Evolutionary rise of a synaptic mechanism for creating and diversifying key reinforcement signals

मस्तिष्क का लर्निंग लूप: एक संक्षिप्त परिचय

कल्पना कीजिए कि आपका मस्तिष्क एक सुपर-स्मार्ट वीडियो गेम कंसोल है जो एक लेवल को जीतने का तरीका सीखने की कोशिश कर रहा है। बेहतर बनने के लिए, इसे यह जानने की आवश्यकता है कि इसने कब गलती की या इसने कब कुछ सही किया। तंत्रिका विज्ञान (न्यूरोसाइंस) की दुनिया में, इस "त्रुटि संकेत" (error signal) को रीइन्फोर्समेंट सिग्नल (reinforcement signal) कहा जाता है। यह मस्तिष्क का अपना तरीका है यह कहने का कि, "हे, यह काम नहीं आया, कुछ और आजमाओ!" या "हाँ! इसे फिर से करो!"

लंबे समय तक, वैज्ञानिकों ने सोचा कि ये संकेत सरल थे: एक न्यूरॉन या तो "चलो!" कहने के लिए फायर करता है (उत्तेजना/excitation) या "रुको!" कहने के लिए शांत रहता है (अवरोध/inhibition)। लेकिन प्रकृति को नियम तोड़ने में आनंद आता है। मस्तिष्क के एक बहुत ही छोटे, गहरे हिस्से में जिसे लेटरल हेबेनुला (lateral habenula या LHb) कहा जाता है, चीजें अजीब हो जाती हैं। यह छोटा सा क्षेत्र मस्तिष्क के रिवॉर्ड सिस्टम के लिए एक ट्रैफिक पुलिस की तरह काम करता है। यह मस्तिष्क के अन्य हिस्सों से संदेश प्राप्त करता है और यह तय करता है कि डोपामाइन के रिलीज को बढ़ावा देना है या उसे रोकना है—डोपामाइन वह रसायन है जो हमें अच्छा महसूस कराता है और हमें सीखने के लिए प्रेरित करता है।

बड़ा रहस्य यह था: यह ट्रैफिक पुलिस इतनी तेज़ी से और सटीकता से जानकारी को कैसे प्रोसेस करती है? विशेष रूप से, वैज्ञानिकों ने देखा कि LHb में कुछ इनपुट एक ही समय में दो अलग-अलग रसायनों को छोड़ते हैं: ग्लूटामेट ("चलो" का संकेत) और GABA ("रुको" का संकेत)। यह एक विरोधाभास जैसा लगा—आप एक न्यूरॉन को एक ही समय में फायर करने और रुकने के लिए कैसे कह सकते हैं? और मस्तिष्क ने इतनी भ्रमित करने वाली प्रणाली क्यों विकसित की होगी? यह शोध पत्र उस पहेली में उतरता है कि क्या यह "डबल-एजेंट" सिग्नलिंग वास्तव में सीखने के लिए एक चतुर तकनीक है, और क्या यह मछली से बंदरों तक विकसित होते हुए जानवरों के साथ अधिक जटिल होती गई है।

---

मस्तिष्क की "डेरिवेटिव" ट्रिक: संकेतों का मिश्रण कैसे स्मार्ट लर्निंग बनाता है

शोधकर्ताओं ने एक सरल प्रश्न पूछा: क्या होता है जब एक मस्तिष्क कोशिका को एक ही क्षण में "चलो" संकेत और "रुको" संकेत मिलता है? यह पता लगाने के लिए, उन्होंने कंप्यूटर पर एक आभासी मस्तिष्क कोशिका बनाई—एक बायोफिज़िकली रियलिस्टिक सिमुलेशन। इसे एक फ्लाइट सिम्युलेटर की तरह समझें, लेकिन विमान के बजाय, वे एक न्यूरॉन का परीक्षण कर रहे थे। उन्होंने इस आभासी न्यूरॉन को गतिविधि के यादृच्छिक विस्फोट (random bursts) दिए, जो मस्तिष्क की वास्तविक जीवन की हलचल की नकल करते हैं, और देखा कि जब इनपुट ने ग्लूटामेट और GABA दोनों को एक साथ छोड़ा, तो इसने कैसी प्रतिक्रिया दी।

यहाँ वह जादू है जो उन्होंने खोजा: इन दोनों रसायनों का मिश्रण गणितीय डेरिवेटिव (derivative) की तरह कार्य करता है। गणित की कक्षा में, डेरिवेटिव आपको बताता है कि कोई चीज़ कितनी तेज़ी से बदल रही है, न कि केवल वर्तमान में वह संख्या क्या है। यदि आप कार चला रहे हैं, तो स्पीडोमीटर आपकी गति (वैल्यू) बताता है, लेकिन डेरिवेटिव बताता है कि आप तेज़ हो रहे हैं या ब्रेक लगा रहे हैं (परिवर्तन)।

अपने सिमुलेशन में, जब इनपुट गतिविधि अचानक बढ़ गई (जैसे कि अचानक "खतरा!" का संकेत), तो GABA वाला हिस्सा ग्लूटामेट की तुलना में थोड़ा धीमा सक्रिय हुआ। इस मामूली देरी का मतलब था कि न्यूरॉन गतिविधि का एक त्वरित विस्फोट करता है, और फिर तुरंत वापस स्थिर हो जाता है, भले ही "खतरा" वाला संकेत अभी भी मौजूद था। इसके विपरीत, जब इनपुट अचानक रुक गया, तो न्यूरॉन ने विपरीत दिशा में गतिविधि का एक त्वरित "झटका" दिया। परिणाम? न्यूरॉन ने संकेत के स्तर को रिपोर्ट करना बंद कर दिया और संकेत में होने वाले परिवर्तन को रिपोर्ट करना शुरू कर दिया। यह बिल्कुल उसी प्रकार की "टेम्पोरल डिफरेंस" (TD) गणित है जिसका उपयोग रीइन्फोर्समेंट लर्निंग एल्गोरिदम यह पता लगाने के लिए करते हैं कि इनाम उम्मीद से बेहतर था या बदतर। यह ऐसा है जैसे मस्तिष्क के पास एक इन-बिल्ट "चेंज डिटेक्टर" है जो उसे केवल पुराने पैटर्न को दोहराने के बजाय आश्चर्यों से सीखने में मदद करता है।

लेकिन यहाँ एक मुख्य बात है: शोधकर्ताओं ने पाया कि सभी न्यूरॉन्स एक जैसे नहीं होते हैं। वास्तविक मस्तिष्क में, विभिन्न न्यूरॉन्स के पास "चलो" और "रुको" रसायनों का अलग-अलग अनुपात होता है। कुछ में थोड़ा GABA होता है, कुछ में बहुत अधिक। इसका मतलब है कि मस्तिष्क के पास केवल एक प्रकार का "चेंज डिटेक्टर" नहीं है; इसके पास एक पूरा विविध टूलकिट है। कुछ न्यूरॉन्स सूक्ष्म परिवर्तनों के प्रति संवेदनशील होते हैं, जबकि अन्य केवल बड़े बदलावों पर प्रतिक्रिया करते हैं। यह विविधता मस्तिष्क को जटिल, उच्च-स्तरीय निर्णय लेने में सक्षम बनाती है, जैसे कि एक जोखिम भरे जुए और एक सुरक्षित दांव के बीच तुलना करना।

क्या यह ट्रिक विकसित हुई? मछली से बंदरों तक

टीम ने फिर सोचा: क्या यह अजीब दोहरी-सिग्नलिंग केवल चूहों (mice) की एक विशेषता है, या यह एक ऐसी विशेषता है जो जानवरों के विकास के साथ बेहतर होती गई? इसका उत्तर देने के लिए, वे एक क्रॉस-स्पीशीज खजाने की खोज पर निकले, जिसमें जेब्राफिश, चूहे (mice), बड़े चूहे (rats) और बंदरों के मस्तिष्क का अध्ययन किया गया।

उन्होंने एक हाई-टेक मशीन लर्निंग क्लासिफायर का उपयोग किया—मूल रूप से, एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम जिसे मस्तिष्क के ऊतकों की सूक्ष्म छवियों को देखने के लिए प्रशिक्षित किया गया था। प्रोग्राम को दो रंगों में चमकने वाले सूक्ष्म बिंदुओं (सिनैप्टिक टर्मिनल्स) को पहचानने के लिए सिखाया गया था: एक ग्लूटामेट के लिए और एक GABA के लिए। यदि एक बिंदु में दोनों रंग थे, तो वह एक "को-रिलीज़िंग" टर्मिनल था।

परिणाम विकास (evolution) की एक स्पष्ट कहानी थे:

• जेब्राफिश: मछली के मस्तिष्क में, ये दोहरे रंग के बिंदु लगभग अस्तित्वहीन थे। फिश हेबेनुला ज्यादातर सिंगल-सिग्नलिंग टर्मिनल्स का उपयोग करता था।
• चूहे (Mice): चूहों में, ये दोहरे रंग के बिंदु दिखाई दिए, लेकिन वे मुख्य रूप से एक विशिष्ट क्षेत्र में केंद्रित थे।
• बड़े चूहे (Rats): बड़े चूहों में इन मिश्रित टर्मिनल्स की संख्या अधिक थी, और उनके अनुपातों में विविधता चूहों (mice) की तुलना में अधिक थी।
• बंदर: बंदरों में यह सबसे अधिक था। न केवल मिश्रित टर्मिनल्स की संख्या अधिक थी, बल्कि वे मस्तिष्क के उन नए, "विकासवादी रूप से नए" हिस्सों में भी फैल गए थे जो चूहों (mice/rats) में विकसित नहीं हैं।

डेटा ने दिखाया कि जैसे-जैसे हम विकास की सीढ़ी पर ऊपर बढ़े, इन मिश्रित टर्मिनल्स में भारी वृद्धि हुई। बंदरों में, दोनों रसायनों को छोड़ने वाले टर्मिनल्स का प्रतिशत चूहों (rats/mice) की तुलना में काफी अधिक था। मशीन लर्निंग ने पुष्टि की कि यह कोई इत्तेफाक नहीं था; कंप्यूटर अविश्वसनीय रूप से सटीक था, जिसने गिनती करने के पुराने तरीकों की तुलना में बहुत कम गलतियाँ कीं।

"स्मार्ट" व्यवहार के लिए इसका क्या अर्थ है

तो, यह सब हमारे लिए क्या मायने रखता है? शोध पत्र सुझाव देता है कि मिश्रित संकेतों का यह विकासवादी विस्फोट लचीले, उच्च-क्रम के निर्णय लेने (high-order decision-making) के पीछे का गुप्त सूत्र हो सकता है।

सिमुलेशन में, तेज़ "चलो" और धीमे "रुको" संकेतों के मिश्रण ने एक एसिमेट्रिक (asymmetric) प्रतिक्रिया बनाई। न्यूरॉन ने गतिविधि में अचानक वृद्धि (बुरी खबर) के प्रति उतनी ही अलग प्रतिक्रिया दी जितनी कि गतिविधि में अचानक कमी (अच्छी खबर) के प्रति। यह विषमता (asymmetry) सीखने के लिए महत्वपूर्ण है। यह मस्तिष्क को जीवन की अव्यवתי वास्तविकता को संभालने में मदद करती है, जहाँ पुरस्कार हमेशा गारंटीकृत नहीं होते और जोखिम हमेशा मौजूद रहते हैं।

लेखक प्रस्ताव देते हैं कि जैसे-जैसे स्तनधारी मछली से बंदरों के रूप में विकसित हुए, वे केवल बड़े मस्तिष्क ही नहीं बने; वे सीखने में अधिक स्मार्ट भी हुए। इन दोहरे-सिग्नलिंग टर्मिनल्स के उपयोग का विस्तार करके, मस्तिष्क विविध प्रकार के "एरर सिग्नल" उत्पन्न कर सका। यह विविधता डोपामाइन सिस्टम (मस्तिष्क के रिवॉर्ड सेंटर) को संभावनाओं के जटिल वितरण को समझने में मदद करती है—जैसे कि यह समझना कि एक स्लॉट मशीन केवल 0% या 100% नहीं, बल्कि 10% बार भुगतान करती है।

हालाँकि यह शोध पत्र यह दावा नहीं करता कि इसने मानव बुद्धि के रहस्य को सुलझा लिया है, लेकिन यह दृढ़ता से सुझाव देता है कि यह विशिष्ट सिनैप्टिक तंत्र—परिवर्तन का पता लगाने के लिए "चलो" और "रुको" संकेतों का मिश्रण करना—एक प्रमुख विकासवादी अपग्रेड था। इसने एक साधारण मस्तिष्क को, जो दुनिया के प्रति केवल प्रतिक्रिया देता था, एक परिष्कृत मस्तिष्क में बदल दिया जो भविष्यवाणी करता है, गणना करता है और अप्रत्याशित के अनुकूल ढलता है। अगली बार जब आप कोई कठिन विकल्प चुनते हैं या कोई नया कौशल सीखते हैं, तो आप अपने मस्तिष्क में एक छोटे, प्राचीन सर्किट को धन्यवाद दे सकते हैं जिसने एक साथ दो भाषाएँ बोलना सीख लिया है।