जहाँ तार मिलते हैं।

पाइपलाइन: एक फोटो को मानचित्र में बदलना
टीम ने भारी काम करने के लिए एक विशेष डिजिटल "पाइपलाइन" (एक चरण-दर-चरण कंप्यूटर प्रोग्राम) बनाया:

1. सफाई (Clean Up): उन्होंने कच्ची फोटो ली और उसे साफ किया, धूल के छोटे कणों या शोर (noise) को हटाया।
2. कंकाल बनाना (Skeletonize): उन्होंने मोटे, अस्त-व्यस्त तारों को सिंगल-पिक्सेल-चौड़ी लाइनों में बदल दिया, जैसे किसी ड्राइंग की रूपरेखा खींचना।
3. क्रॉसिंग की पहचान (Identify Crossings): कंप्यूटर ने देखा कि ये रेखाएं कहाँ एक-दूसरे को काटती हैं।
4. बड़ी समस्या: यहाँ पेचीदा हिस्सा है। क्योंकि कैमरा सीधे नीचे की ओर देखता है ("जेनिथल व्यू"), यह नहीं बता सकता कि दो तार वास्तव में छू रहे हैं या केवल 3D स्पेस में एक-दूसरे के ऊपर से गुजर रहे हैं (एक दूसरे के ऊपर है)। कंप्यूटर हर क्रॉसिंग को एक वास्तविक कनेक्शन मान लेता है।

उन्होंने क्या पाया
टीम ने अलग-अलग तार घनत्व वाले तीन अलग-अलग नमूनों (A, B, और C के रूप में लेबल किए गए) का विश्लेषण किया। उन्होंने फोटो को ग्राफ में बदला और डॉट्स और लाइनों की गिनती की।

• नमूना A: इसमें 66,435 नोड्स (तार के खंड) और 121,217 एजेस (क्रॉसिंग्स) थे।
• नमूना B: इसमें 77,477 नोड्स और 139,293 एजेस थे।
• नमूना C: यह कम घना था, जिसमें 26,222 नोड्स और 41,941 एजेस थे।

जब उन्होंने "डिग्री" (प्रत्येक तार के टुकड़े के कितने कनेक्शन थे) को देखा, तो उन्होंने पाया कि घने नमूनों के लिए औसत लगभग 3.6 और विरल (sparse) नमूने के लिए 3-2 था।

नेटवर्क का आकार
शोधकर्ताओं ने अपने अस्त-व्यस्त तार मानचित्रों की तीन प्रसिद्ध प्रकार की नेटवर्क संरचनाओं से तुलना की:

1. स्मॉल-वर्ल्ड (Small-World): एक छोटे शहर की तरह जहाँ हर कोई अपने पड़ोसियों को जानता है, लेकिन आप कुछ ही चरणों में किसी भी व्यक्ति तक पहुँच सकते हैं।
2. मॉड्यूलर (Modular): एक शहर की तरह जिसमें अलग-अलग मोहल्ले होते हैं। लोग अपने मोहल्ले के भीतर बहुत बात करते हैं, लेकिन मोहल्लों के बीच संबंध कम होते हैं।
3. स्केल-फ्री (Scale-Free): एक सोशल नेटवर्क की तरह जहाँ अधिकांश लोगों के कुछ दोस्त होते हैं, लेकिन कुछ "सुपर-यूजर्स" के हजारों दोस्त होते हैं।

परिणामों का मिश्रण मिला। प्रति तार कनेक्शनों की संख्या कुछ हद तक स्मॉल-वर्ल्ड प्रकार जैसी थी। हालाँकि, जब उन्होंने "एडजसेंसी मैट्रिक्स" (एक रंगीन ग्रिड जो दिखाता है कि कौन किससे जुड़ा है) को देखा, तो उन्हें रंगों के बड़े ब्लॉक दिखाई दिए। इससे पता चला कि नेटवर्क मॉड्यूलर था, जिसमें तारों के विशिष्ट क्लस्टर थे जो आपस में मजबूती से जुड़े थे लेकिन अन्य क्लस्टरों से ढीले जुड़े हुए थे। यह केवल एक प्रकार का सटीक मिलान नहीं था; यह एक हाइब्रिड (मिश्रित) था।

"नकली कनेक्शन" का वास्तविकता परीक्षण
यहीं पर यह शोध पत्र वास्तव में चतुर हो जाता है। शोधकर्ता जानते थे कि उनकी तस्वीरें उन्हें धोखा दे रही हैं। क्योंकि वे 3D गहराई नहीं देख सकते थे, वे नकली क्रॉसिंग को वास्तविक विद्युत कनेक्शन के रूप में गिन रहे थे। इसे ठीक करने के लिए, उन्होंने एक सिमुलेशन चलाया जहाँ उन्होंने कृत्रिम रूप से कनेक्शनों के एक निश्चित प्रतिशत को "हटाया" ताकि देखा जा सके कि क्या होता है।

उन्होंने दो मुख्य चीजों का परीक्षण किया:

• क्लस्टरिंग कोएफिशिएंट (Clustering Coefficient): स्थानीय समूह कितने मजबूती से जुड़े हुए हैं। जैसे-जैसे उन्होंने नकली कनेक्शन हटाए, यह संख्या कम हो गई, जो कि स्वाभाविक है।
• पाथ लेंथ (Path Length): नेटवर्क के एक छोर से दूसरे छोर तक पहुँचने के लिए औसत चरणों की संख्या। इसे सही ढंग से गणना करने के लिए, उन्हें नेटवर्क के उन हिस्सों को अनदेखा करना पड़ा जो मुख्य समूह से पूरी तरह से कट गए थे, क्योंकि उन अलग-थलग टुकड़ों की दूरी अनंत होगी। इसलिए, उन्होंने केवल सबसे बड़े जुड़े हुए घटक (largest connected component) पर ध्यान केंद्रित किया—तारों का मुख्य "द्वीप" जहाँ सब कुछ अभी भी जुड़ा हुआ है। जैसे-जैसे उन्होंने कनेक्शन हटाए, रास्ता लंबा होता गया क्योंकि "शॉर्टकट" खत्म हो गए थे।

उन्होंने पाया कि भले ही उन्होंने कई नकली कनेक्शन हटा दिए हों, नेटवर्क फिर भी बना रहा, लेकिन पाथ लेंथ बढ़ गई। यह सुझाव देता है कि हालांकि प्रारंभिक मानचित्र थोड़ा "शोर युक्त" (बहुत अधिक नकली कनेक्शन) था, लेकिन अंतर्निय संरचना मजबूत है। नेटवर्क केवल एक यादृच्छिक ढेर नहीं है; इसमें एक विशिष्ट, मॉड्यूलर वास्तुकला है जो डेटा को साफ करने के बाद भी जीवित रहती है।

निष्कर्ष (The Takeaway)
यह शोध पत्र यह दावा नहीं करता है कि उसने नैनोवायर नेटवर्क के रहस्य को हमेशा के लिए सुलझा लिया है। इसके बजाय, यह एक नया उपकरण प्रदान करता है: एक तरीका जिससे आप उलझे हुए तारों के ढेर की एक साधारण फोटो को एक गणितीय मानचित्र में बदल सकते हैं जिसे कंप्यूटर उपयोग कर सकते हैं। उन्होंने दिखाया कि ये वास्तविक-दुनिया के नेटवर्क काफी हद तक मॉड्यूलर और स्मॉल-वर्ल्ड संरचनाओं की तरह दिखते हैं। उन्होंने यह भी स्वीकार किया कि उनके मानचित्रों में कैमरा सीमाओं के कारण वास्तविक कनेक्शनों की संख्या अधिक होने की संभावना है। यह परीक्षण करके कि जब वे "नकली कनेक्शनों" को छाँटते हैं तो नेटवर्क कैसे बदलता है, उन्होंने साबित किया कि उनकी विधि एक ठोस शुरुआती बिंदु है।

संक्षेप में, उन्होंने उलझे हुए तारों की अस्त-व्यस्त, भौतिक दुनिया और कंप्यूटर सिमुलेशन की स्वच्छ, तार्किक दुनिया के बीच एक पुल बनाया है। यह पुल वैज्ञानिकों को अंततः अपने मॉडलों में वास्तविक दुनिया के डेटा को फीड करने की अनुमति देता है, जिससे उन्हें बेहतर, मस्तिष्क जैसी कंप्यूटर डिजाइन करने में मदद मिलती है जो केवल अनुमान नहीं लगाते कि वे कैसे काम करते हैं, बल्कि वास्तव में अपने वायरिंग के मानचित्र को जानते हैं। भविष्य का कार्य इन मानचित्रों को परिष्कृत करने पर केंद्रित होगा ताकि तारों की 3D वास्तविकता को ध्यान में रखा जा सके और यह परीक्षण किया जा सके कि जब वास्तव में इनके माध्यम से बिजली भेजी जाती है तो ये नेटवर्क कैसे व्यवहार करते हैं।