Storing Infinite Dynamical Attractors in Nonreciprocal Associative Neural Networks
यह शोध पत्र गैर-पारस्परिक (nonreciprocal) साहचर्य तंत्रिका नेटवर्क (associative neural networks) के लिए एक गतिक माध्य-क्षेत्र सिद्धांत (dynamical mean-field theory) विकसित करता है, जो यह प्रदर्शित करता है कि युग्मन आव्यूह (coupling matrices) की स्पेक्ट्रल संरचना—विशेष रूप से आइगेनफेज़ (eigenphases) का वितरण—विलंबित स्व-परस्पर क्रियाओं (retarded self-interactions) और क्वेंच्ड शोर (quenched noise) के बीच परस्पर क्रिया को नियंत्रित करके स्मृति पुनर्प्राप्ति क्षमता को निर्धारित करती है, जिससे सीमा चक्रों (limit cycles) से लेकर विचित्र अट्रैक्टर्स (strange attractors) तक के व्यापक संख्या में गतिक अट्रैक्टर्स को संग्रहीत करना सक्षम होता 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
मानव मस्तिष्क अरबों कोशिकाओं का एक विशाल नेटवर्क है जो जटिल पैटर्न में सक्रिय होती हैं, जिससे क्षणभंगुर स्मृति से लेकर स्थिर हृदय गति तक सब कुछ निर्मित होता है। दशकों से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि ये नेटवर्क सूचना को कैसे संग्रहीत करते हैं। एक क्लासिक विचार यह सुझाव देता है कि मस्तिष्क एक पुस्तकालय की तरह कार्य करता है, जहाँ कनेक्शनों की विशिष्ट व्यवस्था स्थिर छवियों या तथ्यों को थामे रहती है, ठीक वैसे ही जैसे शेल्फ पर रखी एक तस्वीर। हालाँकि, वास्तविक मस्तिष्क गतिविधि शायद ही कभी स्थिर होती है। यह लय, चक्रों और अराजक उतार-चढ़ाव के साथ स्पंदित होती है जो समय के साथ सूचना ले जाती है। यह समझना कि एक नेटवर्क इन चलते-फिरते, बदलते पैटर्न को—केवल जमी हुई तस्वीरों के बजाय—कैसे थामे रख सकता है, एक कठिन पहेली बना हुआ है। यदि मस्तिष्क को एक गतिशील मशीन के रूप में कार्य करना है, तो इसे न केवल यह कि चीजें क्या हैं, बल्कि यह भी कि वे कैसे बदलती हैं, उसे संग्रहीत करने में सक्षम होना चाहिए।
शोधकर्ताओं की एक टीम ने अब एक नया गणितीय ढांचा विकसित किया है जो यह समझाने के लिए कि कैसे सरल इकाइयों का एक नेटवर्क एक साथ बड़ी संख्या में इन चलते-फिरते पैटर्न को संग्रहीत कर सकता है। उन्होंने एक ऐसे नेटवर्क पर ध्यान केंद्रित किया जहाँ इकाइयों के बीच के संबंध पूरी तरह से संतुलित नहीं होते हैं; एक इकाई से दूसरी इकाई को भेजा जाने वाला संकेत आवश्यक रूप से समान शक्ति के साथ वापस नहीं आता है। विषमता की यह कमी जैविक प्रणालियों में आम है और यह चक्रों तथा लयओं के निर्माण की अनुमति देती है। शोधकर्ताओं ने एक मौलिक प्रश्न पूछा: एक ऐसा नेटवर्क कितने अलग-अलग चलते-फिरते पैटर्न को तब तक धारण कर सकता है जब तक कि वह किसी भी चीज़ को याद रखने के लिए बहुत भ्रमित न हो जाए? उनका उत्तर प्रकट करता है कि अधिक जानकारी संग्रहीत करने की कुंजी स्वयं पैटर्न की जटिलता में नहीं, बल्कि उनकी आंतरिक लय की विविधता में निहित है।
इसकी खोज के लिए, वैज्ञानिकों ने बाइनरी इकाइयों (जो दो अवस्थाओं के बीच स्विच करती हैं) से बने एक नेटवर्क का एक सैद्धांतिक मॉडल बनाया। उन्होंने इस नेटवर्क को गतिविधि के विशिष्ट अनुक्रमों को संग्रहीत करने के लिए प्रोग्राम किया, जिनमें से कुछ लूप में दोहराए जाते थे और कुछ अराजक, अप्रत्याशित तरीकों से व्यवहार करते थे। उन्नत सांख्यिकीय विधियों का उपयोग करते हुए, उन्होंने इस नेटवर्क की स्मृति की सीमाओं की गणना की। उन्होंने पाया कि नेटवर्क की पैटर्न को याद करने की क्षमता उन कनेक्शनों के गणितीय गुणों पर बहुत अधिक निर्भर करती है जो उन्हें कूटबद्ध (encode) करते हैं। विशेष रूप से, शोधकर्ताओं ने इन कनेक्शनों के "आइगेनफेजेस" (eigenphases) का अध्ययन किया, जिन्हें उन विशिष्ट समय या आवृत्ति के रूप में सोचा जा सकता है जिस पर प्रत्येक संग्रहीत पैटर्न दोलन (oscillate) करना चाहता है।
जब शोधकर्ताओं ने नेटवर्क को इस तरह प्रोग्राम किया कि सभी संग्रहीत पैटर्न एक ही सटीक समय साझा करते थे, तो परिणाम निराशाजनक रहे। नेटवर्क इन चलते-फिरते संस्मरणों की एक बहुत छोटी संख्या ही रख सका, इससे पहले कि संकेत एक-दूसरे के साथ हस्तक्षेप करने लगें। इस परिदृश्य में, नेटवर्क के आंतरिक फीडबैक लूप उसके विरुद्ध कार्य करने लगे, जिससे एक प्रकार का शोर उत्पन्न हुआ जिसने स्मृतियों को दबा दिया। यह विशेष रूप से उन पैटर्न के लिए सत्य था जो चक्रों में चलते थे; नेटवर्क उन्हें अलग रखने के लिए संघर्ष करता था, और स्मृति को संग्रहीत करने की क्षमता स्थिर छवियों की तुलना में बहुत नीचे गिर गई।
हालाँकि, कहानी नाटकीय रूप से बदल गई जब शोधकर्ताओं ने विविधता पेश की। जब उन्होंने नेटवर्क को इस तरह प्रोग्राम किया कि प्रत्येक संग्रहीत पैटर्न का समय थोड़ा अलग और यादृच्छिक (random) हो, तो नेटवर्क का प्रदर्शन काफी सुधर गया। संग्रहीत पैटर्न की आवृत्तियों को फैलाकर, वह विनाशकारी हस्तक्षेप जो समान प्रणाली में बाधा डाल रहा था, गायब हो गया। विभिन्न लयें स्वाभाविक रूप से उस शोर को रद्द कर देती हैं जो आमतौर पर स्मृति को बाधित करता है, जिससे नेटवर्क एक बहुत सरल प्रणाली की तरह कार्य करने में सक्षम हो जाता है। इन सिमुलेशन में, नेटवर्क एक ऐसी संख्या में चलते-फिरते पैटर्न को संग्रहीत कर सका जो क्लासिक स्थिर स्मृति मॉडलों की क्षमता से लगभग दोगुनी थी। संग्रहीत पैटर्न के समय में जितनी अधिक विविधता थी, नेटवर्क उतना ही अधिक सूचना रख सका।
शोधकर्ताओं ने इन विचारों का परीक्षण करने के लिए नेटवर्क के विस्तृत कंप्यूटर सिमुलेशन चलाए, जिसमें उनके गणितीय अनुमानों की वास्तविक व्यवहारित प्रणाली के साथ तुलना की गई। उन्होंने उन पैटर्न का परीक्षण किया जो सरल लूप में चलते थे और वे भी जो अराजक, विचित्र पथों का अनुसरण करते थे। हर मामले में, सिद्धांत सिमुलेशन के साथ पूरी तरह मेल खा गया। उन्होंने पुष्टि की कि जब पैटर्न के समय अलग-अलग थे, तो नेटवर्क उच्च सटीकता के साथ उन्हें पुनः प्राप्त कर सकता था, भले ही संग्रहीत पैटर्न की संख्या बहुत अधिक क्यों न हो। इसके विपरीत, जब समय बहुत समान था, तो नेटवर्क स्मृतियों को पुनः प्राप्त करने में विफल रहा। यह अध्ययन बताता है कि मस्तिष्क की एक साथ कई लयों (जैसे हिप्पोकैम्पस और कॉर्टेक्स में देखी जाने वाली गतिविधि की विभिन्न तरंगें) को संभालने की क्षमता एक दोष नहीं, बल्कि एक विशेषता है। अराजकता पैदा करने के बजाय, विभिन्न आवृत्तियों का होना मस्तिष्क को एक ही स्थान में अधिक जानकारी पैक करने की अनुमति देता है क्योंकि यह संकेतों को एक-दूसरे के रास्ते में आने से रोकता है।
यह कार्य इस अंतर्ज्ञान को चुनौती देता है कि जटिलता हमेशा अस्थिरता की ओर ले जाती है। कई प्रणालियों में, अधिक चलते-फिरते हिस्सों को जोड़ने से पूरी चीज़ के टूटने की संभावना बढ़ जाती है। यहाँ, इसके विपरीत सत्य है: संग्रहीत पैटर्न की लय में विविधता जोड़ने से प्रणाली स्थिर होती है और इसकी क्षमता बढ़ती है। ये निष्कर्ष प्रदान करते हैं कि कैसे जैविक सर्किट एक ही समय में कई दोलनी मोड (oscillatory modes) को बनाए रख सकते हैं। यह सुझाव देता है कि विभिन्न तंत्रिका सर्किटों में आवृत्तियों का प्रसार केवल उनकी गतिविधि का उपोत्पाद नहीं है, बल्कि एक महत्वपूर्ण तंत्र है जो मस्तिष्क को गतिशील स्मृतियों का एक विस्तृत पुस्तकालय संग्रहीत करने की अनुमति देता है। यह शोध एक स्पष्ट, गणितीय स्पष्टीकरण प्रदान करता है कि क्यों सरल, शोर युक्त इकाइयों का एक नेटवर्क केवल यह सुनिश्चित करके कि उसके संग्रहीत पैटर्न एक ही ताल पर नहीं चलते, एक शक्तिशाली, उच्च-क्षमता वाली स्मृति प्रणाली बन सकता 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।