Multitasking Recurrent Networks Utilize Compositional Strategies for Control of Movement
यह अध्ययन प्रदर्शित करता है कि एक मस्कुलोस्केलेटल (पेशी-कंकाल) आर्म मॉडल के साथ प्रशिक्षित मल्टीटास्किंग रिकरेंट न्यूरल नेटवर्क जटिल गतिविधियों को लचीले ढंग से उत्पन्न करने और सामान्यीकृत करने के लिए कंपोजिशनल रणनीतियों और साझा निम्न-आयामी मैनिफोल्ड्स का उपयोग करते हैं, जो यह सुझाव देता है कि जैविक रूप से प्रशंसनीय मोटर नियंत्रण तंत्र विकसित करने के लिए एम्बॉडमेंट (देहबद्धता) और फीडबैक महत्वपूर्ण हैं।
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
मानव शरीर इंजीनियरिंग का एक चमत्कार है, एक जटिल मशीन जिसमें दर्जनों जोड़ और सैकड़ों मांसपेशियां हैं जिन्हें सबसे सरल गति उत्पन्न करने के लिए भी पूर्ण सामंजस्य में काम करना पड़ता है। फिर भी, इस अत्यधिक जटिलता के बावजूद, हम आश्चर्यजनक गति से साइकिल चलाना, गेंद फेंकना या पियानो बजाना सीख सकते हैं। हमें किसी नई गति का सामना करने पर हर एक मांसपेशी संकुचन को शून्य से फिर से सीखने की आवश्यकता नहीं होती; इसके बजाय, हमारा मस्तिष्क बुनियादी निर्माण खंडों (building blocks) की एक लाइब्रेरी पर निर्भर लगता है। वैज्ञानिक इस क्षमता को "कंपोजिशनैलिटी" (compositionality) कहते हैं, जो किसी कौशल के परिचित, सीखे हुए हिस्सों को लेने और उन्हें नए तरीकों से जोड़ने की क्षमता है। जबकि शोधकर्ताओं ने लंबे समय से संदेह जताया है कि मस्तिष्क सोचने और निर्णय लेने के लिए इस रणनीति का उपयोग करता है, यह सिद्ध करना बहुत कठिन रहा है कि यही तर्क हाथ-पैर हिलाने की अव्यवस्थित, भौतिक क्रिया पर भी लागू होता है। प्रश्न यह बना हुआ है: क्या मस्तिष्क हर संभावित गति को केवल याद कर लेता है, या यह नियमों का एक लचीला सेट सीखता है जो इसे मौके पर नई गतियां आविष्कार करने की अनुमति देता है?
इसका उत्तर देने के लिए, येल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक डिजिटल मस्तिष्क बनाया और उसे एक कृत्रिम (सिम्युलेटेड) हाथ से जोड़ दिया, जिससे एक ऐसी प्रणाली तैयार हुई जिसे अपने आप चलना सीखना था। उन्होंने हाथ को पहुँचने या मुड़ने के विशिष्ट निर्देशों के साथ प्रोग्राम नहीं किया था। इसके बजाय, उन्होंने डिजिटल मस्तिष्क को एक सरल लक्ष्य दिया: हाथ को एक लक्ष्य तक पहुँचाना। मस्तिष्क को जानकारी मिलती थी कि हाथ कहाँ था और मांसपेशियां कितनी तेजी से खिंच रही थीं, और उसे काम पूरा करने के लिए कमांड का पता लगाना पड़ता था। शोधकर्ताओं ने फिर इस डिजिटल मस्तिष्क को दस अलग-अलग प्रकार की गतियां सीखने के लिए कहा, जिसमें सीधे पहुँचने से लेकर जटिल लूप और फिगर-एट (आठ के आकार की गति) तक शामिल थे, वे भी विभिन्न गति और दिशाओं में। लक्ष्य यह देखना था कि क्या इस डिजिटल मस्तिष्क ने इन दस कार्यों में महारत हासिल करने के बाद, स्वाभाविक रूप से उन्हें संयोजित करने का एक तरीका विकसित कर लिया होगा, या क्या यह प्रत्येक को एक अलग, अलग-थलग ट्रिक के रूप में केवल याद रखेगा।
परिणामों ने दिखाया कि डिजिटल मस्तिष्क ने केवल दस अलग-अलग स्क्रिप्ट्स को याद नहीं किया। इसके बजाय, इसने अपनी आंतरिक गतिविधि को अत्यधिक संरचित तरीके से व्यवस्थित किया जो कंपोजिशनैलिटी के विचार को दर्शाता है। जब शोधकर्ताओं ने नेटवर्क के भीतर गतिविधि के पैटर्न को देखा, तो उन्होंने पाया कि मस्तिष्क ने सभी गतियों के लिए एक साझा, लो-डायमेंशनल स्पेस (low-dimensional space) का उपयोग किया। इसे एक सामान्य मंच के रूप में सोचें जहाँ सभी अभिनेता प्रदर्शन करते हैं; जबकि विशिष्ट क्रियाएं बदलती रहती हैं, मंच स्वयं वही रहता है। इस साझा स्थान के भीतर, मस्तिष्क ने विभिन्न प्रकार की गणनाओं को अलग रखा। उदाहरण के लिए, गति की तैयारी और स्वयं गति, अलग-अलग, गैर-अतिव्यापी (non-overlapping) क्षेत्रों में हुईं, जिससे यह सुनिश्चित हुआ कि मस्तिष्क बिना गलती से शुरू किए गए कार्य के, गति की योजना बना सके। इससे भी महत्वपूर्ण बात यह है कि मस्तिष्क ने अंग को "विस्तारित" करने (केंद्र से दूर जाना) और "सिकोड़ने" (वापस केंद्र की ओर आना) को दो अलग-अलग, पुन: प्रयोज्य (reusable) मॉड्यूल के रूप में माना। इन दो मॉड्यूल्स ने अलग-अलग, ऑर्थोगोनल (orthogonal) स्थानों को घेरा था, जिसका अर्थ है कि उन्हें पूरी तरह से अलग रखा गया था, ताकि उन्हें आपस में मिलाया जा सके।
शोधकर्ताओं ने इस लचीलेपन का परीक्षण एक ऐसी गति के माध्यम से किया जिसे डिजिटल मस्तिष्क ने पहले कभी नहीं देखा था। उन्होंने पाया कि मस्तिष्क सफलतापूर्वक एक नया संयोजन निष्पादित कर सकता था, जैसे कि एक सीधे पहुँच की "विस्तार" वाले हिस्से को एक घुमावदार लूप के "सिकोड़ने" वाले हिस्से के साथ जोड़ना, और यह सब केवल एक एकल इनपुट सिग्नल बदलकर संभव हुआ। मस्तिष्क को गति के यांत्रिकी (mechanics) को फिर से सीखने की आवश्यकता नहीं थी; उसे बस एक पूर्व-सीखे गए मॉड्यूल से दूसरे में स्विच करने के लिए बताया जाना था। यह सुझाव देता है कि मस्तिष्क ने गति के मौलिक निर्माण खंडों को सीख लिया था और वह तुरंत उन्हें नए पैटर्न में असेंबल कर सकता था। इसके अलावा, शोधकर्ताओं ने पाया कि नई गतियों को रचने की यह क्षमता इस बात पर बहुत अधिक निर्भर थी कि मस्तिष्क एक भौतिक शरीर को नियंत्रित कर रहा था और उससे फीडबैक प्राप्त कर रहा था। जब उन्होंने बिना शरीर या बिना संवेदी फीडबैक के समान नेटवर्क को प्रशिक्षित किया, तो वे नेटवर्क इन लचीले, कंपोजिशनल रणनीतियों को विकसित करने में विफल रहे। इसके बजाय, उन्होंने कठोर, कार्य-विशिष्ट समाधान सीखे जिन्हें आसानी से अनुकूलित नहीं किया जा सकता था।
यह अध्ययन एक स्पष्ट खिड़की प्रदान करता है कि कैसे एक नियंत्रण प्रणाली मानव शरीर की अपार जटिलता को संभाल सकती है। यह सुझाव देता है कि मस्तिष्क को हर संभव गति के लिए एक अद्वितीय रेसिपी स्टोर करने की आवश्यकता नहीं है। इसके बजाय, यह साझा, पुन: प्रयोज्य पैटर्न का एक सेट सीखता है और उन्हें इस तरह व्यवस्थित रखता है कि उनका तीव्र संयोजन किया जा सके। समान कार्यों के लिए एक साझा आंतरिक स्थान का उपयोग करके और विभिन्न प्रकार की गतियों को अलग-अलग क्षेत्रों में रखकर, यह प्रणाली सीखे गए प्रिमिटिव्स (primitives) के एक छोटे सेट से क्रियाओं का एक विशाल भंडार उत्पन्न कर सकती है। निष्कर्षों का तात्पर्य यह है कि शरीर की भौतिक सीमाएं और हमारी मांसपेशियों से निरंतर मिलने वाला फीडबैक केवल बाधाएं नहीं हैं जिन्हें पार किया जाना है, बल्कि वे आवश्यक मार्गदर्शक हैं जो मस्तिष्क की सीखने की प्रक्रिया को आकार देते हैं, जिससे यह लचीले, कुशल और तीव्र अनुकूलन में सक्षम समाधानों की ओर निर्देशित होता 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।