Associative Emotional Learning in Convolutional Neural Networks
यह शोध पत्र विजुअल वैलेंस प्रोसेसिंग (visual valence processing) के एक डीप न्यूरल नेटवर्क मॉडल का प्रस्ताव और सत्यापन करता है जो मानव साहचर्य भावनात्मक शिक्षण (human associative emotional learning) की घटनाओं, जैसे कि साहचर्य निर्माण और सामान्यीकरण, को सफलतापूर्वक दोहराता है, यह प्रदर्शित करते हुए कि प्रशिक्षण के दौरान अनुकूलित (conditioned) और अनुकूलित-रहित (unconditioned) उद्दीपकों के तंत्रिका प्रतिनिधित्व (neural representations) तेजी से संरेखित होते जाते हैं।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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
मस्तिष्क का इमोशनल चीट कोड
कल्पना कीजिए कि आपका मस्तिष्क एक सुपर-स्मार्ट जासूस है जो आपके जीवन के हर सेकंड में एक रहस्य सुलझाने की कोशिश कर रहा है। इसके सबसे महत्वपूर्ण कामों में से एक यह समझना है कि आपके लिए क्या अच्छा है (जैसे कि एक गर्म आलिंगन या पिज्जा का एक टुकड़ा) और क्या बुरा है (जैसे कि भिनभिनाती मधुमक्खी या केले का फिसलन भरा छिलका)। किसी तटस्थ चीज़—जैसे कि एक विशिष्ट ध्वनि या आकार—को खुशी या डर की भावना से जोड़ने की इस क्षमता को एसोसिएटिव इमोशनल लर्निंग (associative emotional learning) कहा जाता है। यही वह कारण है कि डेंटिस्ट की ड्रिल की आवाज़ सुनकर आपको थोड़ा घबराहट महसूस हो सकती है, इससे पहले कि आप कुर्सी को देखें भी, क्योंकि आपके मस्तिष्क ने उस ध्वनि को पिछले बुरे अनुभव से जोड़ना सीख लिया है। वैज्ञानिक इस बात को समझने के लिए कंप्यूटर मॉडल बनाने की कोशिश कर रहे हैं कि यह कैसे काम करता है, लेकिन पुराने मॉडल साधारण कैलकुलेटर की तरह थे: वे गणित तो कर सकते थे, लेकिन वे वास्तव में इंसान की तरह दुनिया को "देख" नहीं सकते थे। वे यह समझाने में संघर्ष करते थे कि हमारे मस्तिष्क जटिल, उलझी हुई तस्वीरों को कैसे संभालते हैं और उन्हें भावनाओं में कैसे बदलते हैं।
यहाँ प्रवेश होता है डीप लर्निंग (Deep Learning) का, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जो पैटर्न पहचानने के लिए डिजिटल "न्यूरॉन्स" की परतों का उपयोग करता है, बिल्कुल वैसे ही जैसे हमारी आँखों और मस्तिष्क में विजुअल कॉर्टेक्स होता है। ये नेटवर्क तस्वीरों में बिल्लियों को पहचानने या लिखावट पढ़ने में माहिर होते हैं। लेकिन क्या वे महसूस करना सीख सकते हैं? क्या एक कंप्यूटर, जिसके पास वास्तव में भावनाएं नहीं हैं, एक उबाऊ आकार को "डरावना" मानने के लिए सीख सकता है क्योंकि उसे एक डरावनी तस्वीर के साथ जोड़ा गया था? यह वह बड़ा सवाल है जो शोधकर्ता पूछ रहे हैं। यदि हम कंप्यूटर को भावनाओं को उसी तरह सीखने के लिए सिखा सकें जैसे एक इंसान करता है, तो हम अंततः अपने स्वयं के मन की छिपी हुई कार्यप्रणाली को समझ पाएंगे, जिससे हमें यह समझने में मदद मिलेगी कि कुछ लोग डर के चक्र (जैसे चिंता या PTSD में) में क्यों फंस जाते हैं और उनसे बाहर निकलने में उनकी मदद कैसे की जाए।
डिजिटल मस्तिष्क महसूस करना सीखता है
इस अध्ययन में, शोधकर्ताओं की एक टीम ने एक विशेष कंप्यूटर मस्तिष्क बनाया ताकि यह देखा जा सके कि क्या यह भावनाओं को उसी तरह सीख सकता है जैसे हम सीखते हैं। उन्होंने विजुअल-वैलेंस मॉडल (Visual-Valence Model) नामक एक मॉडल बनाया। इस मॉडल को दो मुख्य भागों वाला मानिए: एक "विजुअल कॉर्टेक्स" जो आँखों की तरह काम करता है, और एक "इमोशन मॉड्यूल" जो मस्तिष्क के भावना केंद्र (विशेष रूप से अमिगडाला और ऑर्बिटोफ्रंटल कॉर्टेक्स) की तरह काम करता है। इसे और अधिक वास्तविक बनाने के लिए, उन्होंने एक "शॉर्टकट" कनेक्शन जोड़ा। यह एक तेज़ लेन की तरह है जो आँखों को दृश्य का एक त्वरित, कच्चा स्केच भावना केंद्र को भेजने की अनुमति देता है, इससे पहले कि आँखें विस्तृत फोटो लेना समाप्त कर दें। यह इस बात की नकल करता है कि कैसे हमारे वास्तविक मस्तिष्क कभी-कभी उस खतरे को पूरी तरह से समझने से पहले ही प्रतिक्रिया देते हैं जिसे हम देख रहे होते हैं।
सबसे पहले, शोधकर्ताओं को इस डिजिटल मस्तिष्क को सिखाना था कि "अच्छा" और "बुरा" कैसा दिखता है। उन्होंने इसे इंटरनेशनल अफेक्टिव पिक्चर सिस्टम (IAPS) से हजारों वास्तविक जीवन की तस्वीरें दिखाईं, जो या तो बहुत सुखद (जैसे पिल्ला या सूर्यास्त) या बहुत अप्रिय (जैसे मकड़ी या गंदा शौचालय) होने के लिए प्रसिद्ध हैं। कंप्यूटर ने इन छवियों के लिए एक "वैलेंस" स्कोर की भविष्यवाणी करना सीखा, जो 1 (अत्यधिक अप्रिय) से 9 (अत्यधिक सुखद) तक का एक अंक है, जिसमें 5 तटस्थ है। इस प्रशिक्षण के बाद, कंप्यूटर एक तस्वीर को देख सकता था और कह सकता था, "यह 2 है, यह बुरा है," या "यह 8 है, यह बहुत बढ़िया है!"
फिर आया असली जादू: पावलोवियन कंडीशनिंग (Pavlovian Conditioning)। आप इसे प्रसिद्ध कुत्ते के प्रयोगों से जानते होंगे जहाँ एक घंटी बजने पर कुत्ता लार टपकाने लगता है। यहाँ, शोधकर्ताओं ने एक तटस्थ वस्तु का उपयोग किया: एक गेबोर पैच (Gabor patch)। कल्पना कीजिए कि यह एक धुंधला, धारीदार घेरा है जो पुराने टीवी के स्टैटिक (static) जैसा दिखता है। अपने आप में, यह पैच उबाऊ है और इसका कोई भावनात्मक अर्थ नहीं है। शोधकर्ताओं ने 45-डिग्री के धारीदार पैच को एक "अप्रिय" तस्वीर (जैसे बंदूक या मकड़ी) के साथ और 135-डिग्री के धारीदार पैच को एक "सुखद" तस्वीर (जैसे परिवार का चित्र या पिल्ला) के साथ जोड़ा। उन्होंने इन जोड़ों को बार-बार कंप्यूटर को दिखाया।
परिणाम बेहद दिलचस्प थे। इन जोड़ों को देखने के कुछ ही दौरों के बाद, कंप्यूटर ने उन उबाऊ धारियों के बारे में अपनी राय बदलना शुरू कर दिया। जब 45-डिग्री वाले पैच को अकेले (बिना डरावनी तस्वीर के) दिखाया गया, तो कंप्यूटर ने अचानक इसे अप्रिय (लगभग 2.3) माना। जब 135-डिग्री वाले पैच को अकेले दिखाया गया, तो इसने इसे सुखद (लगभग 8.0) माना। कंप्यूटर ने उन उबाऊ धारियों को उन भावनाओं के साथ जोड़ना सीख लिया था जिनसे उन्हें जोड़ा गया था, ठीक वैसे ही जैसे एक इंसान करता है।
लेकिन क्या इसने केवल सटीक तस्वीरों को याद किया, या इसने वास्तव में सीखा? शोधकर्ताओं ने इसे जनरलाइजेशन (generalization) के साथ परखा। उन्होंने कंप्यूटर को ऐसे कोणों पर धारियाँ दिखाईं जो उसने पहले कभी नहीं देखी थीं, जैसे 30 डिग्री या 60 डिग्री। "प्रशिक्षित" कोणों से दूर जाने पर कंप्यूटर की प्रतिक्रिया धीरे-धीरे कम होती गई। यदि इसे 45 डिग्री पर प्रशिक्षित किया गया था, तो 30-डिग्री की धारी थोड़ी डरावनी लगी, लेकिन 90-डिग्री की धारी तटस्थ लगी। यह "फेडिंग" प्रभाव बिल्कुल वैसा ही है जैसा इंसानों में होता है, जो सुझाव देता है कि कंप्यूटर केवल पिक्सेल को याद नहीं कर रहा था बल्कि वास्तव में एक अवधारणा (concept) को सीख रहा था। उन्होंने यह भी परीक्षण किया कि क्या धारी का स्थान मायने रखता है। यहाँ तक कि जब उन्होंने धारियों को स्क्रीन के अलग-अलग कोनों में स्थानांतरित किया जहाँ उन्हें प्रशिक्षित नहीं किया गया था, तब भी कंप्यूटर ने भावना महसूस की, हालाँकि प्रभाव वहाँ सबसे मजबूत था जहाँ इसे प्रशिक्षित किया गया था।
यह समझने के लिए कि कंप्यूटर ने कैसे सीखा, शोधकर्ताओं ने इसके "मस्तिष्क" के अंदर व्यक्तिगत डिजिटल न्यूरॉन्स को देखा। उन्होंने पाया कि सीखने से पहले, डरावनी तस्वीरों पर प्रतिक्रिया देने वाले न्यूरॉन्स, उबाऊ धारियों पर प्रतिक्रिया देने वाले न्यूरॉन्स से अलग थे। लेकिन सीखने के बाद, 45-डिग्री की धारी के लिए सक्रिय होने वाले न्यूरॉन्स उन न्यूरॉन्स की तरह दिखने और व्यवहार करने लगे जो डरावनी तस्वीरों के लिए सक्रिय होते थे। कंप्यूटर ने अपने आंतरिक मानचित्र को भौतिक रूप से पुनर्गठित किया ताकि तटस्थ चीज़ को भावनात्मक चीज़ की तरह बनाया जा सके।
अध्ययन में यह भी पता चला कि यह "शॉर्टकट" मार्ग अत्यंत महत्वपूर्ण था। जब उन्होंने तेज़ लेन वाले कनेक्शन को हटा दिया, तो कंप्यूटर भावनात्मक जुड़ाव सीखने में विफल रहा। यह सुझाव देता है कि शुरुआती दृष्टि (vision) से भावना केंद्र तक एक सीधा, तेज़ मार्ग होना इस तरह के सीखने के लिए आवश्यक है।
हालाँकि, शोधकर्ता सावधानी से यह स्पष्ट करते हैं कि इस अध्ययन ने क्या नहीं किया। कंप्यूटर ने वास्तव में कुछ भी "महसूस" नहीं किया; इसने केवल संख्याओं की गणना की। कंप्यूटर के मस्तिष्क का दृश्य हिस्सा "फ्रोजन" (जमा हुआ) था, जिसका अर्थ है कि इसने सीखने की प्रक्रिया के दौरान अपनी आँखों को नहीं बदला, केवल भावना वाले हिस्से ने ही बदलाव किया। वास्तविक मानव मस्तिष्क भी अपनी आँखों को बदल सकते हैं, और यह मॉडल वह नहीं कर सका। साथ ही, कंप्यूटर के पास "अनलर्न" (विलुप्ति/extinction) करने का कोई तरीका नहीं था, जो कि वह तरीका है जिससे हम किसी चीज़ से डरना बंद कर देते हैं जब हमें पता चलता है कि वह सुरक्षित है।
अंत में, यह अध्ययन बताता है कि डीप न्यूरल नेटवर्क, जब सही शॉर्टकट और सही भावनात्मक नियमों के साथ बनाए जाते हैं, तो वे उसी तरह मानवीय भावनाओं की यादें बना सकते हैं जैसे इंसान बनाते हैं। यह दर्शाता है कि हमें जुड़ाव सीखने के लिए किसी जादुई "आत्मा" की आवश्यकता नहीं है; हमें शायद केवल सही प्रकार की लेयर्ड, शॉर्टकट-कनेक्टेड संरचना की आवश्यकता है। हालाँकि यह एक सिमुलेशन है और वास्तविक मानव मस्तिष्क नहीं है, फिर भी यह वैज्ञानिकों के लिए यह खोजने हेतु एक शक्तिशाली नया उपकरण प्रदान करता है कि हमारा मन दुनिया को अपनी गहरी भावनाओं से कैसे जोड़ता 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।