Systematic comparison of color representations between humans and deep neural networks: towards predicting human color perception in a vast color space

कल्पना कीजिए कि आप यह मानचित्रित करने की कोशिश कर रहे हैं कि मनुष्य रंगों की पूरी दुनिया को कैसे देखते हैं। लंबे समय से, वैज्ञानिक ऐसा लोगों से रंगों के जोड़ों की तुलना करने के लिए कहकर करते आए हैं, जैसे कि "क्या यह लाल रंग नारंगी के अधिक करीब है या बैंगनी के?" लेकिन यह एक पूरे महाद्वीप का मानचित्र बनाने के लिए केवल कुछ कदम चलने जैसा है। इसमें बहुत समय लगता है, और हमने केवल समान रंगों के "पड़ोस" को ही खोजा है, जिससे 4,000+ रंगों का विशाल, वैश्विक परिदृश्य एक रहस्य बना हुआ है।

इस समस्या को हल करने के लिए, शोधकर्ताओं ने डीप न्यूरल नेटवर्क्स (DNNs) को डिजिटल जासूसों के रूप में उपयोग करने का निर्णय लिया। इन नेटवर्क्स को ऐसे कृत्रिम मस्तिष्क के रूप में समझें जिन्होंने देखना सीख लिया है। बड़ा सवाल यह था: किस प्रकार का कृत्रिम मस्तिष्क रंगों को ठीक उसी तरह देखता है जैसे एक मनुष्य देखता है?

उन्होंने इन डिजिटल मस्तिष्कों के लिए तीन अलग-अलग "प्रशिक्षण शिविरों" का परीक्षण किया:

1. सेल्फ-सुपरवाइज्ड लर्निंग (SSL): मस्तिष्क बिना किसी मदद के पैटर्न समझने की कोशिश करते हुए, अपने आप लाखों तस्वीरों को देखकर सीखता है।
2. सुपरवाइज्ड लर्निंग (SL): मस्तिष्क तस्वीरों को देखते हुए सीखता है जबकि एक शिक्षक इशारा करता है और कहता है, "वह एक बिल्ली है," "वह एक कुत्ता है।"
3. CLIP: मस्तिष्क तस्वीरों को उनके लिखित विवरणों (जैसे "एक लाल सेब" या "एक नीला आकाश") के साथ मिलाने से सीखता है।

यह देखने के लिए कि ये डिजिटल मस्तिष्क मानव दृष्टि से कितने मेल खाते हैं, शोधकर्ताओं ने ग्रोमोव-वॉसरस्टीन ऑप्टिमल ट्रांसपोर्ट (GWOT) नामक एक विशेष गणितीय उपकरण का उपयोग किया। आप इसे एक अत्यंत सटीक "आकार बदलने वाले" (shape-shifter) के रूप में समझ सकते हैं जो डिजिटल मस्तिष्क के रंग के मानचित्र और मानव के रंग के मानचित्र को एक साथ मोड़ने और जोड़ने की कोशिश करता है ताकि यह देखा जा सके कि क्या वे पूरी तरह से फिट बैठते हैं।

उन्हें यह पता चला:

• प्रारंभिक परतें (The Early Layers): जब उन्होंने तीनों प्रकार के नेटवर्क्स के "प्रारंभिक सोचने वाले" हिस्सों को देखा, तो उन सभी ने बहुत अच्छा काम किया। वे उन प्रशिक्षुओं की तरह थे जिन्होंने पहले ही एक लाल सेब को एक हरे सेब से अलग पहचानना उतना ही अच्छी तरह सीख लिया था जितना कि एक मनुष्य कर सकता है।
• अंतिम निर्णय (The Final Verdict): हालाँकि, जैसे-जैसे जानकारी नेटवर्क्स में गहराई तक पहुँची, चीजें बदल गईं।
  • सेल्फ-सुपरवाइज्ड और सुपरवाइज्ड नेटवर्क्स अपने अंतिम उत्तर तक पहुँचते-पहुँचते मानव धारणा से दूर होने लगे। उन्होंने रंगों को व्यवस्थित करने के अपने अनूठे, गैर-मानवीय तरीके विकसित कर लिए।
  • CLIP विजेता रहा। यह एकमात्र नेटवर्क था जिसने अपने "मानव-समान" रंग मानचित्र को अंत तक बनाए रखा। पूरी जानकारी को प्रोसेस करने के बाद भी, इसका रंगों का अंतिम दृश्य संरचनात्मक रूप से वैसा ही था जैसा कि मनुष्य देखते हैं।

बड़ी तस्वीर:
शोधकर्ताओं ने फिर इस विजेता नेटवर्क (CLIP) का उपयोग 4,096 रंगों के एक विशाल क्षेत्र का पता लगाने के लिए किया—एक ऐसा पैमाना जिसे लैब में परीक्षण करने में मनुष्यों को दशकों लग जाएंगे। नेटवर्क केवल उन रंगों तक नहीं रुका जिन्हें हम जानते हैं; इसने एक पूर्ण, संरचित मानचित्र तैयार किया कि ये हजारों रंग एक-दूसरे से कैसे संबंधित हैं।

संक्षेप में, यह शोध पत्र दिखाता है कि छवियों को शब्दों के साथ मिलाने के लिए एक AI (CLIP) को प्रशिक्षित करके, हमें एक ऐसा उपकरण मिलता है जो रंगों को बिल्कुल हमारी तरह देखता है। अब हम इस उपकरण का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि मनुष्य रंगों की विशाल, अनपरीक्षित दुनिया को कैसे देखेंगे, जो वास्तविक लोगों पर अंतहीन, समय लेने वाले प्रयोगों की आवश्यकता के बिना भविष्य के वैज्ञानिक अन्वेषण के लिए एक दिशा-सूचक (compass) के रूप में कार्य करेगा।