"More Is Different'' in Neural Circuits: Algebraic Emergence of Effective Theories in Canonical Recurrent Motifs of Biological Neuronal Networks
यह शोध पत्र प्रदर्शित करता है कि विनर-टेक-ऑल (winner-take-all) और डिवासिव नॉर्मलाइज़ेशन (divisive normalization) जैसे कैनोनिकल न्यूरल सर्किट मोटिफ्स को संयोजित करके, उनके ट्रांजिशन मोनोइड्स (transition monoids) के भीतर उन उभरते प्रभावी सिद्धांतों (emergent effective theories) और प्रतिवर्ती समूह गतिकी (reversible group dynamics) को बीजगणितीय रूप से उत्पन्न किया जा सकता है जो व्यक्तिगत एपेरियोडिक घटकों में अनुपस्थित हैं, जिससे यह प्रकट होता है कि आवर्ती सर्किट (recurrent circuits) का कम्प्यूटेशनल रिपर्टोयर मौलिक रूप से उनके संरचनात्मक इंटरफेस के बीजगणितीय ढांचे द्वारा बाधित और परिभाषित 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
मस्तिष्क दोहराते हुए पैटर्न से बनी एक मशीन है। जिस तरह एक घर ईंटों, बीम और खिड़कियों से बनाया जाता है, उसी तरह हमारी खोपड़ी के भीतर के तंत्रिका सर्किट (neural circuits) मानक निर्माण खंडों के एक छोटे समूह से असेंबल किए जाते हैं। दो सबसे सामान्य खंडों को 'डिविसिव नॉर्मलाइजेशन' (divisive normalization) और 'विनर-टेक-ऑल' (winner-take-all) प्रतियोगिता के रूप में जाना जाता है। पहला एक वॉल्यूम नॉब की तरह कार्य करता है जो न्यूरॉन्स के एक समूह की समग्र तीव्रता को कम कर देता है जब वे बहुत ज़ोर से सक्रिय होते हैं, यह सुनिश्चित करता है कि कोई भी एकल संकेत दूसरों को दबा न दे। दूसरा एक भीड़ भरे कमरे में एक रेफरी की तरह कार्य करता है, जो केवल एक न्यूरॉन समूह को बोलने की अनुमति देता है जबकि बाकी को शांत कर देता है। दशकों तक, तंत्रिका वैज्ञानिकों ने इन खंडों को कार्यात्मक उपकरणों के रूप में समझा है: एक गतिविधि को पुनर्गठित करता है, दूसरा विजेता चुनता है। लेकिन एक नया अध्ययन इस बारे में एक गहरा प्रश्न पूछता है कि जब ये खंड आपस में जुड़ जाते हैं तो क्या होता है। यह जांच करता है कि क्या यह जुड़ाव स्वयं कुछ पूरी तरह से नया बनाता है, एक ऐसी क्षमता जो इनमें से किसी भी अकेले खंड के पास नहीं है।
यह शोध, मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में निमा डेघानी के नेतृत्व में, इन तंत्रिका सर्किटों को केवल जैविक प्रणालियों के रूप में नहीं, बल्कि गणितीय मशीनों के रूप में देखता है। लक्ष्य यह देखना था कि क्या इन मशीनों को आपस में जोड़ने का तरीका एक ऐसे प्रकार का कंप्यूटेशन (गणना) उत्पन्न कर सकता है जो किसी भी एकल भाग में पाना असंभव है। ऐसा करने के लिए, शोधकर्ताओं ने वास्तविक न्यूरॉन्स की जटिल, निरंतर फायरिंग को डिस्क्रीट अवस्थाओं (discrete states) के एक सेट में सरल बना दिया, जैसे कि एक लाइट स्विच जो या तो चालू है या बंद। इसके बाद उन्होंने नॉर्मलाइजेशन और प्रतियोगिता सर्किट के डिजिटल मॉडल बनाए और उन्हें हर संभव इनपुट अनुक्रम के माध्यम through चलाया। उन्होंने गतिविधि के एक एकल पथ को देखने के बजाय, उस पूरे परिदृश्य का मानचित्रण किया जो सर्किट कर सकते थे जब इनपुट समय के साथ बदलते थे। वे एक विशिष्ट प्रकार के व्यवहार की तलाश में थे: एक चक्र जहाँ सिस्टम एक पिछली स्थिति में वापस जा सके, जिससे प्रतिवर्ती क्रिया (reversible action) का एक लूप बन सके। अध्ययन की भाषा में, वे एक "ग्रुप" संरचना की तलाश कर रहे थे, जो एक ऐसी प्रणाली का गणितीय हस्ताक्षर है जो अवस्थाओं को याद रख सकती है और उनके माध्यम से चक्रित हो सकती है, न कि केवल एक स्थिर बिंदु में विलीन हो जाती है।
अध्ययन की शुरुआत इन दोनों सर्किटों का अलग-अलग परीक्षण करके हुई। जब शोधकर्ताओं ने अकेले 'विनर-टेक-ऑल' सर्किट को देखा, तो उन्होंने पाया कि किसी भी एकल, अपरिवर्तित इनपुट के तहत, सिस्टम पूरी तरह से 'डिसिपेटिव' (dissipative) था। यह हमेशा एक एकल, स्थिर अवस्था में सेटल हो जाएगा जहाँ एक समूह जीत जाता है और बाकी शांत हो जाते हैं। वहाँ कोई लूप नहीं था, कोई चक्र नहीं था, और एक बार जब सिस्टम आगे बढ़ गया तो पुरानी स्थिति में वापस आने का कोई तरीका नहीं था। सख्त और अधिक जटिल रूप में नॉर्मलाइजेशन सर्किट के लिए भी यही सच था। इन सर्किटों को नियंत्रित करने वाला प्रत्येक नियम, जब अकेले लागू किया गया, सिस्टम को एक मृत अंत (dead end) की ओर ले गया। हालाँकि, जब शोधकर्ताओं ने इन सर्किटों को जोड़ा, तो कहानी बदल गई। उन्होंने पाया कि विभिन्न इनपुट के बीच एक विशिष्ट अनुक्रम में स्विच करके, वे सिस्टम को एक लूप में डालने के लिए मजबूर कर सकते थे। भले ही प्रत्येक व्यक्तिगत कदम एकतरफा रास्ता था जिसने स्मृति को मिटा दिया था, लेकिन चरणों के अनुक्रम ने एक छिपा हुआ मार्ग बनाया जिसने सिस्टम को वहीं वापस जाने की अनुमति दी जहाँ से उसने शुरू किया था। यह पहला आश्चर्य था: पूरी तरह से अपरिवर्तनीय (irreversible) भागों से बना एक सिस्टम, संयोजन (composition) के माध्यम से, एक प्रतिवर्ती लूप उत्पन्न कर सकता था।
सबसे महत्वपूर्ण निष्कर्ष तब सामने आया जब शोधकर्ताओं ने इन दोनों सर्किटों को एक विशिष्ट दिशा में जोड़ा। उन्होंने एक ऐसा सेटअप बनाया जहाँ प्रतियोगिता का विजेता नॉर्मलाइजेशन प्रक्रिया के सेटिंग्स को निर्धारित करता था। इस व्यवस्था में, चयनित विजेता केवल निष्क्रिय नहीं बैठा था; इसने अगले क्षण के लिए वातावरण को सक्रिय रूप से नया आकार दिया। जब उन्होंने संयुक्त सिस्टम का विश्लेषण किया, तो उन्हें एक ऐसा चक्र मिला जो अकेले किसी भी सर्किट का हिस्सा नहीं था। इस लूप में, जीतने वाले न्यूरॉन समूह की पहचान स्थिर रही, लेकिन दो अन्य चीजें एक साथ बदलीं: उस 'इनहिबिटरी गेट' (inhibitory gate) की स्थिति जिसने विजेता को नियंत्रित किया, और वह 'नॉर्मलाइजेशन सेटिंग' जो समग्र गेन (gain) को नियंत्रित करती थी। सिस्टम एक ऐसी अवस्था के बीच टॉगल (toggle) करता था जहाँ विजेता सक्रिय था और गेट खुला था, और एक ऐसी अवस्था के बीच जहाँ विजेता सक्रिय था लेकिन गेट बंद था, जबकि नॉर्मलाइजेशन सेटिंग पूरी तरह से तालमेल में बदल रही थी। यह चक्र एक वास्तविक मिश्रित संरचना (composite structure) था। यह प्रतियोगिता ब्लॉक की विशेषता नहीं थी, न ही यह नॉर्मलाइजेशन ब्लॉक की विशेषता थी। यह एक नई संपत्ति थी जो केवल इसलिए मौजूद थी क्योंकि इन दोनों ब्लॉकों को इस विशिष्ट तरीके से जोड़ा गया था।
यह सुनिश्चित करने के लिए कि यह परिणाम उनके विशिष्ट मॉडल का कोई संयोग नहीं है, शोधकर्ताओं ने हजारों विविधताओं का परीक्षण किया। उन्होंने सर्किटों को विपरीत क्रम में जोड़ने का प्रयास किया, जहाँ नॉर्मलाइजेशन प्रतियोगिता के लिए मंच तैयार करता था, और उन्होंने पाया कि हालांकि जटिल संरचनाएँ अभी भी मौजूद थीं, सबसे सीधा और स्पष्ट चक्र सिस्टम के भीतर गहराई में छिपा हुआ था। उन्होंने यह भी परीक्षण किया कि दोनों सर्किटों को जोड़ने के कितने तरीके संभव हैं, 65,536 अलग-अलग इंटरफ़ेस कॉन्फ़िगरेशन का मानचित्रण किया। उन्होंने पाया कि मिश्रित चक्र लगभग उन सभी में दिखाई दिया, बशर्ते कि कनेक्शन ने विजेता को नॉर्मलाइजेशन सेटिंग्स को प्रभावित करने की अनुमति दी हो। उन्होंने यह भी परीक्षण किया कि क्या अपडेट का समय मायने रखता है। जब सर्किटों को एक साथ अपडेट किया गया, तो चक्र स्वयं अपडेट नियम की एक हार्ड-कोडेड विशेषता के रूप में दिखाई दिया। लेकिन जब अपडेट क्रमवार हुए, तो चक्र शुद्ध रूप से परस्पर क्रिया (interaction) से उभरा, जिससे यह सिद्ध हुआ कि संरचना संयोजन का परिणाम थी, न कि कोई पूर्व-मौजूद आर्टिफैक्ट।
अध्ययन निष्कर्ष निकालता है कि तंत्रिका गणना (neural computation) का बीजगणित (algebra) अपने हिस्सों के योग से कहीं अधिक समृद्ध है। यह प्रदर्शित करता है कि मस्तिष्क की गणना करने की क्षमता केवल उसके सर्किट के व्यक्तिगत कार्यों के बारे में नहीं है, बल्कि इस बारे में है कि वे कार्य एक साथ कैसे जुड़े हुए हैं। एक नॉर्मलाइजेशन ब्लॉक को प्रतियोगिता ब्लॉक से जोड़ने के तरीके को चुनकर, मस्तिष्क प्रभावी रूप से एक नया 'डिग्री ऑफ फ्रीडम' प्रोग्राम कर सकता है। यह नई स्वतंत्रता सिस्टम को एक स्थिर विजेता बनाए रखने के साथ-साथ अपनी संवेदनशीलता को संशोधित करने की अनुमति देती है, जिससे एक गतिशील अवस्था बनती है जो अकेले किसी भी ब्लॉक द्वारा प्राप्त की जा सकती थी उससे अधिक लचीली है। यह शोध सुझाव देता है कि "अधिक है अलग" (more is different) का सिद्धांत, जो अक्सर पूरे मस्तिष्क की जटिलता पर लागू किया जाता है, तंत्रिका सर्किट के सबसे छोटे निर्माण खंडों पर भी लागू होता है। जब इन खंडों को संयोजित किया जाता है, तो वे व्यवहारों का एक ऐसा भंडार उत्पन्न करते हैं जिन्हें अकेले ब्लॉकों को देखकर नहीं समझा जा सकता। एक सरल, डिसिपेटिव सिस्टम से एक प्रतिवर्ती, चक्रीय गणना करने में सक्षम सिस्टम में संक्रमण जीव विज्ञान का कोई रहस्य नहीं है, बल्कि संयोजन की एक गणितीय निश्चितता है। इस दृष्टिकोण से, मस्तिष्क केवल भागों का संग्रह नहीं है, बल्कि एक प्रोग्राम करने योग्य प्रणाली है जहाँ वायरिंग स्वयं कोड लिखती 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।