Predictive pursuit emerges in high-dimensional recurrent neural networks
यह अध्ययन प्रदर्शित करता है कि उच्च-आयामी आवर्ती तंत्रिका नेटवर्क (recurrent neural networks) में भविष्योन्मुखी पीछा करना (predictive pursuit), आंतरिक लक्ष्य भविष्यवाणियों और स्वकेंद्रित निरूपणों (egocentric representations) के विकास के माध्यम से उभरता है, जिसके लिए एलोसेंट कोडिंग (allocentric coding) का समर्थन करने हेतु पर्याप्त नेटवर्क रैंक की आवश्यकता होती है और जो देखे गए कृंतक व्यवहार (rodent behavior) के अनुरूप है।
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 आप पार्क में दौड़ रहे एक दोस्त के साथ "कैच" का खेल खेल रहे हैं। गेंद को पकड़ने के लिए, आप केवल इस पर ध्यान नहीं दे सकते कि गेंद अभी कहाँ है; आपको यह अनुमान लगाना होगा कि एक पल बाद वह कहाँ होगी ताकि आप समय रहते अपना हाथ उस स्थान पर ले जा सकें। यही प्रेडिक्टिव पर्स्यूट (predictive pursuit) यानी पूर्वानुमानित पीछा करने का सार है: मस्तिष्क की वह क्षमता जिससे वह किसी चलती हुई वस्तु के वर्तमान स्थान पर प्रतिक्रिया देने के बजाय, यह अनुमान लगा लेता है कि वह आगे कहाँ होगी।
यह शोध पत्र इस बात की खोज करता है कि कैसे मस्तिष्क (या एक कंप्यूटर मस्तिष्क) इस कठिन कार्य को करना सीखता है। यहाँ उनके निष्कर्षों की सरल व्याख्या दी गई:
"वीडियो गेम" प्रयोग
शोधकर्ताओं ने एक डिजिटल मस्तिष्क बनाया, जिसे रिकरेंट न्यूरल नेटवर्क (RNN) कहा जाता है, जो एक परिष्कृत वीडियो गेम पात्र की तरह है। उन्होंने इस पात्र को एक आभासी दुनिया में चलते हुए लक्ष्य का पीछा करना सिखाया।
शुरुआत में, पात्र केवल लक्ष्य की वर्तमान स्थिति पर प्रतिक्रिया देता था। लेकिन जैसे-जैसे पात्र ने परिचित रास्तों (जैसे ट्रैक पर दौड़ने वाला धावक) पर लक्ष्य का पीछा करने का अभ्यास किया, एक अद्भुत चीज़ हुई: पात्र ने अनुमान लगाना शुरू कर दिया कि लक्ष्य अगली बार कहाँ होगा। वह लक्ष्य से आगे की ओर बढ़ने लगा, ठीक वैसे ही जैसे एक कुशल एथलीट करता है।
मस्तिष्क के भीतर का "जीपीएस"
पात्र ने यह अनुमान लगाना कैसे सीखा, इसे समझने के लिए शोधकर्ताओं ने उसके डिजिटल मस्तिष्क के भीतर झाँका। उन्होंने पाया कि विशिष्ट "न्यूरॉन्स" (छोटे प्रसंस्करण इकाइयाँ) एक व्यक्तिगत जीपीएस की तरह काम करते थे।
ये न्यूरॉन्स केवल यह नहीं जानते थे कि दुनिया में लक्ष्य कहाँ है (जैसे एक नक्शा); वे यह भी जानते थे कि पात्र के सापेक्ष लक्ष्य कहाँ है।
- उपमा: कल्पना कीजिए कि आप गाड़ी चला रहे हैं। एक "वर्ल्ड मैप" आपको बताता है कि लक्ष्य "मेन स्ट्रीट" पर है। एक "एगोसेंट्रिक जीपीएस" आपको बताता है, "लक्ष्य आपके बाईं ओर 50 फीट की दूरी पर है।" शोधकर्ताओं ने पाया कि डिजिटल मस्तिष्क इस "सापेक्ष स्थिति" वाले जीपीएस पर बहुत अधिक निर्भर था। जब उन्होंने इन विशिष्ट इकाइयों को बंद कर दिया, तो पात्र लक्ष्य का प्रभावी ढंग से पीछा करने की अपनी क्षमता खो बैठा, जिससे सिद्ध हुआ कि यह "सापेक्ष जीपीएस" ही बेहतर पीछा करने का असली रहस्य है।
एक बड़े मस्तिष्क की आवश्यकता
सबसे आश्चर्यजनक खोज इस बारे में थी कि इसके लिए कितने आकार और जटिलता वाले मस्तिष्क की आवश्यकता होती है।
शोधकर्ताओं ने अलग-अलग "मस्तिष्क आकार" (तकनीकी रूप से जिन्हें "रैंक" कहा जाता है) के साथ पात्र को प्रशिक्षित करने का प्रयास किया।
- छोटे मस्तिष्क: ये तब लक्ष्य का पीछा अच्छी तरह से कर सकते थे जब लक्ष्य धीरे या सरल तरीके से चलता था। वे जानते थे कि पात्र के सापेक्ष लक्ष्य कहाँ है।
- बड़े मस्तिष्क (उच्च-आयामी/High-Dimensional): केवल तभी जब मस्तिष्क जटिल और "उच्च-आयामी" (अधिक कनेक्शन और संसाधनों वाला) था, पात्र ने वास्तव में पूर्वानुमान (anticipation) में महारत हासिल की।
रूपक: एक छोटे मस्तिष्क को एक साधारण कैलकुलेटर के रूप में सोचें जो बुनियादी गणित कर सकता है। यह आपको बता सकता है कि गेंद कहाँ है। लेकिन एक उच्च-आयामी मस्तिष्क एक सुपरकंप्यूटर की तरह है जो एक जटिल फ्लाइट सिम्युलेटर चला सकता है। यह केवल वर्तमान स्थिति की गणना नहीं करता; यह भविष्य के प्रक्षेप पथ (trajectory) का अनुकरण करता है।
अध्ययन में पाया गया कि भले ही एक "छोटा" डिजिटल मस्तिष्क लक्ष्य को ट्रैक कर सकता था, लेकिन केवल "बड़ा" और जटिल मस्तिष्क ही एक समृद्ध आंतरिक मानचित्र बना सका जिसमें न केवल लक्ष्य का स्थान, बल्कि दुनिया में पात्र का अपना स्थान भी शामिल था। वास्तविक जानवरों में देखे जाने वाले सहज, पूर्वानुमानित आंदोलनों को उत्पन्न करने के लिए यह अतिरिक्त जटिलता आवश्यक थी।
निष्कर्ष
यह शोध पत्र निष्कर्ष निकालता है कि किसी चलती हुई वस्तु के जाने के स्थान का अनुमान लगाना एक साधारण रिफ्लेक्स (प्रतिवर्त) नहीं है। यह एक उच्च-स्तरीय संज्ञानात्मक उपलब्धि है जिसके लिए एक जटिल, उच्च-आयामी नेटवर्क की आवश्यकता होती है। जिस तरह आपको एक जेट उड़ाने के लिए साइकिल के बजाय एक शक्तिशाली इंजन की आवश्यकता होती है, उसी तरह गतिशील दुनिया में चलते लक्ष्यों का सहजता से पीछा करने के लिए मस्तिष्क को एक समृद्ध, जटिल आंतरिक संरचना की आवश्यकता होती 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।