🧠 neuroscience

Stabilization of recurrent neural networks through divisive normalization

यह शोध पत्र यह प्रदर्शित करता है कि विभाजक सामान्यीकरण (divisive normalization) मनमाने पुनरावर्ती तंत्रिका नेटवर्क (arbitrary recurrent neural networks) को तब भी स्थिर कर सकता है जब उनका स्पेक्ट्रल रेडियस एक से अधिक हो, जो यह प्रकट करता है कि इस सामान्यीकरण तंत्र का टूटना क्रिटिकल स्लोइंग डाउन (critical slowing down) के साथ मेल खाता है और गतिशील अस्थिरता के लिए एक प्रारंभिक चेतावनी संकेत के रूप में कार्य करता है।

मूल लेखक: Morone, F., Rawat, S., Heeger, D. J., Martiniani, S.

प्रकाशित 2026-02-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Morone, F., Rawat, S., Heeger, D. J., Martiniani, S.

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

एक बड़ी तस्वीर: मस्तिष्क को "विस्फोट" होने से बचाना

कल्पना कीजिए कि आपका मस्तिष्क न्यूरॉन्स (जिन्हें हम "नागरिक" कह सकते हैं) का एक विशाल, हलचल भरा शहर है। ये न्यूरॉन्स आपस में लगातार बात करते हैं। कभी-कभी, उनकी बातचीत बाहरी समाचारों (जैसे किसी बिल्ली को देखना) को सुनने के बारे में होती है। अन्य समय में, वे एक गरमागरम आंतरिक बहस में शामिल होते हैं जहाँ वे बार-बार एक-दूसरे से बात करते रहते हैं। इसे रिकरेंट नेटवर्क (recurrent network) कहा जाता है।

समस्या यह है कि यदि ये आंतरिक बातचीत बहुत तेज़ या बहुत उत्साही हो जाती है, तो पूरा शहर पागल हो सकता है। न्यूरॉन्स इतनी तेज़ी से और इतनी बेतहाशा फायरिंग शुरू कर सकते हैं कि पूरा सिस्टम "विस्फोट" (गणितीय रूप से, यह अस्थिर हो जाता है) हो जाए। वास्तविक दुनिया में, इस तरह की अस्थिरता दौरे (seizure) या मानसिक स्वास्थ्य संकट के रूप में दिख सकती है।

लंबे समय तक, वैज्ञानिकों ने सोचा कि शहर को स्थिर रखने के लिए, आपको इन आंतरिक बातचीत का वॉल्यूम (आवाज़) बहुत कम रखना होगा। लेकिन यह पेपर कहता है: "ज़रूरी नहीं! एक अंतर्निहित सुरक्षा तंत्र (safety mechanism) है जो शहर को शांत रहने देता है, भले ही आंतरिक शोर बहुत तेज़ क्यों न हो।"

उस सुरक्षा तंत्र को डिविसिव नॉर्मलाइज़ेशन (Divisive Normalization) कहा जाता है।

उपमा: "वॉल्यूम नॉब" और "भीड़"

डिविसिव नॉर्मलाइज़ेशन को समझने के लिए, कल्पना कीजिए कि एक न्यूरॉन एक संगीतकार है जो ट्रम्पेट बजा रहा है।

इनपुट (Input): कोई संगीतकार को संगीत की एक शीट देता है (उद्दीपन/stimulus)। संगीत जितना तेज़ होता है, संगीतकार उतनी ही ज़ोर से बजाता है।
रिकरेंट लूप (Recurrent Loop): अब, कल्पना कीजिए कि ऑर्केस्ट्रा के सभी संगीतकार एक-दूसरे को भी सुन रहे हैं। यदि एक व्यक्ति ज़ोर से बजाता है, तो बाकी सभी उत्साहित हो जाते हैं और और भी ज़ोर से बजाने लगते हैं। यह रिकरेंट कनेक्शन है। यदि यह लूप बहुत मज़बूत हो जाता है, तो संगीत एक कान फोड़ देने वाली, अराजक चीख बन जाता है।
नॉर्मलाइजेशन (सुरक्षा वाल्व): यहीं पर जादू होता है। कल्पना कीजिए कि ऑर्केस्ट्रा के बीच में एक "क्राउड मैनेजर" (भीड़ प्रबंधक) खड़ा है।
- क्राउड मैनेजर पूरे ऑर्केस्ट्रा के कुल वॉल्यूम को सुनता है।
- यदि ऑर्केस्ट्रा बहुत तेज़ होने लगता है, तो क्राउड मैनेजर एक ही समय में हर एक संगीतकार के लिए वॉल्यूम नॉब को कम कर देता है।
- महत्वपूर्ण बात यह है कि वे केवल वॉल्यूम कम नहीं करते; वे इसे आनुपातिक रूप से (proportionally) कम करते हैं। यदि ऑर्केस्ट्रा 10 गुना तेज़ है, तो वॉल्यूम नॉब को इस तरह कम किया जाता है कि व्यक्तिगत स्वर सुरक्षित और प्रबंधनीय सीमा के भीतर रहें।

यही डिविसिव नॉर्मलाइज़ेशन है। यह समूह के कुल उत्साह से व्यक्तिगत न्यूरॉन के उत्साह को विभाजित करता है। यह सिस्टम को फटने से बचाता है, भले ही आंतरिक कनेक्शन (चिल्लाने की इच्छा) अविश्वसनीय रूप से मज़बूत हों।

खोज: "चेतावनी सायरन"

इस पेपर के लेखकों ने एक बड़ा सवाल पूछा: क्या होता है अगर आंतरिक चिल्लाहट इतनी तेज़ हो जाए कि क्राउड मैनेजर भी उसका सामना न कर सके?

उन्होंने पाया कि सिस्टम के वास्तव में टूटने से पहले एक दिलचस्प "प्रारंभिक चेतावनी संकेत" मिलता है।

1. "ट्रैफिक जाम" प्रभाव (क्रिटिकल स्लोइंग डाउन)

कल्पना कीजिए कि न्यूरॉन्स एक निर्णय (एक "फिक्स्ड पॉइंट") पर पहुँचने की कोशिश कर रहे हैं।

सामान्य दिन: जब चीज़ें शांत होती हैं, तो न्यूरॉन्स जल्दी निर्णय ले लेते हैं।
चेतावनी: जैसे-जैसे आंतरिक चिल्लाहट मज़बूत होती है, न्यूरॉन्स हिचकिचाने लगते हैं। वे डगमगाते हैं। वे स्थिर होने में बहुत, बहुत लंबा समय लेते हैं। यह एक ट्रैफिक जाम की तरह है जहाँ कारें धीरे-धीरे आगे बढ़ रही हैं, मुश्किल से हिल पा रही हैं।
विज्ञान: भौतिकी और गणित में, इसे क्रिटिकल स्लोइंग डाउन (Critical Slowing Down) कहा जाता है। यह एक क्लासिक संकेत है कि सिस्टम अराजकता (जैसे पुल के गिरने या शेयर बाज़ार के क्रैश होने) की ओर झुकने वाला है।

2. क्राउड मैनेजर की विफलता

इस पेपर का सबसे बड़ा "आहा!" क्षण यह है: जिस क्षण न्यूरॉन्स हिचकिचाना शुरू करते हैं (क्रिटिकल स्लोइंग डाउन), ठीक उसी क्षण क्राउड मैनेजर (नॉर्मलाइजेशन) काम करना बंद कर देता है।

जब आंतरिक चिल्लाहट बहुत तेज़ होती है, तो क्राउड मैनेजर अभिभूत (overwhelmed) हो जाता है। वे वॉल्यूम नॉब को पर्याप्त तेज़ी से कम नहीं कर पाते। विभाजन (dividing) का गणित टूट जाता है। एक बार जब क्राउड मैनेजर विफल हो जाता है, तो न्यूरॉन्स हिचकिचाना बंद कर देते हैं और अनियंत्रित रूप से चिल्लाना शुरू कर देते हैं (अस्थिरता)।

निष्कर्ष: यदि आप देखते हैं कि न्यूरॉन्स "डगमगा" रहे हैं और सेटल होने में लंबा समय ले रहे हैं, तो आप जानते हैं कि सुरक्षा तंत्र विफल हो गया है, और एक क्रैश आने वाला है।

यह क्यों मायने रखता है?

यह केवल गणित नहीं है; यह वास्तविक जीवन की समस्याओं की व्याख्या करता है।

मस्तिष्क की "स्थिरता": यह समझाता है कि कैसे हमारा मस्तिष्क अविश्वसनीय रूप से जटिल हो सकता है और इसमें मज़बूत आंतरिक कनेक्शन (जो हमें सोचने, याद रखने और ध्यान केंद्रित करने के लिए चाहिए) हो सकते हैं, फिर भी लगातार दौरों (seizures) का सामना नहीं करता। नॉर्मलाइजेशन तंत्र ही हमारी स्थिरता का कारण है।
मुसीबत का पूर्वानुमान: यह पेपर सुझाव देता है कि यदि हम यह माप सकें कि मस्तिष्क चीज़ों के प्रति कितना "धीमा" (slow) प्रतिक्रिया दे रहा (क्रिटिकल स्लोइंग डाउन), तो हम दौरों या मानसिक बीमारी के प्रकरणों के होने से पहले ही उनकी भविष्यवाणी कर सकते हैं।
बीमारियाँ: लेखक इस "टूटे हुए नॉर्मलाइजेशन" को मिर्गी (दौरे), ऑटिज़्म और सिज़ोफ्रेनिया जैसी स्थितियों से जोड़ते हैं। उनका सुझाव है कि इन स्थितियों में, "क्राउड मैनेजर" ठीक से काम नहीं कर रहा होता है, जिससे मस्तिष्क आंतरिक शोर के प्रति बहुत संवेदनशील और अस्थिर हो जाता है।

एक वाक्य में सारांश

मस्तिष्क स्थिर रहने के लिए एक चतुर "वॉल्यूम कंट्रोल" (नॉर्मलाइजेशन) का उपयोग करता है भले ही इसके आंतरिक कनेक्शन बहुत मज़बूत हों, लेकिन यदि यह वॉल्यूम कंट्रोल टूट जाता है, तो मस्तिष्क धीमी गति (क्रिटिकल स्लोइंग डाउन) में चलने लगता है, जो एक चेतावनी संकेत है कि एक अराजक पतन होने वाला है।

यहाँ मोरोन एट अल. के शोध पत्र "Stabilization of recurrent neural networks through divisive normalization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रिकरेंट न्यूरल नेटवर्क (RNNs) जैविक संज्ञान और इंजीनियर प्रणालियों दोनों के लिए मौलिक हैं, जो फीडबैक लूप के माध्यम से जटिल गणनाओं को सक्षम करते हैं। हालाँकि, एक प्रमुख सैद्धांतिक और व्यावहारिक चुनौती स्थिरता (stability) है।

अस्थिरता का विरोधाभास (The Instability Paradox): मानक रैखिक गतिशील मॉडलों में, स्थिरता के लिए यह आवश्यक है कि सभी रिकरेंट वेट मैट्रिक्स के आइजनवैल्यू (eigenvalues) यूनिट सर्कल के भीतर हों (स्पेक्ट्रल रेडियस $\rho < 1$ )। यदि रिकरेंट वेट इतने मजबूत हैं कि वे जटिल गणनाओं का समर्थन कर सकें (अक्सर $\rho > 1$ की आवश्यकता होती), तो नेटवर्क आमतौर पर अस्थिर हो जाता है, जिससे "विस्फोटक" (exploding) गतिकी उत्पन्न होती है।
जैविक संदर्भ (Biological Context): जैविक न्यूरल सर्किट मजबूत रिकरेंट कनेक्शन प्रदर्शित करते हैं फिर भी स्थिर रहते हैं। यह शोध पत्र जांच करता है कि डिवाइसिव नॉर्मलाइजेशन (divisive normalization)—एक कैनोनिकल न्यूरल कंप्यूटेशन जहाँ एक न्यूरॉन की प्रतिक्रिया को जनसंख्या की कुल गतिविधि द्वारा विभाजित किया जाता है—इस स्थिरता में कैसे योगदान देता है।
अंतराल (The Gap): जबकि नॉर्मलाइजेशन को संवेदी घटनाओं (जैसे कंट्रास्ट सैचुरेशन) की व्याख्या करने के लिए जाना जाता है, मनमाने (arbitrary) वेट वाले उच्च-आयामी, यादृच्छिक रूप से जुड़े रिकरेंट नेटवर्क को स्थिर करने में इसकी भूमिका पहले स्थापित नहीं की गई थी।

2. कार्यप्रणाली (Methodology)

लेखकों ने ORGaNICs (Oscillatory Recurrent Gated Neural Integrator Circuits) मॉडल का उपयोग करके संख्यात्मक सिमुलेशन (numerical simulations) और विश्लेषणात्मक परटर्बेशन थ्योरी (analytical perturbation theory) के संयोजन का उपयोग किया।

मॉडल (ORGaNICs):
- मॉडल में मुख्य उत्तेजक न्यूरॉन्स ( $y$ ) और एक माध्यमिक निरोधात्मक (inhibitory) जनसंख्या ( $a$ ) शामिल है जो एक मल्टीप्लिकेटिव गेन मॉड्यूलेटर के रूप में कार्य करती है।
- गतिकी (dynamics) युग्मित अवकल समीकरणों (coupled differential equations) द्वारा नियंत्रित होती है जहाँ उत्तेजक न्यूरॉन की फायरिंग दर का वर्ग होता है ( $y^+ = y^2$ ) और निरोधात्मक न्यूरॉन स्क्वायर-रूट कंप्रेशन का पालन करता है ( $a^+ = \sqrt{a}$ )।
- महत्वपूर्ण रूप से, रिकरेंट टर्म को एक गेन फैक्टर $(1 - a^+)$ द्वारा गुणा किया जाता है, जो डायनेमिकली डिवाइसिव नॉर्मलाइजेशन को लागू करता है।
नेटवर्क आर्किटेक्चर:
- लेखकों ने मॉडल को एक सरल 2-न्यूरॉन सर्किट से बढ़ाकर मनमाने रिकरेंट कनेक्शनों के साथ एक उच्च-आयामी नेटवर्क ( $N$ न्यूरॉन्स) तक विस्तारित किया।
- रिकरेंट वेट मैट्रिक्स $W$ को $W = I + K$ के रूप में बनाया गया है, जहाँ $I$ आइडेंटिटी मैट्रिक्स है और $K$ गौसियन ऑर्थोगोनल एनसेंबल (GOE) से लिया गया एक सममित यादृच्छिक मैट्रिक्स है। यह संतुलित उत्तेजना और निषेध (मीन ज़ीरो) सुनिश्चित करता है जिसका नियंत्रणीय स्पेक्ट्रल रेडियस $\rho(W) = 1 + 2\Delta$ है।
विश्लेषण तकनीकें:
- संख्यात्मक (Numerical): फिक्स्ड पॉइंट्स खोजने और जैकोबियन मैट्रिक्स के आइजनवैल्यू ( $\lambda$ ) की गणना करने के लिए स्पष्ट यूलर विधि (explicit Euler method) का उपयोग करके सिमुलेशन।
- विश्लेषणात्मक (Analytical): परटर्बेशन थ्योरी का उपयोग आइडेंटिटी मैट्रिक्स के आसपास फिक्स्ड-पॉइंट समाधान का विस्तार करने के लिए किया गया था। इसने रिकरेंट स्ट्रेंथ $\Delta$ और इनपुट ड्राइव $z$ के फलन के रूप में न्यूरल रिस्पॉन्स के मीन और वेरिएंस को निकालने की अनुमति दी।
- स्थिरता मेट्रिक्स (Stability Metrics): स्थिरता का आकलन जैकोबियन के सबसे बड़े आइजनवैल्यू के वास्तविक भाग ( $\lambda_{max}$ $λ_{ma x}$ ) द्वारा किया गया।
  - $\lambda_{max} < 0$ : स्थिर।
  - $\lambda_{max} \to 0$ : क्रिटिकल स्लोइंग डाउन (CSD) (अस्थिरता की प्रारंभिक चेतावनी)।
  - $\lambda_{max} > 0$ : अस्थिर (डाइवर्जेंस या लिमिट साइकल)।

3. प्रमुख योगदान (Key Contributions)

नॉर्मलाइजेशन के माध्यम से स्थिरीकरण: यह शोध पत्र प्रदर्शित करता है कि ORGaNICs तब भी स्थिर रह सकते हैं जब रिकरेंट मैट्रिक्स का स्पेक्ट्रल रेडियस 1 से अधिक ( $\rho > 1$ ) हो, एक ऐसा क्षेत्र जहाँ मानक रैखिक मॉडल तुरंत डाइवर्ज हो जाते हैं। मल्टीप्लिकेटिव नॉर्मलाइजेशन तंत्र प्रभावी रिकरेंट स्ट्रेंथ को गतिशील रूप से स्केल करता है, जिससे सिस्टम स्थिर रहता है।
क्रिटिकल स्लोइंग डाउन (CSD) की पहचान: लेखक अस्थिरता से पहले की एक विशिष्ट अवस्था की पहचान करते हैं जहाँ नेटवर्क क्रिटिकल स्लोइंग डाउन प्रदर्शित करता है। इस चरण में, नेटवर्क अपने फिक्स्ड पॉइंट पर अत्यंत धीरे-धीरे अभिसरित (converge) होता है (टाइम कांस्टेंट $\gg$ आंतरिक न्यूरॉन टाइम कांस्टेंट्स)।
नॉर्मलाइजेशन और स्थिरता के बीच सैद्धांतिक संबंध: एक प्रमुख सैद्धांतिक योगदान यह प्रमाण है कि डिवाइसिव नॉर्मलाइजेशन का टूटना (breakdown) ठीक क्रिटिकल स्लोइंग डाउन की शुरुआत के साथ होता है।
- नॉर्मलाइजेशन को उस स्थिति के रूप में परिभाषित किया गया है जहाँ औसत प्रतिक्रिया नेटवर्क के विभिन्न वास्तविक स्वरूपों (realizations) के मानक विचलन से अधिक होती है ( $E[y] > \sqrt{Var[y]}$ )।
- लेखकों ने एक विश्लेषणात्मक थ्रेशोल्ड $\Delta_{loss}(z)$ निकाला जहाँ नॉर्मलाइजेशन विफल हो जाता है। उन्होंने सिद्ध किया कि $\Delta_{loss}(z) \approx \Delta_{csd}(z)$ , जिसका अर्थ है कि नॉर्मलाइजेशन का नुकसान डायनेमिकल अस्थिरता की शुरुआत का एक सटीक भविष्यवक्ता है।
अर्ली वार्निंग सिग्नल (Early Warning Signal): अध्ययन यह प्रस्तावित करता है कि नॉर्मलाइजेशन का नुकसान (जिसे बढ़ी हुई न्यूरल परिवर्तनशीलता के माध्यम से पहचाना जा सकता है) सीज़र (seizures) जैसी पैथोलॉजिकल स्थितियों के लिए एक प्रारंभिक चेतावनी संकेत के रूप में कार्य करता है, जो नेटवर्क के वास्तव में अस्थिर होने से पहले ही दिखाई देता है।

4. मुख्य परिणाम (Key Results)

फेज डायग्राम (Phase Diagrams): लेखकों ने $(z, \Delta)$ $(z, Δ)$ प्लेन (इनपुट ड्राइव बनाम रिकरेंट स्ट्रेंथ) में स्थिरता परिदृश्य को मैप किया।
- स्थिर चरण (Stable Phase): कम $\Delta$ , तेज़ अभिसरण (fast convergence)।
- क्रिटिकली स्लोड चरण (Critically Slowed Phase): मध्यवर्ती $\Delta$ । सिस्टम स्थिर है लेकिन बहुत धीरे अभिसरित होता है। यहाँ, सबसे बड़ा आइजनवैल्यू $\lambda \approx 0$ है।
- अस्थिर चरण (Unstable Phase): उच्च $\Delta$ । सिस्टम लिमिट साइकल में प्रवेश करता है या डाइवर्ज हो जाता है।
मात्रात्मक समझौता (Quantitative Agreement): $\Delta_{loss}(z)$ के लिए विश्लेषणात्मक भविष्यवाणी (Eq. 8) विभिन्न इनपुट ड्राइव और नेटवर्क आकार ( $N=100$ से $1000$) के लिए संख्यात्मक सिमुलेशन के साथ उच्च सटीकता के साथ मेल खाती है।
स्पेक्ट्रल गुण (Spectral Properties): क्रिटिकली स्लोड रिजीम में, जैकोबियन स्पेक्ट्रम में कई आइजनवैल्यू शून्य के करीब होते हैं, जो बिना किसी वेट ट्यूनिंग के कई लॉन्ग टाइम स्केल्स के उभरने का संकेत देते हैं।
मजबूती (Robustness): निष्कर्ष डेलोकलाइज्ड (यूनिफॉर्म) और लोकलाइज्ड (स्पार्स) दोनों प्रकार के इनपुट ड्राइव के लिए मान्य हैं। परिणाम उत्तेजना-निषेध (E-I) असंतुलन वाले नेटवर्क के लिए भी विस्तारित होते हैं, हालांकि विशिष्ट थ्रेशोल्ड बदल जाते हैं।
दोलन (Oscillations): अस्थिरता की ओर संक्रमण अक्सर गामा फ्रीक्वेंसी रेंज (30–100 Hz) में डैम्प्ड ऑसिलेशन (स्पाइरलिंग अट्रैक्टर्स) द्वारा पूर्वगामी होता है, जो नॉर्मलाइजेशन टूटने के साथ अधिक स्पष्ट हो जाते हैं।

5. महत्व (Significance)

जैविक प्लासिबिलिटी (Biological Plausibility): परिणाम बताते हैं कि जैविक प्रणालियों (दृश्य, घ्राण, श्रवण और संज्ञानात्मक सर्किट) में व्यापक रूप से कार्यान्वित डिवाइसिव नॉर्मलाइजेशन न केवल कम्प्यूटेशनल दक्षता (जैसे कंट्रास्ट इनवेरिएंस) के लिए है, बल्कि डायनेमिकल स्थिरता के लिए भी आवश्यक है। यह मस्तिष्क को अस्थिरता से बचते हुए जटिल प्रसंस्करण के लिए आवश्यक मजबूत रिकरेंट कनेक्शनों का उपयोग करने की अनुमति देता है।
नैदानिक निहितार्थ (Clinical Implications): नॉर्मलाइजेशन ब्रेकडाउन और क्रिटिकल स्लोइंग डाउन के बीच का संबंध न्यूरोलॉजिकल विकारों के लिए एक नया बायोमार्कर प्रदान करता।
- मिर्गी (Epilepsy): सीज़र्स अक्सर क्रिटिकल स्लोइंग डाउन से पहले होते हैं। यह शोध पत्र सुझाव देता है कि नॉर्मलाइजेशन तंत्र की विफलता इसके अंतर्निहित कारण के रूप में हो सकती है।
- न्यूरोडेवलपमेंटल विकार: निष्कर्ष ऑटिज्म, सिज़ोफ्रेनिया और अवसाद जैसे मामलों के अवलोकनों के अनुरूप हैं, जहाँ कम नॉर्मलाइजेशन और बढ़ी हुई न्यूरल परिवर्तनशीलता रिपोर्ट की जाती है।
इंजीनियरिंग अनुप्रयोग (Engineering Applications): आर्टिफिशियल न्यूरल नेटवर्क के लिए, डिवाइसिव नॉर्मलाइजेशन (या इसी तरह के मल्टीप्लिकेटिव गेटिंग) को शामिल करने से मजबूत वेट के साथ गहरे, अधिक रिकरेंट आर्किटेक्चर को प्रशिक्षित करने की अनुमति मिल सकती है, जिससे स्थिरता बनाए रखते हुए प्रदर्शन में सुधार होगा।
सैद्धांतिक ढांचा (Theoretical Framework): यह कार्य रैंडम मैट्रिक्स थ्योरी, डायनेमिकल सिस्टम्स और न्यूरोसाइंस को जोड़ता है, जो जटिल न्यूरल सिस्टम में टिपिंग पॉइंट्स (tipping points) की भविष्यवाणी करने के लिए एक कठोर विश्लेषणात्मक ढांचा प्रदान करता है।

संक्षेप में, मोरोन एट अल. एक सम्मोहक तर्क प्रस्तुत करते हैं कि डिवाइसिव नॉर्मलाइजेशन एक स्थिरीकरण तंत्र है जो मजबूत रिकरेंट इंटरैक्शन की अनुमति देता है। इस नॉर्मलाइजेशन का टूटना न्यूरल सर्किट में स्थिरता के नुकसान के लिए एक गणितीय रूप से अनुमानित और प्रयोगिक रूप से पता लगाने योग्य प्रारंभिक चेतावनी संकेत के रूप में कार्य करता है।