Petri Net Description of Biological Neural Circuits for Fast Hardware Prototyping
यह शोध पत्र जैविक तंत्रिका परिपथों (biological neural circuits) के मॉडलिंग के लिए एक T-समयबद्ध पेट्री नेट (T-timed Petri net) ढांचे का प्रस्ताव करता है जो पारंपरिक सिमुलेशन विधियों की सीमाओं को दूर करता है, जिससे औपचारिक रूप से सत्यापन योग्य, समय-सीमा-गारंटीकृत वास्तविक समय निष्पादन सक्षम होता है और निरंतर-समय लीकी इंटीग्रेट-एंड-फायर (leaky integrate-and-fire) गतिकी के साथ विश्लेषणात्मक रूप से मेल खाता है, जैसा कि तीन सिम्युलेटेड सूक्ष्म परिपथों (microcircuits) के माध्यम से सत्यापित किया गया 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
तंत्रिका तंत्र में, समय केवल एक विवरण नहीं है; यह जीवन की वास्तविक भाषा है। जब एक न्यूरॉन एक विद्युत संकेत भेजता है, तो वह सटीक क्षण जब यह होता है, यह निर्धारित करता है कि मांसपेशी सिकुड़ेगी, कोई संवेदना महसूस की जाएगी, या कोई लय बनी रहेगी। यदि चलने की गति को समन्वित करने वाला संकेत एक सेकंड के बहुत छोटे हिस्से के लिए भी देर से पहुँचता है, तो परिणाम केवल एक धीमा कदम नहीं, बल्कि लड़खड़ाहट होता है। यही सटीकता कारण है कि वैज्ञानिक लंबे समय से ऐसे कंप्यूटर मॉडल बनाने की कोशिश कर रहे हैं जो इन जैविक सर्किटों की पूर्ण सटीकता के साथ नकल कर सकें। हालाँकि, मानक कंप्यूटर सिमुलेशन अक्सर इस कार्य में संघर्ष करते हैं। वे आमतौर पर एक निश्चित, नियमित अंतराल पर सिस्टम की स्थिति की जाँच करके काम करते हैं, जैसे कि एक कैमरा जो हर सेकंड एक फोटो लेता है। यदि कोई महत्वपूर्ण घटना उन स्नैपशॉट के बीच में होती है, तो सिमुलेशन उसे मिस कर सकता है या उसके समय को गलत समझ सकता है। उन जैविक प्रणालियों के लिए जो पलक झपकते ही होने वाली सटीकता पर निर्भर करती हैं, यह विधि अक्सर इतनी कठोर और अपरिष्कृत होती है कि यह गारंटी नहीं दे पाती कि मॉडल वास्तविक समय में सही ढंग से व्यवहार करेगा।
शोधकर्ताओं की एक टीम ने इन न्यूरल सर्किटों को मॉडल करने का एक नया तरीका प्रस्तावित किया है जो इस समस्या को हल करता है, और यह मस्तिष्क की गतिविधि को एक निरंतर प्रवाह के बजाय घटनाओं की एक श्रृंखला के रूप में मानकर करता है। वे एक जैविक न्यूरॉन को बिजली की एक चिकनी, बहती हुई नदी के रूप में नहीं, बल्कि एक ऐसी मशीन के रूप में वर्णित करते हैं जो एक निश्चित बिंदु (टिपिंग पॉइंट) तक पहुँचने तक ऊर्जा के छोटे पैकेटों को संचित करती है, जिस क्षण वह सिग्नल भेजती है। यह दृष्टिकोण, जिसे वे "पेट्री न्यूरॉन" (Petri neuron) कहते हैं, उन्हें सटीक रूप से यह गणना करने की अनुमति देता है कि एक नेटवर्क के माध्यम से संकेत यात्रा करने में कितना समय लगेगा, जिसमें एक गणितीय गारंटी होती है कि समय कभी भी एक विशिष्ट सीमा से अधिक नहीं होगा। तीन अलग-अलग प्रकार के छोटे मस्तिष्क सर्किटों पर अपने मॉडल का परीक्षण करके, शोधकर्ताओं ने प्रदर्शित किया कि यह प्रकृति में पाए जाने वाले जटिल लय और प्रतिस्पर्धी व्यवहारों को दोहरा सकता है और साथ ही यह एक सख्त, अटूट वादा भी प्रदान करता है कि प्रत्येक संकेत कब पहुँचेगा।
इस कार्य का मूल एक न्यूरॉन के काम करने के तरीके के बारे में सोचने का एक नया तरीका है। जैविक दुनिया में, एक न्यूरॉन तब तक विश्राम अवस्था में रहता है जब तक कि उसे विद्युत उत्तेजना प्राप्त नहीं होती। जैसे-जैसे यह संकेतों को एकत्र करता है, इसका आंतरिक वोल्टेज बढ़ता जाता है। यदि वोल्टेज एक विशिष्ट दहलीज (थ्रेशोल्ड) को पार कर जाता है, तो न्यूरॉन एक स्पाइक भेजता है और फिर एक रिकवरी अवधि में प्रवेश करता है जहाँ वह तुरंत फिर से फायर नहीं कर सकता। शोधकर्ताओं ने इस जैविक प्रक्रिया को स्थानों (places) और संक्रमणों (transitions) की एक प्रणाली में अनुवादित किया, जो एक फ्लोचार्ट के समान है जहाँ टोकन एक बॉक्स से दूसरे बॉक्स में चलते हैं। उनके मॉडल में, एक न्यूरॉन आने वाले संकेतों का प्रतिनिधित्व करने के लिए टोकन संचित करता है। यदि टोकनों की संख्या एक निर्धारित सीमा तक पहुँच जाती है, तो न्यूरॉन फायर करता है, अपने पड़ोसियों को संकेत भेजता है, और फिर एक रिकवरी चरण में प्रवेश करता है जहाँ वह नए संकेत स्वीकार करने से पहले प्रतीक्षा करता है। यह संरचना शोधकर्ताओं को औपचारिक तर्क (formal logic) के उपकरणों के साथ सिस्टम का विश्लेषण करने की अनुमति देती है, जिससे यह सिद्ध होता है कि न्यूरॉन हमेशा एक अनुमानित तरीके से व्यवहार करेगा और यह कभी भी ऐसी स्थिति में नहीं फँसेगा जहाँ वह फायर या रिकवर न कर सके।
यह सुनिश्चित करने के लिए कि यह मॉडल वास्तविक दुनिया में काम करे, टीम को इस तथ्य को ध्यान में रखना पड़ा कि कंप्यूटर हार्डवेयर पूरी तरह से सटीक नहीं होता है। यहाँ तक कि तेज़ कंप्यूटर भी घटनाओं को संसाधित करते समय मामूली देरी या "जिटर" (jitter) उत्पन्न कर सकते हैं। शोधकर्ताओं ने अपने मॉडल का परीक्षण दो बहुत ही अलग मशीनों पर किया: एक शक्तिशाली डेस्कटॉप कंप्यूटर और एक छोटा, कम लागत वाला माइक्रोकंट्रोलर। उन्होंने पाया कि डेस्कटॉप कंप्यूटर, जो कई प्रोग्रामों को एक साथ चलाने के लिए जटिल शेड्यूलिंग का उपयोग करता है, महत्वपूर्ण समय त्रुटियाँ उत्पन्न करता था जो उन न्यूरॉन्स के सिमुलेशन के लिए अनुपयुक्त थे जिन्हें एक मिलीसेकंड से कम समय में प्रतिक्रिया देने की आवश्यकता होती है। हालाँकि, छोटा माइक्रोकंट्रोलर अत्यधिक अनुमानित था, जिसकी समय त्रुटियाँ इतनी छोटी थीं कि वे लगभग नगण्य थीं। यह अंतर महत्वपूर्ण है क्योंकि यह दिखाता है कि इस प्रकार के सटीक न्यूरल मॉडलिंग के लिए, हार्डवेयर का चुनाव गणितीय मॉडल जितना ही महत्वपूर्ण है।
शोधकर्ताओं ने फिर अपने मॉडल को तीन विशिष्ट प्रकार के न्यूरल सर्किटों का सिमुलेशन करके परखा जो मस्तिष्क में मौजूद होते हैं। पहला एक 'फीडबैक इनहिबिशन लूप' (feedback inhibition loop) था, जो एक सामान्य व्यवस्था है जहाँ एक उत्तेजक (excitatory) न्यूरॉन एक निरोधात्मक (inhibitory) न्यूरॉन को सक्रिय करता है, जो फिर मूल न्यूरॉन को बहुत अधिक फायर करने से रोकने के लिए उसे बंद कर देता है। उनके सिमुलेशन में, इस सर्किट ने लयबद्ध स्पंद (rhythmic pulses) उत्पन्न किए जो मानव मस्तिष्क की तीव्र एकाग्रता के दौरान देखी जाने वाली गामा-बैंड लय से मेल खाते थे। इससे भी महत्वपूर्ण बात यह है कि मॉडल ने गणितीय रूप से सिद्ध किया कि निरोधात्मक संकेत हमेशा निर्धारित चक्रों के भीतर पहुँचेगा, जिससे सर्किट के अनियंत्रित होने से रोका जा सके। इसने स्थिरता की एक औपचारिक गारंटी प्रदान की जो पिछले सिमुलेशन तरीकों के पास नहीं थी।
दूसरा परीक्षित सर्किट एक 'लेटरल इनहिबिशन नेटवर्क' (lateral inhibition network) था, जो कंट्रास्ट को स्पष्ट करने के लिए जिम्मेदार है, जैसे कि जब आँख पृष्ठभूमि के विरुद्ध एक किनारे को पहचानती है। इस सेटअप में, दो न्यूरॉन प्रतिस्पर्धा करते हैं, और जो अधिक मजबूत इनपुट प्राप्त करता है वह दूसरे को दबा देता है। शोधकर्ताओं ने दिखाया कि उनका मॉडल एक गारंटीकृत अधिकतम विलंब के साथ इस प्रतिस्पर्धा को हल कर सकता है, चाहे इनपुट कितना भी मजबूत क्यों न हो। इसका अर्थ है कि सिस्टम गणितीय रूप से एक विशिष्ट समय सीमा के भीतर विजेता का निर्णय लेने के लिए निश्चित है, जो वास्तविक समय की संवेदी प्रसंस्करण के लिए एक आवश्यक गुण है लेकिन अन्य प्रकार के न्यूरल मॉडलों में इसे सिद्ध करना कठिन है।
अंत में, टीम ने एक 'हाइरार्किकल फीचर डिटेक्टर' (hierarchical feature detector) बनाया, जो दृश्य प्रणाली का एक सरल संस्करण है जो क्षैतिज या ऊर्ध्वाधर रेखाओं जैसी विशिष्ट आकृतियों की पहचान करती है। इस सर्किट को इस तरह से डिज़ाइन किया गया था कि यह मस्तिष्क द्वारा परतों में दृश्य जानकारी को संसाधित करने के तरीके की नकल कर सके। सिमुलेशन ने अपेक्षित व्यवहार को सफलतापूर्वक पुनरुत्पादित किया, जहाँ नेटवर्क ने रेखा के ओरिएंटेशन (झुकाव) को सही ढंग से पहचाना और अन्य ओरिएंटेशनों का पता लगाने को दबा दिया। इस नेटवर्क में पहले रिस्पॉन्स का समय शोधकर्ताओं के विश्लेषणात्मक अनुमानों से बिल्कुल मेल खाता था, जो पुष्टि करता है कि उनकी विधि जटिल सूचना प्रसंस्करण की गति का सटीक पूर्वानुमान लगा सकती है।
यह कार्य यह प्रदर्शित करता है कि न्यूरल सर्किट को इवेंट-ड्रिवन लॉजिक (घटना-संचालित तर्क) के लेंस से देखकर, ऐसे मॉडल बनाना संभव है जो न केवल जैविक रूप से प्रशंसनीय हैं बल्कि गणितीय रूप से सत्यापन योग्य भी हैं। शोधकर्ताओं ने दिखाया है कि एक डिजिटल न्यूरॉन का निर्माण करना संभव है जो समय की शुद्धता की अंतर्निहित गारंटी के साथ आता है। हालाँकि वर्तमान मॉडल जीव विज्ञान के कुछ पहलुओं को सरल बनाता है, जैसे कि रिकवरी के दौरान न्यूरॉन की संवेदनशीलता में सूक्ष्म परिवर्तन, परिणाम एक शक्तिशाली नए मार्ग का सुझाव देते हैं। यह ऐसे हार्डवेयर के लिए न्यूरल सिस्टम डिजाइन करने का एक तरीका प्रदान करता है जिसे पूर्ण विश्वसनीयता के साथ काम करना चाहिए, यह सुनिश्चित करते हुए कि जब किसी मशीन को दुनिया के प्रति प्रतिक्रिया करने की आवश्यकता हो, तो वह जीवित मस्तिष्क की तरह ही सटीक प्रतिक्रिया दे।
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।