Tracking the Fidelity of Internal Neural Representations with Error-In-Variables Regression

कल्पना कीजिए कि आपका मस्तिष्क एक सुपर-एडवांस्ड जीपीएस (GPS) है, जो लगातार गणना करता रहता है कि आप कहाँ हैं, आपका मुख किस दिशा में है, और आपकी गति कितनी है। यह करने के लिए, यह सूक्ष्म, मेहनती न्यूरॉन्स की एक टीम पर निर्भर करता है जो सेंसर के रूप में कार्य करते हैं, जो बाहरी दुनिया के अनुरूप पैटर्न में फायर (fire) होते हैं। लेकिन यहाँ एक पेंच है: आपके मस्तिष्क के भीतर का "मानचित्र" हमेशा उस "मानचित्र" से मेल नहीं खाता जो बाकी दुनिया देखती है। कभी-कभी, कमजोर सिग्नल के कारण जीपीएस भटक जाता है, कभी यह अंधेरे कमरे से भ्रमित हो जाता है, और कभी-कभी यह केवल एक पूर्वाभास के आधार पर शॉर्टकट लेने का निर्णय ले लेता है। लंबे समय तक, वैज्ञानिकों ने यह समझने की कोशिश की है कि ये न्यूरॉन्स वास्तव में क्या सोच रहे हैं, इसके लिए बाहरी दुनिया को देखते हुए (जैसे चूहे की स्थिति को वीडियो ट्रैकिंग के माध्यम से) और यह मानकर कि मस्तिष्क का आंतरिक मानचित्र उस वीडियो की एक सटीक प्रति है। लेकिन क्या होगा यदि मस्तिष्क का मानचित्र वास्तव में थोड़ा अस्थिर है, या बाहरी दुनिया के मानचित्र से पूरी तरह अलग है? यदि हम मानते हैं कि कैमरा सटीक है, तो हमें लग सकता है कि मस्तिष्क खराब या भ्रमित है, जबकि वास्तव में मस्तिष्क अपनी ही धुन में काम कर रहा है।

यहीं पर एक नया अध्ययन इस गलतफहमी को दूर करने के लिए कदम बढ़ाता है। शोधकर्ता, जो तंत्रिका विज्ञान (neuroscience) के क्षेत्र में काम कर रहे हैं, एक बेहतर तरीका बनाना चाहते थे जिससे वे बाहरी शोर वाले, अपूर्ण डेटा से धोखा खाए बिना मस्तिष्क के आंतरिक विचारों को सुन सकें। उन्होंने एक चतुर सांख्यिकीय उपकरण विकसित किया है जो एक जासूस की तरह कार्य करता है, जो एक न्यूरॉन के "वास्तविक" आंतरिक अहसास को बाहरी "शोर वाले" माप से अलग करता है। ऐसा करके, वे देख सकते हैं कि क्या एक न्यूरॉन वास्तव में अपनी लय खो रहा है या केवल हमारा मापने वाला फीता फिसल रहा है। यह महत्वपूर्ण है क्योंकि यह समझना कि मस्तिष्क का आंतरिक मानचित्र वास्तविकता से कैसे भटक जाता है, हमें यह समझने में मदद करता है कि हम दुनिया में कैसे चलते हैं, हम चीजों को कैसे याद रखते हैं, और क्या होता है जब हमारा आंतरिक दिशा-सूचक यंत्र (compass) विफल होने लगता है।

जासूस का नया उपकरण: एरर-इन-वेरियबल्स (Error-in-Variables) रिग्रेशन

यह पेपर एक नई विधि पेश करता है जिसे एरर-इन-वेरियबल्स (EIV) रिग्रेशन कहा जाता है। इसे एक ऐसे कमरे में एक गायक की वास्तविक आवाज़ का अनुमान लगाने की तरह समझें जहाँ बहुत अधिक गूँज (echo) और एक खराब माइक्रोफ़ोन है। यदि आप केवल ध्वनि रिकॉर्ड करते हैं और गायक के स्वर को समझने की कोशिश करते हैं, तो आपको लग सकता है कि गायक बेसुरा गा रहा है क्योंकि गूँज के कारण आवाज़ बदल गई है। लेकिन क्या होगा यदि आप गणितीय रूप से उस गूँज और माइक्रोफ़ोन के कंपन को "घटा" सकें और गायक की वास्तविक आवाज़ सुन सकें? यह नया टूल मस्तिष्क की कोशिकाओं के लिए बिल्कुल यही करता है।

अतीत में, वैज्ञानिक "पारंपरिक ट्यूनिंग कर्व्स" का उपयोग करते थे। कल्पना कीजिए कि आप एक धुंधली, हिलती हुई फोटो के आधार पर एक शहर का नक्शा बनाने की कोशिश कर रहे हैं। यदि फोटो स्पष्ट है, तो आपका नक्शा शानदार दिखता है। लेकिन यदि फोटो धुंधली है (शायद कैमरा हिल रहा है या रोशनी कम है), तो आपका नक्शा फैल जाएगा, और आपको लग सकता है कि सड़कें चौड़ी हैं या इमारतें गलत जगह पर हैं। यह पेपर दिखाता है कि जब वैज्ञानिकों ने इन पुराने तरीकों का उपयोग मस्तिष्क के डेटा पर किया, तो उन्हें अक्सर "फैले हुए" (smeared) मानचित्र दिखाई दिए और उन्होंने निष्कर्ष निकाला कि न्यूरॉन्स भ्रमित हो रहे हैं या अपनी सटीकता खो रहे हैं।

नया EIV तरीका कहता है, "ठहरिए! शायद न्यूरॉन्स वास्तव में तीक्ष्ण और सटीक हैं, लेकिन माप ही धुंधला है।" यह एक छिपे हुए चर (variable) को पेश करता है—एक "लेटेंट" (latent) आंतरिक अवस्था—जो यह दर्शाता है कि मस्तिष्क वास्तव में क्या सोच रहा है। मॉडल फिर यह पता लगाता है कि वास्तविक दुनिया (वीडियो कैमरा) इस आंतरिक विचार से कितना मेल खाती है। यह $\kappa$ (कप्पा) नामक एक विशेष डायल का उपयोग करता है जो इस मिलान को नियंत्रित करता है।

• यदि $\kappa$ उच्च है, तो कैमरा और मस्तिष्क पूरी तरह से तालमेल में हैं। मॉडल एक मानक, सुपर्वाइज्ड (supervised) मानचित्र की तरह कार्य करता है।
• यदि $\kappa$ निम्न है, तो कैमरा और मस्तिष्क पूरी तरह से तालमेल से बाहर हैं। मॉडल एक अनसुपरवाइज्ड (unsupervised) जासूस की तरह कार्य करता है, जो कैमरे को अनदेखा करता है और अपना स्वयं का मानचित्र खोजने के लिए मस्तिष्क के पैटर्न को देखता है।
• जादू यह है कि मॉडल क्रॉस-वैलिडेशन नामक तकनीक का उपयोग करके इस डायल को स्वचालित रूप से ट्यून कर सकता है। यह डेटा को देखता है और पूछता है, "$\kappa$ का कौन सा सेटिंग सबसे अधिक तर्कसंग योग्य है?"

काल्पनिक मस्तिष्क के साथ सिद्धांत का परीक्षण

वास्तविक जानवरों पर इस टूल पर भरोसा करने से पहले, लेखकों ने इसे सिंथेटिक डेटा—एक मस्तिष्क के कंप्यूटर सिमुलेशन—पर परखा। उन्होंने 30 न्यूरॉन्स और 1,000 टाइम स्टेप्स के साथ एक काल्पनिक परिदृश्य बनाया। उन्होंने तीन अलग-अलग "फिडेलिटी" (fidelity - वफादारी/सटीकता) स्तर सेट किए (कि आंतरिक मानचित्र बाहरी दुनिया के साथ कितनी अच्छी तरह मेल खाता है):

1. उच्च फिडेलिटी ($\kappa = 8.0$): आंतरिक मानचित्र और कैमरा लगभग पूरी तरह से मेल खाते थे।
2. मध्यम फिडेलिटी ($\kappa = 3.0$): कुछ विचलन और शोर था।
3. निम्न फिडेलिटी ($\kappa = 0.5$): आंतरिक मानचित्र कैमरा से बहुत अलग था।

इन सिमुलेशन में, न्यूरॉन्स की "वास्तविक" ट्यूनिंग (कि वे आंतरिक मानचित्र के प्रति कैसे प्रतिक्रिया करते हैं) को बिल्कुल समान रखा गया था। लेकिन जैसे-जैसे कैमरे में शोर बढ़ा, पुराने "पारंपरिक" मानचित्र सपाट होते गए, जिससे ऐसा लगा जैसे न्यूरॉन्स ने अपनी ट्यूनिंग क्षमता खो दी है। हालाँकि, नए EIV मॉडल ने तीनों मामलों में तीक्ष्ण, वास्तविक ट्यूनिंग कर्व्स को सफलतापूर्वक पुनः प्राप्त किया। इसने सही ढंग से पहचाना कि न्यूरॉन्स बदले नहीं थे; केवल मस्तिष्क और कैमरे के बीच का संबंध बदल गया था। मॉडल ने $\kappa$ के उस मान का भी सटीक अनुमान लगाया जिसका उपयोग नकली डेटा बनाने के लिए किया गया था, जिससे सिद्ध हुआ कि यह अपने आप सही स्तर का पता लगा सकता है।

वास्तविक दुनिया का परीक्षण 1: चूहे की सिर की दिशा (Head Direction)

शोधकर्ताओं ने फिर इस टूल को चूहों के एंटीडोरसल थैलेमिक न्यूक्लियस (ADn) से प्राप्त वास्तविक डेटा पर लागू किया, जो एक मस्तिष्क क्षेत्र है जो दिशा-सूचक (compass) के रूप में प्रसिद्ध है। उन्होंने चूहों को तीन अलग-अलग स्थितियों में रिकॉर्ड किया:

1. प्रकाश (Light): चूहा सब कुछ देख सकता था।
2. अंधेरा (Dark): चूहा अंधेरे में था, जो स्मृति और अन्य इंद्रियों पर निर्भर था।
3. हेड-फिक्स्ड (Head-Fixed): चूहा एक तैरते हुए गोले पर बंधा हुआ था, इसलिए वह अपना सिर नहीं हिला सकता था, लेकिन कमरा उसके चारों ओर घूम रहा था। इसने उसके संतुलन (वेस्टिबुलर इनपुट) को बिगाड़ दिया।

प्रकाश में, चूहे का आंतरिक दिशा-सूचक और कैमरा अच्छी तरह मेल खाते थे। मॉडल ने उच्च $\kappa$ पाया, जिसका अर्थ था कि मस्तिष्क दुनिया को सटीक रूप से ट्रैक कर रहा था।
अंधेरे में, तालमेल बिगड़ गया। मॉडल ने कम $\kappa$ पाया, जिससे पता चला कि चूहे की आंतरिक दिशा का बोध वास्तविक दुनिया से भटकने लगा था।
हेड-फिक्स्ड स्थिति में, विचलन बहुत बड़ा था। मॉडल ने बहुत कम $\kappa$ पाया। चूहे का आंतरिक दिशा-सूचक कमरे की तुलना में अलग गति से घूम रहा था, या भ्रमित हो रहा था, भले ही न्यूरॉन्स अभी भी एक बहुत ही व्यवस्थित, रिंग-जैसे पैटर्न में फायर कर रहे थे।

यहाँ बड़ी खोज हुई: जब वैज्ञानिकों ने पुराने तरीकों का उपयोग किया, तो उन्होंने अंधेरे और हेड-फिक्स्ड स्थितियों में ट्यूनिंग कर्व्स को सपाट होते देखा और सोचा कि न्यूरॉन्स "शोर वाले" या "खराब" हो रहे हैं। लेकिन EIV मॉडल ने दिखाया कि न्यूरॉन्स वास्तव में तीक्ष्ण और सटीक थे। वे अभी भी चूहे की आंतरिक दिशा के प्रति ट्यून थे। समस्या न्यूरॉन्स की नहीं थी; समस्या यह थी कि चूहे की आंतरिक दिशा वास्तविक दुनिया से डिकपल (decouple - अलग) हो गई थी। मस्तिष्क अपना काम कर रहा था, लेकिन जिस "मानचित्र" का वह उपयोग कर रहा था, वह अब "कैमरे" के साथ संरेखित (aligned) नहीं था।

अध्ययन ने यह भी देखा कि यह बेमेल (mismatch) समय के साथ कैसे बदलता है। उन्होंने पाया कि हेड-फिक्स्ड स्थिति में, त्रुटि (आंतरिक मानचित्र और कैमरे के बीच का अंतर) केवल यादृच्छिक (random) नहीं रही; यह एक लहर की तरह दोलन (oscillate) करने लगी। कभी मस्तिष्क और दुनिया करीब थे, और कभी वे बहुत दूर चले जाते थे, जिससे रास्ता भटकने और फिर से रास्ता खोजने का एक लयबद्ध पैटर्न बनता था।

वास्तविक दुनिया का परीक्षण 2: चूहे के ग्रिड सेल्स (Grid Cells)

इसके बाद, उन्होंने इस टूल का परीक्षण चूहों के ग्रिड सेल्स पर किया, जो वे न्यूरॉन्स हैं जो एक मधुमक्खी के छत्ते (honeycomb) जैसे पैटर्न में फायर करते हैं जब जानवर स्थान में चलता है। उन्होंने एक गोलाकार अरीना में चूहों को रिकॉर्ड किया, पहले अंधेरे में और फिर एक विजुअल क्यू (visual cue) के साथ प्रकाश में।

एक बार फिर, पुराने तरीकों ने दिखाया कि अंधेरे में चूहों के स्थिति मानचित्र धुंधले और कम सूचनात्मक दिख रहे थे। लेकिन EIV मॉडल ने खुलासा किया कि चूहे की स्थिति का आंतरिक प्रतिनिधित्व वास्तव में धुंधले मानचित्रों की तुलना में बहुत अधिक तीक्ष्ण था।

• स्थानिक सूचना (Spatial Information): मॉडल ने गणना की कि न्यूरॉन्स चूहे की आंतरिक स्थिति के बारे में, मापी गई स्थिति की तुलना में अधिक जानकारी रखते हैं, विशेष रूप से अंधेरे में।
• क्लस्टरिंग (Clustering): जब उन्होंने देखा कि स्पाइक्स (spikes) कहाँ हो रहे हैं, तो पुराने तरीके ने दिखाया कि अंधेरे में स्पाइक्स बिखरे हुए थे। EIV पद्धति ने दिखाया कि चूहे के आंतरिक मानचित्र के सापेक्ष, स्पाइक्स बहुत सघन (tightly clustered) थे, ठीक वैसे ही जैसे प्रकाश में होते हैं।

मॉडल ने तीन प्रकार के दृष्टिकोणों की तुलना भी की:

1. पूर्णतः सुपर्वाइज्ड (बेमेल को अनदेखा करना): इसने मस्तिष्क के मानचित्र को कैमरे से मेल खाने के लिए मजबूर किया, जिसके परिणामस्वरूप एक धुंधला, बिखरा हुआ मानचित्र मिला।
2. पूर्णतः अनसुपरवाइज्ड (कैमरे को पूरी तरह से अनदेखा करना): इसने एक स्पष्ट मानचित्र पाया, लेकिन यह इतना अधिक रोटेट या शिफ्ट था कि यह चूहे की वास्तविक गति जैसा बिल्कुल नहीं लग रहा था।
3. EIV (सही संतुलन): इसने एक आदर्श मध्य मार्ग खोजा। इसने मानचित्र को तीक्ष्ण और क्लस्टर्ड रखा, लेकिन इसे चूहे की वास्तविक गति के साथ पर्याप्त रूप से संरेखित भी रखा ताकि यह उपयोगी बना रहे।

भविष्य का डिकोडिंग

अंत में, टीम ने पूछा: "यदि हम इस नए टूल का उपयोग करते हैं, तो क्या हम पहले से बेहतर तरीके से भविष्यवाणी कर सकते हैं कि चूहा कहाँ है?" उन्होंने कैमरे को देखे बिना, केवल मस्तिष्क की गतिविधि से चूहे की स्थिति को डिकोड करने की कोशिश की।

• प्रकाश में, नया तरीका पुराने तरीके से केवल थोड़ा ही बेहतर था क्योंकि कैमरा पहले से ही एक अच्छा मार्गदर्शक था।
• अंधेरे में, नया तरीका काफी बेहतर था। $\kappa$ डायल को सही जगह पर ट्यून करके, मॉडल पुराने तरीकों की तुलना में चूहे की स्थिति की अधिक सटीक भविष्यवाणी कर सका, जो शोर से भ्रमित हो रहे थे।

उन्होंने यह भी जांचा कि क्या मॉडल सुसंगत (consistent) है। यदि वे न्यूरॉन्स को दो समूहों में विभाजित करते, तो क्या दोनों समूह इस बात पर सहमत होते कि चूहा कहाँ है? हाँ। EIV मॉडल ने दिखाया कि अंधेरे में भी, न्यूरॉन्स के दो समूह चूहे की आंतरिक स्थिति के बारे में एक ही कहानी बता रहे थे, जबकि पुराने तरीके सुझाव देते थे कि वे भ्रमित थे।

मुख्य निष्कर्ष

यह पेपर केवल एक नया गणितीय तरीका नहीं है; यह सोचने का एक नया तरीका है। यह सुझाव देता है कि जब हमारे मस्तिष्क के माप अव्यवस्थित या "फैले हुए" दिखते हैं, तो ऐसा इसलिए नहीं हो सकता कि मस्तिष्क खराब है। ऐसा इसलिए हो सकता है क्योंकि मस्तिष्क का आंतरिक मानचित्र बाहरी दुनिया से भटक गया है, और हम उन्हें जबरन मिलाने की कोशिश कर रहे थे। इस एरर-इन-वेरियबल्स रिग्रेशन का उपयोग करके, वैज्ञानिक अंततः मस्तिष्क के वास्तविक, तीक्ष्ण संकेतों को देख सकते हैं, भले ही उसके आसपास की दुनिया शोर भरी, अंधेरी या भ्रमित करने वाली क्यों न हो। वास्तव में, मस्तिष्क अक्सर हमारी अपेक्षा से कहीं अधिक सटीक होता है; बस कभी-कभी, यह उस मानचित्र पर नेविगेट कर रहा होता है जो हम पकड़े हुए हैं, उससे अलग होता है।