💻 computer science

Local Synaptic Rules Can Implement a SIGReg Gradient Without Backpropagation

यह शोधपत्र प्रदर्शित करता है कि स्थानीय सिनैप्टिक लर्निंग नियमों—विशेष रूप से स्पाइक-टाइमिंग-डिपेंडेंट पोटेंशिएशन और होमियोस्टैटिक प्लास्टिसिटी—का एक संयोजन बैकप्रोपैगेशन के बिना, सेल्फ-सुपरवाइज्ड लर्निंग ऑब्जेक्टिव के ग्रेडिएंट को सटीक रूप से लागू कर सकता है, जिससे नेटवर्क प्रभावी क्लस्टरिंग और MNIST पर उच्च सटीकता के लिए टेम्पोरल इनपुट स्ट्रक्चर का लाभ उठा पाते हैं।

मूल लेखक: Martin Andrews

प्रकाशित 2026-07-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Martin Andrews

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

मस्तिष्क का बिना शिक्षक के सीखने का गुप्त नुस्खा

कल्पना कीजिए कि आप एक नई भाषा सीखने की कोशिश कर रहे हैं, लेकिन आपके पास कोई शिक्षक, कोई पाठ्यपुस्तक, या शब्दकोश तक नहीं है। आपके पास बस गुजरते हुए ध्वनियों और छवियों का एक प्रवाह है। आप यह कैसे पता लगाते हैं कि "dog" और "puppy" आपस में संबंधित हैं, या "cat" और "bark" एक साथ नहीं चलते? यह मानव मस्तिष्क के सीखने के तरीके का केंद्रीय रहस्य है। आधुनिक कंप्यूटरों के विपरीत, जिन्हें अक्सर विशाल लेबल वाले डेटासेट (जैसे लाखों फोटो जिनमें "cat" या "dog" टैग किया गया हो) और अपनी गलतियों को सुधारने के लिए "बैकप्रोपैगेशन" नामक एक जटिल, गणित-प्रधान प्रक्रिया की आवश्यकता होती है, मस्तिष्क केवल अनुभव के कच्चे प्रवाह का उपयोग करके चलते-फिरते सीखता हुआ प्रतीत होता है।

वैज्ञानिक लंबे समय से संदेह करते रहे हैं कि मस्तिष्क ऐसा करने के लिए दो विशिष्ट स्थानीय नियमों का उपयोग करता है। पहला एक "टाइमिंग नियम" की तरह है: यदि एक न्यूरॉन दूसरे से ठीक पहले फायर (fire) होता है, तो वे मजबूत दोस्त बन जाते हैं; यदि क्रम उल्टा हो, तो वे अलग हो जाते हैं। दूसरा एक "बैलेंस नियम" है: न्यूरॉन लगातार अपने स्वयं के गतिविधि स्तरों की जाँच करते हैं और एक स्वस्थ सीमा के भीतर रहने के लिए खुद को समायोजित करते हैं, जिससे वे पागल होने या शांत होने से बच जाते हैं। बड़ा सवाल यह रहा है: क्या ये दो सरल, स्थानीय नियम वास्तव में आधुनिक आर्टिफिशियल इंटेलिजेंस का भारी काम कर सकते हैं? विशेष रूप से, क्या वे एक कंप्यूटर को बिना किसी लेबल या वैश्विक त्रुटि संकेतों (global error signals) के दुनिया को समझने में सक्षम बना सकते हैं? यह वह पहेली है जिसे मार्टिन एंड्रयूज इस पेपर में सुलझाते हैं।

पेपर की बड़ी खोज: एक जैविक "स्व-पर्यवेक्षित" (Self-Supervised) मशीन

यह पेपर सिद्ध करता है कि यदि आप इन दो जैविक नियमों—स्पाइक-टाइमिंग-डिपेंडेंट प्लास्टिसिटी (STDP) और होमियोस्टैटिक प्लास्टिसिटी—को मिलाते हैं, तो आपको एक ऐसी मशीन मिलती है जो बिल्कुल उसी तरह सीखती है जैसे कि एक परिष्कृत आधुनिक AI पद्धति जिसे SIGReg कहा जाता है।

जादू को समझने के लिए, आइए इस कहानी के पात्रों को देखें:

एनकोडर (मस्तिष्क की मुख्य परत): कल्पना कीजिए कि न्यूरॉन्स का एक समूह है जो इनपुट का एक प्रवाह प्राप्त करता है, जैसे कि बिल्ली के चलने का एक वीडियो।
फ्लैशलाइट न्यूरॉन्स (प्रोब्स): ये न्यूरॉन्स का दूसरा समूह है जो एक निश्चित, यादृच्छिक (random) "फ्लैशलाइट" की तरह कार्य करता है जो मुख्य समूह पर रोशनी डालता है। वे सीखते नहीं हैं; वे बस मुख्य समूह की गतिविधियों को मापते हैं। उन्हें यादृच्छिक फिल्टरों के एक सेट के रूप में सोचें जो यह जांचते हैं कि क्या मुख्य न्यूरॉन संतुलित और दिलचस्प तरीके से फायर कर रहे हैं।
दो नियम:
- द टाइमिंग रूल (STDP+): यह नियम समय के प्रवाह को देखता है। यदि समय $t$ पर "बिल्ली" की छवि के बाद समय $t+1$ पर "बिल्ली" की छवि आती है, तो जो न्यूरॉन पहली छवि के लिए फायर हुए थे, उन्हें दूसरी छवि के लिए फायर होने वाले न्यूरॉन्स से एक "हाई फाइव" मिलता है। यह कुछ ऐसा है जैसे कहना, "अरे, तुम दोनों दोस्त हो क्योंकि तुम साथ में दिखाई दिए!" यह टेम्पोरल कंटीन्यूटी (सामयिक निरंतरता) की भावना बनाता है।
- द बैलेंस रूल (होमियोस्टेसिस): यह नियम "फ्लैशलाइट" न्यूरॉन्स को देखता है। यदि एक फ्लैशलाइट न्यूरॉन बहुत अधिक फायर हो रहा है (वैरिएंस उच्च है) या बहुत कम, तो वह मुख्य न्यूरॉन्स को वापस एक संकेत भेजता है कि "इसे कम करो" या "बोलना शुरू करो।" यदि दो फ्लैशलाइट न्यूरॉन्स बहुत बार एक साथ फायर होते हैं (कोवेरिएंस), तो वे उस सहसंबंध (correlation) को रोकने के लिए संकेत भेजते हैं। यह मुख्य न्यूरॉन्स को अपनी जानकारी फैलाने के लिए मजबूर करता है ताकि वे सभी बिल्कुल एक जैसा न बोलें (एक समस्या जिसे "डायमेंशनल कोलैप्स" कहा जाता है)।

"अहा!" क्षण:
पेपर दिखाता है कि जब आप इन दो नियमों को एक साथ चलाते हैं, तो गणित पूरी तरह से काम करता है। "टाइमिंग रूल" नेटवर्क को वह सीखने के लिए प्रेरित करता है जो समय के साथ स्थिर रहता है (जैसे बिल्ली के चलते रहने तक बिल्ली ही रहना), और "बल्ेंस रूल" नेटवर्क को अपनी जानकारी को व्यवस्थित करने के लिए प्रेरित करता है ताकि प्रत्येक न्यूरॉन का एक अद्वितीय कार्य हो। साथ मिलकर, वे SIGReg नामक एक जटिल AI एल्गोरिदम के ठीक समान गणितीय चरणों को निष्पादित करते हैं, जिसे बिना लेबल के उपयोगी प्रतिनिधित्व सीखने के लिए डिज़ाइन किया गया है।

पेपर क्या सिद्ध करता है (और क्या नहीं):
लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने इस समानता को सिद्ध करने के लिए गणित किया और सिमुलेशन चलाए।

प्रमाण: उन्होंने दिखाया कि STDP और होमियोस्टेसिस द्वारा किए गए वेट परिवर्तन (weight changes) SIGReg ऑब्जेक्टिव फंक्शन के ग्रेडिएंट (सुधार की दिशा) के गणितीय रूप से समान हैं उनके विशिष्ट मॉडल के भीतर। यह प्रदर्शित करता है कि एक जैविक रूप से प्रशंसनीय सेटअप बिना किसी वैश्विक त्रुटि संकेत या बैकप्रोपैगेशन के यह हासिल कर सकता है, हालांकि यह यह सिद्ध नहीं करता है कि सभी संदर्भों में सीखने के एकमात्र तरीके यही हैं।
सिमुलेशन परिणाम:
- 450 नमूनों वाले एक सिंथेटिक कार्य पर, जब डेटा को क्रमबद्ध ब्लॉकों (ordered blocks) में प्रस्तुत किया गया (जैसे एक फिल्म जहाँ एक ही दृश्य कुछ समय के लिए चलता है), तो नेटवर्क ने रैंडम की तुलना में वर्गों को काफी बेहतर तरीके से अलग करने में सफलता प्राप्त की, जिससे क्लस्टर सेपरेशन स्कोर 2.49 रहा। जब उसी डेटा को रैंडम तरीके से मिला दिया गया, तो स्कोर 0.83 के करीब रहा। यह सिद्ध करता है कि नेटवर्क केवल समय के क्रम से सीखता है, न कि किसी छिपे हुए लेबल से। क्रमबद्ध प्रस्तुति ने रैंडम बेसलाइन की तुलना में सेपरेशन को लगभग तीन गुना बढ़ा दिया।
- प्रसिद्ध MNIST डेटासेट (हस्तलिखित अंक) पर, केवल इन नियमों के साथ प्रशिक्षित (प्रशिक्षण के दौरान कोई बैकप्रोपैगेशन नहीं, कोई लेबल नहीं) दो-परत वाले नेटवर्क ने एक साधारण लीनियर प्रोब के साथ परीक्षण करने पर 87.3% सटीकता प्राप्त की। यह एक बहुत ही मजबूत परिणाम है, जो दर्शाता है कि यह तंत्र एंड-टू-एंड काम करता है।

STDP डिप्रेशन के बारे में पेपर क्या स्पष्ट करता है:
पेपर स्पष्ट रूप से STDP के "डिप्रेशन" हाथ (वह हिस्सा जो गलत समय होने पर कनेक्शन को कमजोर करता है) की जांच करता है। यह पाता है कि जबकि यह नियम गैर-ऋणात्मक भार (non-negative weights) को लागू करने के लिए सैद्धांतिक रूप से आवश्यक है, अपने आप में यह सीखने को अस्थिर कर देता है। सिमुलेशन में, एक विशिष्ट क्षतिपूर्ति तंत्र (compensating mechanism) के बिना डिप्रेशन नियम का उपयोग करने से सटीकता काफी गिर गई (घटकर 59.3% या 69.6% हो गई)। लेखक सुझाव देते हैं कि ऐसा इसलिए नहीं है कि यह नियम बेकार है, बल्कि इसलिए है क्योंकि मॉडल में एक विशिष्ट इनहिबिटरी इंटरन्यूरॉन्स (जैसे बास्केट सेल्स) की आबादी गायब है जो सिस्टम को स्थिर बनाने के लिए आवश्यक होगी। इसे भविष्य के कार्य के लिए एक महत्वपूर्ण क्षेत्र के रूप में छोड़ दिया गया है।

एक जिज्ञासु किशोर के लिए निष्कर्ष:
यह पेपर जीव विज्ञान और AI के बीच एक सेतु है। यह सुझाव देता है कि मस्तिष्क को सीखने के लिए एक जटिल, केंद्रीकृत "त्रुटि सुधार" प्रणाली की आवश्यकता नहीं हो सकती है। इसके बजाय, इसे केवल दो सरल, स्थानीय आदतों की आवश्यकता हो सकती है: "अपने उन दोस्तों के साथ बने रहो जो सही समय पर आते हैं" और "सुनिश्चित करो कि तुम सभी बिल्कुल एक जैसा नहीं कर रहे हो।" इन आदतों को जोड़कर, मस्तिष्क दुनिया की संरचना को स्वाभाविक रूप से खोज सकता है—जैसे यह पहचानना कि बिल्ली एक बिल्ली है—बस दुनिया को समय के साथ घटित होते हुए देखकर। लेखकों ने दिखाया है कि यह केवल एक काव्य रूपक नहीं है; यह एक गणितीय वास्तविकता है जिसे सिम्युलेट किया जा सकता है और सिद्ध किया जा सकता है।

तकनीकी सारांश: SIGReg ग्रेडिएंट को लागू करने वाले स्थानीय सिनैप्टिक नियम

समस्या विवरण
केंद्रित समस्या यह है कि जैविक तंत्रिका नेटवर्क (biological neural networks) बिना किसी स्पष्ट लेबल या बैकप्रोपैगेशन के लिए आवश्यक वैश्विक त्रुटि संकेतों (global error signals) के उपयोग के, उपयोगी, उच्च-आयामी प्रतिनिधित्व (high-dimensional representations) कैसे सीख सकते हैं। सेल्फ-सुपरवाइज्ड लर्निंग (SSL) उद्देश्य जैसे कि SIGReg और VICReg ने इनपुट व्यूज के बीच समानता को अधिकतम करते हुए और वेरिएंस एवं कोवेरिएंस रेगुलाइजेशन के माध्यम से आयामी पतन (dimensional collapse) को रोककर कृत्रिम प्रणालियों में प्रभावी प्रदर्शन सिद्ध किया है, लेकिन ये विधियाँ जैविक रूप से प्रशंसनीय (biologically plausible) नहीं हैं। वे आमतौर पर वैश्विक ग्रेडिएंट गणना, वेट ट्रांसपोर्ट (weight transport), और गैर-स्थानीय त्रुटि संकेतों की आवश्यकता रखते हैं जो ज्ञात न्यूरोबायोलॉजिकल तंत्रों में मौजूद नहीं होते हैं। यह कार्य यह प्रदर्शित करके इस अंतर को पाटने का प्रयास करता है कि कैसे कैनोनिकल, स्थानीय रूप से उपलब्ध सिनैप्टिक नियम एक SIGReg-जैसे उद्देश्य के सटीक ग्रेडिएंट को कार्यान्वित कर सकते हैं।

कार्यप्रणाली (Methodology)
लेखक एक सर्किट मॉडल प्रस्तावित करते हैं जहाँ सीखना पूरी तरह से स्थानीय सिनैप्टिक कारकों द्वारा संचालित होता है: प्री- और पोस्ट-सिनैप्टिक फायरिंग दरें, स्थानीय फायरिंग सांख्यिकी, और प्राकृतिक संवेदी धाराओं (sensory streams) की टेम्पोरल कंटिग्युइटी (temporal contiguity)। मॉडल दो प्राथमिक तंत्रों को एकीकृत करता है:

स्पाइक-टाइमिंग-डिपेंडेंट प्लास्टिसिटी (STDP+): STDP के पोटेंशिएशन आर्म को एक थ्री-फैक्टर हेब्बियन नियम के रूप में मॉडल किया गया है। यह सिनैप्स को तब मजबूत करता है जब एक प्री-सिनैप्टिक न्यूरॉन एक पोस्ट-सिनैप्टिक न्यूरॉन से ठीक पहले फायर करता है। गणितीय रूप से, यह एक फॉरवर्ड प्रेडिक्शन लॉस ( $L_{pred}$ ) पर ग्रेडिएंट डिसेंट के अनुरूप है, जहाँ समय $t+1$ पर पोस्ट-सिनैप्टिक प्रोपेंसिटी, समय $t$ पर वेट्स के लिए एक निश्चित "टीचिंग सिग्नल" (stop-gradient) के रूप में कार्य करती है।
फ्लैशलाइट होमियोस्टैटिक प्लास्टिसिटी: आयामी पतन (जो SSL की एक सामान्य विफलता है) को रोकने के लिए, मॉडल "फ्लैशलाइट" न्यूरॉन्स की एक आबादी (जो सेरिबैलर ग्रेन्युल सेल्स के समान है) का उपयोग करता है जो एनकोडर के आउटपुट $h$ $h$ को एक निश्चित, रैंडम, मिश्रित-चिह्न मैट्रिक्स $A$ $A$ के माध्यम से प्रोजेक्ट करती है।
- वेरिएंस रेगुलेशन (Variance Regulation): प्रत्येक फ्लैशलाइट न्यूरॉन अपने वेरिएंस और एक लक्ष्य (इकाई/unity) के बीच के मिसमैच के अनुपात में एक रेट्रोग्रेड सिग्नल उत्सर्जित करता है। यह कोलैप्स-प्रिवेंशन टर्म के डायगोनल (वेरिएंस) घटक को लागू करता है।
- कोवेरिएंस रेगुलेशन (Covariance Regulation): सहसंबद्ध (correlated) फ्लैशलाइट पेयर्स द्वारा संचालित इंटरन्यूरॉन्स (बास्केट/स्टेलेट सेल्स) से प्राप्त होने वाला लेटरल इनहिबिशन, ऑफ-डायगोनल (कोवेरिएंस) घटक को लागू करता है।
- साथ मिलकर, ये होमियोस्टैटिक तंत्र एक वीक-SIGReg उद्देश्य ( $L_{Weak}$ ) के ग्रेडिएंट को लागू करते हैं, जो प्रोजेक्टेड कोवेरिएंस के आइडेंटिटी मैट्रिक्स से विचलन को दंडित करता है।

मुख्य सैद्धांतिक योगदान यह प्रत्यक्ष निर्माण (direct construction) है जो दिखाता है कि STDP+ अपडेट और होमियोस्टैटिक अपडेट का योग पूर्ण SIGReg उद्देश्य ( $- \nabla L_{SIGReg} = L_{pred} + \lambda L_{Weak}$ ) के ऋणात्मक ग्रेडिएंट के बराबर है। लेखक स्पष्ट रूप से उल्लेख करते हैं कि STDP डिप्रेशन आर्म (STDP−) एक स्पार्सिफाइंग प्रोजेक्शन के रूप में कार्य करता है ताकि नॉन-नेगेटिव वेट्स ( $W_{ij} \geq 0$ ) को लागू किया जा सके, लेकिन अकेले यह सीखने को अस्थिर कर देता है और इसे प्राथमिक सफल स्थितियों से बाहर रखा गया है।

प्रमुख योगदान

गणितीय समानता (Mathematical Equivalence): पेपर यह सिद्ध करता है कि STDP+ और फ्लैशलाइट होमियोस्टेसिस मिलकर बैकप्रोपैगेशन, वैश्विक त्रुटि संकेतों, वेट ट्रांसपोर्ट, या लेबल जानकारी के बिना SIGReg उद्देश्य पर ग्रेडिएंट डिसेंट को लागू करते हैं।
जैविक संभाव्यता (Biological Plausibility): यह तंत्र केवल स्थानीय रूप से उपलब्ध कारकों (प्री/पोस्ट-सिनैप्टिक गतिविधि, स्थानीय गेन, और वेरिएंस/कोवेरिएंस सांख्यिकी) पर निर्भर करता है और इटरेटिव इन्फरेंस लूप्स (स्पार्स कोडिंग के विपरीत) से बचता है, जो एक सख्त ऑनलाइन, सिंगल-पास मोड में संचालित होता है।
नॉन-नेगेटिविटी को संभालना: यह कार्य स्पष्ट करता है कि STDP− का कार्य उद्देश्य के लिए ग्रेडिएंट स्टेप के रूप में नहीं, बल्कि वेट्स को नॉन-नेगेटिव ऑर्थेंट पर प्रोजेक्ट करने के एक तंत्र के रूप में है, हालांकि यह नोट करता है कि एक स्थिर कार्यान्वयन के लिए एक अतिरिक्त निरोधात्मक (inhibitory) आबादी की आवश्यकता होती है।

प्रायोगिक परिणाम
लेखकों ने दो कार्यों पर तंत्र को मान्य किया:

सिंथेटिक क्लस्टरिंग: हाई-डायमेंशनल नॉइज़ वाले 3-क्लास डेटासेट पर, नेटवर्क को या तो क्लास-कंटिग्युअस टेम्पोरल ऑर्डर में या रैंडम ऑर्डर में इनपुट दिया गया।
- ऑर्डर्ड इनपुट (Ordered Input): नेटवर्क ने क्लासेस को अलग करने में सफलता प्राप्त की, जिससे क्लस्टर सेपरेशन रेशियो (CSR) 2.49 प्राप्त हुआ, जो बेसलाइन की तुलना में लगभग तीन गुना सुधार है।
- रैंडम इनपुट (Random Input): रैंडम ऑर्डरिंग के साथ, CSR बेसलाइन (0.83) के करीब रहा, जो दर्शाता है कि सीखा गया स्ट्रक्चर पूरी तरह से टेम्पोरल कंटिग्युइटी से उत्पन्न हुआ है।
MNIST लीनियर प्रोब: केवल STDP और होमियोस्टैटिक प्लास्टिसिटी (प्रशिक्षण के दौरान कोई लेबल नहीं) का उपयोग करके MNIST पर प्रशिक्षित दो-परत वाले नेटवर्क ने 87.3% लीनियर-प्रोब सटीकता प्राप्त की।
- एब्लेशन (Ablations): होमियोस्टेसिस को हटाने से प्रदर्शन गिरकर लगभग चांस (18.5%) हो गया। इनपुट ऑर्डर को रैंडमाइज करने से सटीकता 86.5% रही, जो इंगित करता है कि होमियोस्टेसिस अकेले एक "व्हाइटनिंग फ्लोर" प्रदान करता है, जबकि टेम्पोरल ऑर्डरिंग एक मामूली लेकिन सुसंगत लाभ प्रदान करती है।
- STDP− का प्रभाव: वेट क्लिपिंग के साथ STDP− को शामिल करने से प्रदर्शन काफी खराब हो गया (गिरकर ~59–69%), जो सैद्धांतिक दावे की पुष्टि करता है कि STDP− एक क्षतिपूर्ति (compensatory) निरोधात्मक आबादी के बिना सिस्टम को अस्थिर कर देता है।

महत्व और दावे
पेपर का दावा है कि यह कार्य स्वतंत्र रूप से देखे गए जैविक सिनैप्टिक नियमों और अत्याधुनिक सेल्फ-सुपरवाइज्ड लर्निंग उद्देश्यों के बीच एक सीधा संबंध स्थापित करता है। यह तर्क देता है कि मस्तिष्क बिना किसी स्पष्ट डेटा ऑग्मेंटेशन या नेगेटिव सैंपल कंस्ट्रक्शन के, उपयोगी रिप्रजेंटेशन सीखने के लिए आवश्यक सटीक ग्रेडिएंट को कंप्यूट करने हेतु इन कैनोनिकल तंत्रों (STDP और होमियोस्टेसिस) का उपयोग कर सकता है।

लेखक इस बात पर जोर देते हैं कि यह कोई गहरा गणितीय व्युत्पन्न (derivation) नहीं है बल्कि एक "डायरेक्ट कंस्ट्रक्शन" है जहाँ प्रत्येक जैविक नियम को SIGReg उद्देश्य के एक विशिष्ट पद (term) से मेल खाने के लिए विभेदित (differentiated) किया गया है। इसका महत्व इस बात में है कि यह जैविक रूप से ग्राउंडेड स्थानीय इंटरैक्शन के माध्यम से SIGReg को न केवल एक अमूर्त एल्गोरिदम, बल्कि एक साकार प्रक्रिया के रूप में प्रस्तुत करता है। यह कार्य सुझाव देता है कि प्राकृतिक संवेदी धाराओं में टेम्पोरल कंटिग्युइटी, SSL के लिए पॉजिटिव-पेयर सिग्नल के रूप में कार्य करती है।

पेपर गहराई के स्केलिंग (depth scaling) के संबंध में विनम्र रहता है, यह स्वीकार करते हुए कि प्रत्येक परत पर इन डिकोरिलेशन उद्देश्यों को लागू करने से एक "व्हाइटनिंग कैस्केड" उत्पन्न होता है, जिससे गहरे नेटवर्क में प्रदर्शन कम हो जाता है। यह सुझाव देता है कि भविष्य के कार्यों को स्थानिक पैमानों (spatial scales) को संभालने के लिए कन्वोल्यूशनल वेरिएंट और नॉन-नेगेटिव प्रोजेक्शन को स्थिर करने के लिए विशिष्ट निरोधात्मक आबादी के एकीकरण की खोज करनी चाहिए।

मस्तिष्क का बिना शिक्षक के सीखने का गुप्त नुस्खा

पेपर की बड़ी खोज: एक जैविक "स्व-पर्यवेक्षित" (Self-Supervised) मशीन

इसी तरह के और पेपर