🧠 neuroscience

Neural sampling from cognitive maps enables goal-directed imagination and planning

यह शोध पत्र एक ऊर्जा-कुशल न्यूरल नेटवर्क मॉडल प्रस्तावित करता है जो केवल स्थानीय सिनैप्टिक प्लास्टिसिटी का उपयोग करके नवीन समस्याओं के लिए लक्ष्य-निर्देशित कल्पना और योजना को सक्षम करने हेतु संज्ञानात्मक मानचित्रों (कॉग्निटिव मैप्स), स्टोकेस्टिक कंप्यूटिंग और कंपोजिशनल कोडिंग को एकीकृत करता है, जो एज डिवाइसेज के लिए संसाधन-गहन डीप लर्निंग के एक व्यवहार्य विकल्प के रूप में प्रस्तुत किया गया है।

मूल लेखक: Lin, H., Yang, Y., Zhao, R., Pezzulo, G., Maass, W.

प्रकाशित 2026-04-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lin, H., Yang, Y., Zhao, R., Pezzulo, G., Maass, W.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका मस्तिष्क एक सुपर-कुशल, कम ऊर्जा वाला जीपीएस (GPS) है जो न केवल आपको यह बताता है कि आप कहाँ हैं, बल्कि आपको इस बारे में भी सपने देखने (daydream) की अनुमति देता है कि आप कहाँ जा सकते हैं, भले ही आप वहां पहले कभी न गए हों।

यह शोध पत्र एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) मॉडल को पेश करता है जिसे GCML (जेनेरेटिव कॉग्निटिव मैप लर्नर) कहा जाता है। यह कोशिश करता है कि कैसे मानव मस्तिष्क समस्याओं को हल करता है और भविष्य के लिए योजना बनाता है, लेकिन यह इसे इस तरह से करता है जो अविश्वसनीय रूप से ऊर्जा-कुशल है और इसके लिए उस विशाल कंप्यूटर शक्ति की आवश्यकता नहीं है जिसकी आज के AI (जैसे कि आपके द्वारा उपयोग किए जाने वाले चैटबॉट्स) को आवश्यकता होती है।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: आधुनिक AI एक "ईंधन की भारी खपत करने वाला ट्रक" है

वर्तमान AI सिस्टम विशाल, ईंधन-प्यास वाले ट्रकों की तरह हैं। उन्हें किसी कार्य को सीखने के लिए भारी मात्रा में बिजली और वर्षों के प्रशिक्षण की आवश्यकता होती है। यदि आप गंतव्य (लक्ष्य) बदल देते हैं, तो ट्रक को अक्सर रुकना पड़ता है और पूरे रास्ते को फिर से सीखना पड़ता है।

दूसरी ओर, मानव मस्तिष्क इलेक्ट्रिक साइकिल की तरह है। यह केवल 20 वॉट बिजली पर चलता है (लगभग एक मंद बल्ब जितना)। यह चलते-चलते सीखता है, और यदि आप अचानक कहते हैं, "दरअसल, चलिए स्टोर के बजाय पार्क चलते हैं," तो मस्तिष्क बिना रीबूट की आवश्यकता के तुरंत एक नया रास्ता निकाल लेता है।

2. तीन गुप्त सामग्रियां

शोधकर्ताओं ने पाया कि मस्तिष्क इस जादू को प्राप्त करने के लिए तीन विशिष्ट "उपकरणों" का उपयोग करता है। उन्होंने एक मॉडल बनाया जो इन तीनों को जोड़ता है:

कॉग्निटिव मैप्स (मानसिक एटलस/मानसिक मानचित्र):
इसे अपने पड़ोस के मानसिक मानचित्र के रूप में सोचें। आप केवल मोड़ों की एक सूची याद नहीं करते; आप स्थानों के बीच के संबंधों को समझते हैं। यदि आप जानते हैं कि स्टोर पार्क से दो ब्लॉक उत्तर में है, तो आप स्टोर तक पहुँचने का तरीका जान सकते हैं, भले ही आपने वह विशिष्ट रास्ता कभी न चला हो। मस्तिष्क इस मानचित्र को "स्थितियों" (आप कहाँ हैं) को "कार्यों" (आपने वहां पहुँचने के लिए क्या किया) के साथ जोड़कर बनाता है।
स्टोकेस्टिक सैंपलिंग ("क्या होगा अगर?" वाला दिवास्वप्न):
यह मस्तिष्क की विभिन्न संभावित पथों का सिमुलेशन (simulation) चलाने की क्षमता है। वास्तव में चलने से पहले, आपका मस्तिष्क विभिन्न संभावित रास्तों की एक "मानसिक फिल्म" चलाता है। यह विभिन्न परिणामों को देखने के लिए पासा फेंकने जैसा है। यह यादृच्छिकता (randomness) वास्तव में एक विशेषता है, कोई त्रुटि नहीं—यह मस्तिष्क को केवल एक स्पष्ट रास्ते पर टिके रहने के बजाय रचनात्मक समाधान खोजने में मदद करती है।
कंपोजिशनल कोडिंग (लेगो सेट):
यह इस बारे में है कि हम जटिल चीजों को हिस्सों में तोड़कर कैसे समझते हैं। ठीक वैसे ही जैसे आप लेगो ब्रिक्स के एक ही सेट का उपयोग करके लाखों अलग-अलग महल बना सकते हैं, मस्तिष्क परिचित निर्माण खंडों (जैसे शब्द, आकार या अवधारणाएं) को नए तरीकों से जोड़कर नई, जटिल स्थितियों को समझ सकता है।

3. GCML मॉडल कैसे काम करता है

शोधकर्ताओं ने मस्तिष्क के इस उपकरण का एक डिजिटल संस्करण बनाया है। यहाँ यह तीन अलग-अलग परिदृश्यो में कैसे काम करता है, इसका विवरण दिया गया है:

परिदृश्य A: भूलभुलैया का धावक (स्थानिक नेविगेशन)

एक भूलभुलैया में एक चूहे की कल्पना करें। चलने से पहले, चूहे का मस्तिष्क पनीर तक पहुँचने के संभावित रास्तों को "रिप्ले" करता है।

पुराना तरीका: मानक AI एक आदर्श सीधी रेखा की गणना करने का प्रयास करेगा।
GCML का तरीका: मॉडल ग्रिड (जैसे ग्राफ पेपर) का उपयोग करके एक "मानसिक मानचित्र" बनाता है। फिर यह अपनी सोच में थोड़ा सा "शोर" (यादृच्छिकता) जोड़ता है। यह इसे लक्ष्य तक कई घुमावदार रास्तों की कल्पना करने की अनुमति देता है।
जादू: भले ही भूलभुलैया में एक नई दीवार आ जाए जिसे चूहे ने पहले कभी नहीं देखा है, मॉडल तुरंत उसके चारों ओर से जाने का रास्ता सोच सकता है। उसे मानचित्र को फिर से सीखने की आवश्यकता नहीं है; वह बस दिशा के अपने बोध का उपयोग करके रास्ता बदल लेता है।

परिदृश्य B: अमूर्त समस्या समाधानकर्ता (ग्राफ)

अब, एक ऐसी समस्या की कल्पना करें जो स्थान के बारे में नहीं, बल्कि तर्क के बारे में है—जैसे कि शहरों के नेटवर्क के माध्यम से सबसे छोटा रास्ता खोजना या पहेली सुलझाना।

मॉडल इसे एक मानचित्र की तरह मानता है। यह सीखता है कि "एक्शन A" आपको "लक्ष्य B" के करीब ले जाता है।
आपको केवल एक उत्तर देने के बजाय, यह विकल्पों का एक मेनू तैयार करता है। यह कह सकता है, "यहाँ सबसे छोटा रास्ता है, लेकिन यहाँ तीन अन्य रास्ते भी हैं जो लगभग उतने ही छोटे हैं लेकिन शायद अधिक सुरक्षित या सस्ते हैं।"
यह एक ट्रैवल एजेंट की तरह है जो न केवल सबसे सस्ता टिकट बुक करता है, बल्कि आपको पाँच अलग-अलग विकल्प भी दिखाता है ताकि आप अपने मूड के आधार पर चुन सकें।

परिदृश्य C: मास्टर बिल्डर (कंपोजिशनल कार्य)

यह सबसे प्रभावशाली हिस्सा है। शोधकर्ताओं ने मॉडल का परीक्षण एक ऐसे कार्य पर किया जहाँ उसे एक जटिल आकार (एक सिल्हूट/छायाकृति) को छोटे निर्माण खंडों (जैसे एक पहेली) में तोड़ना था।

चुनौती: यह गणितीय रूप से बहुत कठिन समस्या है (जिसे "NP-hard" कहा जाता है)। आमतौर पर, कंप्यूटरों को इसे हल करने के लिए अरबों संयोजनों को आज़माना पड़ता है।
GCML समाधान: मॉडल ने केवल कुछ उदाहरणों का उपयोग करके "खेल के नियमों" को सीखा। फिर, इसे एक बिल्कुल नया आकार दिया गया जिसे इसने पहले कभी नहीं देखा था।
परिणाम: क्योंकि मॉडल ने आकारों की "व्याकरण" (ब्लॉक एक साथ कैसे फिट होते हैं) को समझ लिया था, इसलिए वह तुरंत उस नए आकार को तोड़ने का तरीका सोच सका। उसे हर संभव आकार को याद करने की आवश्यकता नहीं थी; उसने बस अपने "मानसिक लेगो कौशल" का उपयोग करके इसे सुलझा लिया।

4. यह भविष्य के लिए क्यों महत्वपूर्ण है

सबसे बड़ी बात दक्षता (efficiency) है।

भारी काम की आवश्यकता नहीं: इस मॉडल को "बैकप्रोपैगेशन" (आधुनिक AI को प्रशिक्षित करने के लिए उपयोग की जाने वाली एक जटिल, ऊर्जा-गहन गणितीय तकनीक) की आवश्यकता नहीं है। इसके बजाय, यह स्थानीय रूप से सीखता है, मस्तिष्क की तरह, जैसे-जैसे यह चलता है वैसे ही कनेक्शनों को समायोजित करता है।
तत्काल अनुकूलन: यदि आप लक्ष्य बदलते हैं, तो मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है। यह बस अपने "मानसिक मानचित्र" को अपडेट करता है और तुरंत नए रास्तों की कल्पना करना शुरू कर देता है।
एज डिवाइसेस (Edge Devices): क्योंकि यह इतना कुशल है, इस तकनीक को एक बड़े क्लाउड सर्वर से जुड़ने की आवश्यकता के बिना छोटे, बैटरी से चलने वाले उपकरणों (जैसे स्मार्टवॉच या रोबोट वैक्यूम) पर चलाया जा सकता है।

निचोड़

यह शोध पत्र सुझाव देता है कि हमें स्मार्ट AI प्राप्त करने के लिए बड़े, गर्म और अधिक महंगे कंप्यूटर बनाने की आवश्यकता नहीं है। इसके बजाय, हमें ऐसा AI बनाना चाहिए जो अधिक मानव की तरह सोचे: मानसिक मानचित्र बनाकर, संभावनाओं के बारे में सपने देखकर, और जटिल, नई समस्याओं को हल करने के लिए सरल निर्माण खंडों का उपयोग करके। यह "ब्रूट फोर्स" कंप्यूटिंग से "सहज (intuitive)" कंप्यूटिंग की ओर एक बदलाव है।

यहाँ शोध पत्र "Neural sampling from cognitive maps enables goal-directed imagination and planning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान AI सिस्टम, विशेष रूप से डीप रिइन्फोर्समेंट लर्निंग (RL) और लार्ज लैंग्वेज मॉडल्स (LLMs) पर आधारित, ऊर्जा दक्षता, प्रशिक्षण डेटा की आवश्यकताओं और अनुकूलन क्षमता के संबंध में महत्वपूर्ण चुनौतियों का सामना करते हैं। वे अक्सर निम्नलिखित कार्यों में संघर्ष करते हैं:

बिना पुन: प्रशिक्षण (retraining) के नए लक्ष्यों या बदलते पर्यावरणीय आकस्मिकताओं (contingencies) के प्रति तत्काल अनुकूलित होना।
उन अवस्थाओं या समस्याओं तक सामान्यीकरण (Generalize) करना जो प्रशिक्षण के दौरान कभी नहीं देखी गईं (जैसे, नवीन बाधाएं या संरचनात्मक संयोजन)।
सीमित शक्ति वाले एज डिवाइसेस (edge devices) पर कुशलतापूर्वक कार्य करना (जैविक मस्तिष्क ~20W पर कार्य करता है, जबकि AI प्रशिक्षण के लिए भारी ऊर्जा की आवश्यकता होती है)।

मुख्य प्रश्न जिसका समाधान किया गया है: कौन सी डेटा संरचनाएं और एल्गोरिदम जैविक मस्तिष्क को स्थानिक (spatial) और गैर-स्थानिक (compositional) दोनों डोमेन में लचीला, लक्ष्य-निर्देशित नियोजन (planning) और कल्पना करने में सक्षम बनाते हैं, और क्या इन्हें ऊर्जा-कुशल न्यूरोमॉर्फिक हार्डवेयर में लागू किया जा सकता है?

2. कार्यप्रणाली (Methodology)

लेखक एक नया न्यूरल नेटवर्क मॉडल प्रस्तावित करते हैं जिसे जेनेरेटिव कॉग्निटिव मैप लर्नर (GCML) कहा जाता है। यह मॉडल तीन प्रमुख जैविक उपकरणों को एकीकृत करता है:

कॉग्निटिव मैप्स (Cognitive Maps): डेटा संरचनाएं जो अवस्थाओं (states) और क्रियाओं (actions) के बीच संबंध संबंधी जानकारी को एनकोड करके अनुभवों को व्यवस्थित करती हैं।
स्टोकेस्टिक कंप्यूटिंग (Stochastic Computing): विविध प्रक्षेप पथों (trajectories) को नमूना (sample) लेने के लिए शोर (noise) का एक कम्प्यूटेशनल संसाधन के रूप में उपयोग करना।
कंपोजिशनल कोडिंग (Compositional Coding): जटिल अवस्थाओं को सरल घटकों के संयोजन के रूप में प्रस्तुत करना।

मुख्य आर्किटेक्चर और सीखने के तंत्र

फॉरवर्ड मॉडल (प्रेडिक्टिव कोडिंग): मॉडल अवलोकनों ( $Q$ के लिए) और क्रियाओं ( $V$ के लिए) के एम्बेडिंग्स को एक उच्च-आयामी अवस्था स्थान (state space) में एनकोड करता है। यह वर्तमान अवस्था और क्रिया के आधार पर अगली अवस्था ( $\hat{s}_{t+1}$ ) की भविष्यवाणी करता है: $\hat{s}_{t+1} = Qo_t + V a_t$ । यह अन्वेषण (exploration) के दौरान स्व-पर्यवेक्षित स्थानीय सिनैप्टिक प्लास्टिसिटी (डेल्टा नियम) के माध्यम से सीखा जाता है।
इनवर्स मॉडल (लक्ष्य-निर्देशितता): एक वेट मैट्रिक्स ( $W$ $W$ ) सीखा जाता है जो अवस्था अंतर ( $s^* - s_t$ $s^{*} - s_{t}$ ) को उन क्रिया कमांड ( $a_t$ $a_{t}$ ) में मैप करता है जो इस अंतर को कम करते हैं। यह किसी भी लक्ष्य $s^*$ $s^{*}$ की ओर एक "दिशा का बोध" (sense of direction) के रूप में कार्य करता है।
- लर्निंग रूल: हेब्बियन प्लास्टिसिटी ( $\Delta W \propto a_t (s_{t+1} - s_t)^T$ )।
जेनेरेटिव सैंपलिंग (कल्पना): वास्तविक पर्यावरणीय अवलोकनों के बिना योजना बनाने के लिए, GCML वास्तविक फीडबैक के बजाय आंतरिक भविष्यवाणियों (बूटस्ट्रैपिंग) का उपयोग करता है।
- स्टोकेस्टिसिटी (Stochasticity): क्रिया चयन प्रक्रिया में गॉसियन शोर ( $\epsilon$ ) जोड़ा जाता है ( $a_t = W(s^* - \hat{s}_t) + \epsilon$ )। यह नियतात्मक (deterministic) CML को एक संभाव्य जेनेरेटिव मॉडल में बदल देता है जो विविध प्रक्षेप पथों को सैंपल करने में सक्षम है।
एफोर्डेंस गेटिंग (Affordance Gating): एक तंत्र ( $G$ ) यह सुनिश्चित करता है कि केवल निष्पादनीय क्रियाएं ही चुनी जाएं (उदाहरण के लिए, दीवार में नहीं जाना या ऐसे ब्लॉक को हटाना जो वहां मौजूद नहीं है)।

कार्यान्वयन विवरण

लर्निंग: इसके लिए केवल स्थानीय, स्व-पर्यवेक्षित सिनैप्टिक प्लास्टिसिटी की आवश्यकता होती है। बैकप्रोपैगेशन (BP) या बैकप्रोपैगेशन थ्रू टाइम (BPTT) की आवश्यकता नहीं है।
हार्डवेयर उपयुक्तता: इसे इन-मेमोरी कंप्यूटिंग (जैसे, मेमरिस्टर क्रॉसबार) और न्यूरोमॉर्फिक चिप्स के लिए डिज़ाइन किया गया है, जो कम-विलंबता (low-latency), ऑन-चिप लर्निंग को सक्षम बनाता है।

3. मुख्य योगदान

एकीकृत ढांचा (Unified Framework): स्थानिक नेविगेशन, अमूर्त ग्राफ समस्या समाधान और कंपोजिशनल टाइलिंग कार्यों को एक एकल "लक्ष्य-निर्देशित सैंपलिंग" प्रतिमान के तहत एकीकृत करने वाला पहला मॉडल।
कॉग्निटिव मैप के लिए इनवर्स मॉडल: एक सरल लीनियर इनवर्स मॉडल ( $W$ ) पेश करता है जो किसी भी लक्ष्य की ओर "दिशा का बोध" प्रदान करता है, जिससे अनदेखी अवस्थाओं तक सामान्यीकरण संभव होता है।
संसाधन के रूप में शोर (Noise as a Resource): यह प्रदर्शित करता है कि इनवर्स मॉडल में शोर जोड़ने से विविध, निकट-इष्टतम पथों (k-shortest path समस्या को हल करना) को सैंपल करना और मजबूत अन्वेषण संभव होता है।
कंपोजिशनल सामान्यीकरण (Compositional Generalization): यह मॉडल NP-hard टाइलिंग कार्यों को हल करता है (सिलुएट का विखंडन) और प्रशिक्षण के दौरान न देखे गए पूरी तरह से नए स्टार्ट/गोल कॉन्फ़िगरेशन (जैसे, 5-ब्लॉक सिलुएट पर प्रशिक्षण के बाद 8-ब्लॉक सिलुएट) तक सामान्यीकरण करता है।
जैविक संभाव्यता और दक्षता: मॉडल कृंतक हिप्पोकैम्पस रीप्ले डेटा (विविध, लक्ष्य-निर्देशित प्रक्षेप पथ) की नकल करता है और न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ कार्य करता है, जो एज AI के लिए उपयुक्त है।

4. परिणाम और प्रयोग

मॉडल को तीन अलग-अलग डोमेन में मान्य किया गया:

अ. 2D स्थानिक नेविगेशन (कृंतक हिप्पोकैम्पस)

कार्य: एक स्टार्ट पॉइंट से गोल तक काल्पनिक प्रक्षेप पथ बनाना, जिसमें नवीन बाधाओं के चारों ओर मार्ग बदलना शामिल है।
निष्कर्ष: GCML ने कृंतक मस्तिष्क (Pfeiffer & Foster, 2013) में देखे गए "रीप्ले" प्रक्षेप पथों की विविधता को सफलतापूर्वक पुनरुत्पादित किया।
- इसने मैप के अनछुए क्षेत्रों में सफलतापूर्वक नेविगेट किया (सामान्यीकरण)।
- इसने पूरे कॉग्निटिव मैप को फिर से मैप किए बिना, "बैरियर सेल्स" से प्रतिकर्षण बलों (repulsive forces) का उपयोग करके बाधाओं के चारों ओर गतिशील रूप से मार्ग बदला।
- प्रक्षेप पथ की विविधता को शोर के स्तर द्वारा नियंत्रित किया गया, जो जैविक अवलोकनों से मेल खाता है।

आ. अमूर्त अवधारणा स्थान (ग्राफ नेविगेशन)

कार्य: एक रैंडम ग्राफ (32 नोड्स) में पथ खोजना और k-शॉर्टेस्ट पाथ समस्या को हल करना।
निष्कर्ष:
- GCML ने एक एकल नियतात्मक पथ के बजाय हयूरिस्टिक समाधानों का एक "मेन्यू" (कई पथ) तैयार किया।
- यह अनुकूलन क्षमता में मानक RL से बेहतर रहा: जब लक्ष्य बदल गया, तो GCML को शून्य पुन: नियोजन समय (zero replanning time) की आवश्यकता थी, जबकि पारंपरिक खोज एल्गोरिदम (A*, K*) को व्यापक पुन: गणना की आवश्यकता थी।
- इसने K*, mA*, और BELA* एल्गोरिदम की तुलना में काफी कम विज़िट किए गए नोड्स (कम कम्प्यूटेशनल प्रयास) के साथ निकट-इष्टतम पथ लंबाई प्राप्त की।

इ. कंपोजिशनल डोमेन (सिलुएट डिकंपोजिशन)

कार्य: 2D सिलुएट को बिल्डिंग ब्लॉक्स के सेट में विभाजित करना (एक NP-hard टाइलिंग समस्या)।
निष्कर्ष:
- 5-ब्लॉक सिलुएट पर प्रशिक्षित होने के बावजूद, GCML ने 8-ब्लॉक सिलुएट को लगभग पूर्ण सफलता दर के साथ सफलतापूर्वक डिकंपोज़ किया (जो प्रशिक्षण के दौरान कभी नहीं देखा गया था)।
- यह आंशिक डिकंपोजिशन (एक गैर-रिक्त गोल पर रुकना) और पुनर्गठन (लक्ष्य तक पहुँचने के लिए ब्लॉक जोड़ना) में सामान्यीकरण करने में सक्षम रहा।
- तुलना: GCML ने विशेष रूप से तब, जब सैंपलिंग प्रस्तावों की संख्या कम (<20) थी, सफलता दर और सैंपल दक्षता में डीप RL (D3QN) और मॉडल प्रेडिक्टिव कंट्रोल (MPC) को काफी पीछे छोड़ दिया। RL स्पार्स रिवॉर्ड्स (sparse rewards) के साथ संघर्ष करता है, और MPC उच्च कम्प्यूटेशनल विलंबता और होराइजन सीमाओं से ग्रस्त होता है।

5. महत्व

ऊर्जा दक्षता: डीप बैकप्रोपैगेशन और बड़े पैमाने पर प्रशिक्षण की आवश्यकता को समाप्त करके, यह दृष्टिकोण जटिल नियोजन करने में सक्षम ऊर्जा-कुशल एज AI के लिए मार्ग प्रशस्त करता है।
लचीलापन: यह RL की "कैटास्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) और "रिट्रेनिंग" की समस्याओं को हल करता है। मॉडल स्थानीय प्लास्टिसिटी का उपयोग करके किसी भी नए लक्ष्य या वातावरण के प्रति तुरंत अनुकूलित हो सकता है।
जैविक अंतर्दृष्टि: यह मॉडल एक यांत्रिक स्पष्टीकरण प्रदान करता है कि कैसे मस्तिष्क कल्पना और नियोजन के लिए हिप्पोकैम्पल रीप्ले का उपयोग करता है, यह सुझाव देते हुए कि मस्तिष्क अपने कॉग्निटिक मैप के साथ एक इनवर्स मॉडल सीखता है ताकि "दूरदर्शिता" (foresight) सक्षम हो सके।
एल्गोरिद्मिक नवाचार: यह नियोजन के लिए खोज-आधारित (search-based) और डीप लर्निंग विधियों के प्रभुत्व को चुनौती देता है, और एक सैंपलिंग-आधारित हयूरिस्टिक प्रदान करता है जो कम्प्यूटेशनल रूप से सस्ता और नवीन आकस्मिकताओं के प्रति अधिक मजबूत है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि कॉग्निटिव मैप्स से न्यूरल सैंपलिंग, जो सरल स्थानीय लर्निंग रूल्स और स्टोकेस्टिसिटी द्वारा संचालित है, स्थानिक और अमूर्त दोनों डोमेन में जटिल नियोजन और समस्या-समाधान कार्यों को हल करने के लिए एक शक्तिशाली, जैविक रूप से प्रशंसनीय और ऊर्जा-कुशल तंत्र है।