Bidirectional representational alignment between biological and artificial neural networks
यह शोध पत्र प्रदर्शित करता है कि प्रशिक्षण के दौरान स्व-पर्यवेक्षित विजन मॉडलों की स्पेक्ट्रल ज्यामिति (spectral geometry) को निर्देशित करना जैविक तंत्रिका नेटवर्क के साथ द्विदिशीय प्रतिनिधित्व संरेखण (bidirectional representational alignment) को व्यवस्थित रूप से नियंत्रित और महत्वपूर्ण रूप से सुधार सकता है, जो प्रभावी आयामीता (effective dimensionality) को कम करके और साझा प्रतिनिधित्व उप-स्थान (shared representational subspace) को पुनर्गठित करके द्विदिशीय भविष्यवात्मकता में 55% सापेक्ष सुधार प्राप्त करता है।
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
बुद्धिमत्ता कैसे कार्य करती है, इसे समझने के लिए वैज्ञानिक अक्सर मस्तिष्क को देखते हैं, जो कि सोचने वाली एक जैविक मशीन है, और इसकी तुलना कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क्स) से करते हैं, जो इसकी नकल करने के लिए डिज़ाइन किए गए कंप्यूटर प्रोग्राम हैं। वर्षों से, शोधकर्ताओं ने यह देखने का प्रयास किया है कि क्या ये दो प्रणालियाँ दुनिया के अपने आंतरिक मानचित्रों की तुलना करके समान तरीकों से "सोचती" हैं। जब एक कंप्यूटर बिल्ली की तस्वीर देखता है, तो वह गतिविधि का एक विशिष्ट पैटर्न बनाता है; जब एक बंदर वही तस्वीर देखता है, तो उसका मस्तिष्क एक अलग पैटर्न बनाता है। वैज्ञानिक यह मापते हैं कि कंप्यूटर का पैटर्न बंदर की मस्तिष्क गतिविधि का कितनी अच्छी तरह से पूर्वानुमान लगाता है, जिसे 'फॉरवर्ड प्रेडिक्शन' (अग्रगामी पूर्वानुमान) कहा जाता है। हाल ही में, एक नया प्रश्न उभरा: क्या हम बंदर के मस्तिष्क को देखकर केवल कंप्यूटर के पैटर्न का भी पूर्वानुमान लगा सकते हैं? इसका उत्तर आश्चर्यजनक रूप से एकतरफा था। कंप्यूटर के आंतरिक मानचित्र इस बात का अनुमान लगाने में उत्कृष्ट थे कि मस्तिष्क क्या करेगा, लेकिन मस्तिष्क की गतिविधि कंप्यूटर के व्यवहार का अनुमान लगाने में कमजोर थी। इस असंतुलन ने सुझाव दिया कि जबकि कृत्रिम बुद्धिमत्ता ने मस्तिष्क के आउटपुट की नकल करना सीख लिया था, लेकिन उसने अभी तक मस्तिष्क की अंतर्निहित संरचना की नकल करना नहीं सीखा था।
शोधकर्ताओं की एक टीम ने कृत्रिम नेटवर्क के प्रशिक्षण के दौरान उसके आंतरिक मानचित्रों के आकार को बदलकर इस एकतरफा संबंध को ठीक करने का लक्ष्य रखा। उन्होंने परिकल्पना की कि कंप्यूटर के भीतर सूचना कैसे व्यवस्थित होती है—विशेष रूप से, सूचना के विभिन्न टुकड़ों का महत्व कैसे वितरित होता है—वही लुप्त कड़ी हो सकती है। इसका परीक्षण करने के लिए, उन्होंने एक ऐसा सिस्टम बनाया जो कंप्यूटर की सीखने की प्रक्रिया को एक विशिष्ट तरीके से जानकारी व्यवस्थित करने के लिए धीरे से प्रेरित कर सके, जैसा कि मस्तिष्क स्वाभाविक रूप से जानकारी को व्यवस्थित करता है। उन्होंने एक मानक विजन मॉडल का उपयोग किया, जो कि एक प्रकार की कृत्रिम बुद्धिमत्ता है जिसे बिना मानवीय लेबल के छवियों को पहचानने के लिए प्रशिक्षित किया गया है, और इसके सीखने के चरण के दौरान एक नया नियम लागू किया। इस नियम ने नेटवर्क को अपने आंतरिक संकेतों को इस तरह व्यवस्थित करने के लिए प्रोत्साहित किया कि कुछ संकेतों में अधिकांश भार हो, जबकि अन्य बहुत कम भार वहन करें, एक ऐसा पैटर्न जो जैविक मस्तिष्क में पाए जाने वाले महत्व के प्राकृतिक क्षय (नेचुरल डिके) को दर्शाता है।
परिणामों ने दिखाया कि इस सरल समायोजन का गहरा प्रभाव पड़ा। जब शोधकर्ताओं ने कंप्यूटर की आंतरिक ज्यामिति को इस प्राकृतिक पैटर्न से मेल खाने के लिए निर्देशित किया, तो मस्तिष्क की गतिविधि द्वारा कंप्यूटर के व्यवहार का पूर्वानुमान लगाने की क्षमता नाटकीय रूप से सुधर गई। वास्तव में, कंप्यूटर के आंतरिक मानचित्र मस्तिष्क द्वारा अनुमानित होने में बहुत बेहतर हो गए, जिससे वह अंतर समाप्त हो गया जो पहले मौजूद था। जबकि मस्तिष्क की गतिविधि द्वारा कंप्यूटर के व्यवहार का पूर्वानुमान लगाने की क्षमता में थोड़ी गिरावट आई, लेकिन विपरीत दिशा में हुए विशाल लाभ का अर्थ था कि दोनों प्रणालियाँ बहुत अधिक संतुलित हो गईं। मूल सेटअप के सापेक्ष दोनों के बीच समग्र संरेखण (एलाइनमेंट) में इक्यावन प्रतिशत का सुधार हुआ। यह सुधार केवल एक सांख्यिकीय संयोग नहीं था; यह कंप्यूटर की संरचना में एक स्पष्ट परिवर्तन के साथ आया। नेटवर्क ने जानकारी संग्रहीत करने के लिए कम, अधिक कुशल आयामों (डायमेंशन्स) पर निर्भर रहना शुरू कर दिया, और नेटवर्क के वे हिस्से जो मस्तिष्क की गतिविधि के सबसे समान थे, उनके संबंध में लगभग पूरी तरह से सममित (सिमेट्रिकल) हो गए।
यह अध्ययन सुझाव देता है कि सूचना का संगठन भी उतना ही महत्वपूर्ण है जितना कि स्वयं सूचना। केवल कंप्यूटर के यह निर्धारित करने के नियमों को बदलकर कि वह विभिन्न संकेतों में अपना ध्यान कैसे वितरित करता है, शोधकर्ताओं ने कृत्रिम नेटवर्क के आंतरिक जगत को जैविक जगत के बहुत करीब ला दिया। इसका अर्थ यह नहीं है कि कंप्यूटर अचानक सचेत हो गया है या उसने मानव विचार के रहस्य को सुलझा लिया है। बल्कि, यह दर्शाता है कि सीखी गई प्रस्तुतियों (रिप्रजेंटेशन्स) की ज्यामिति—आंतरिक मानचित्रों का आकार—एक ऐसा गुण है जिसे कृत्रिम और जैविक प्रणालियों को एक-दूसरे के करीब लाने के लिए नियंत्रित किया जा सकता है। निष्कर्ष बताते हैं कि पिछला असंतुलन कृत्रिम बुद्धिमत्ता में कोई स्थायी दोष नहीं था, बल्कि यह एक परिणाम था कि इन नेटवर्कों को खुद को व्यवस्थित करने की अनुमति कैसे दी गई थी। उस संगठन को निर्देशित करके, वैज्ञानिक ऐसे मॉडल बना सकते हैं जो न केवल कार्यों को हल करने में बेहतर हैं, बल्कि उन जैविक प्रणालियों के बेहतर दर्पण भी हैं जिन्हें वे समझने का प्रयास कर रहे हैं।
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।