Parametric neural control differentiates top neural network models of primate visual cortex

मानव मस्तिष्क दुनिया को समझने के लिए एक विशाल, जटिल मशीन है, और इस मशीन के सामने का हिस्सा विजुअल कॉर्टेक्स (visual cortex) है, जो पूरी तरह से हमारे देखने की प्रक्रिया को संसाधित करने के लिए समर्पित है। दशकों से, वैज्ञानिक ऐसे कंप्यूटर प्रोग्राम बनाने की कोशिश कर रहे हैं जो इस जैविक मशीनरी की नकल कर सकें। ये प्रोग्राम, जिन्हें डीप न्यूरल नेटवर्क (deep neural networks) कहा जाता है, लाखों तस्वीरों पर प्रशिक्षित किए जाते हैं जब तक कि वे वस्तुओं, चेहरों और दृश्यों को पहचानने में उस कौशल को प्राप्त न कर लें जो हमारे अपने कौशल के बराबर हो। जब शोधकर्ता इन प्रोग्रामों का परीक्षण करते हैं, तो वे अक्सर पाते हैं कि सबसे उन्नत मॉडल एक प्राकृतिक छवि दिखाए जाने पर बंदर के मस्तिष्क के न्यूरॉन्स कैसे सक्रिय होंगे, इसका आश्चर्यजनक सटीकता के साथ पूर्वानुमान लगाते हैं। इस सफलता ने एक सुखद धारणा को जन्म दिया: यदि विभिन्न कंप्यूटर मॉडल सभी इतनी अच्छी तरह से मस्तिष्क की गतिविधि की भविष्यवाणी कर सकते हैं, तो वे दृश्य जगत को समझने के लिए निश्चित रूप से एक ही आंतरिक तर्क का उपयोग कर रहे होंगे। ऐसा लगा जैसे मस्तिष्क को समझने का मार्ग अंततः मिल गया है, और इन सभी सफल मॉडलों ने देखने के एक एकल, सही तरीके को अपना लिया है।

हालाँकि, एक नया अध्ययन इस सुखद निष्कर्ष को चुनौती देता है, यह सुझाव देते हुए कि भविष्यवाणी में उच्च सटीकता का अर्थ यह आवश्यक रूप से नहीं है कि मॉडलों ने वास्तव में मस्तिष्क के तर्क को आत्मसात कर लिया है। शोधकर्ताओं ने, पाँच मैकाक (macaques) बंदरों के साथ काम करते हुए, यह परीक्षण करने का प्रयास किया कि क्या ये कंप्यूटर मॉडल केवल सही अनुमान लगा रहे थे या वास्तव में उन विशिष्ट नियमों को समझ रहे थे जो न्यूरॉन्स की प्रतिक्रिया को नियंत्रित करते हैं। उन्होंने मॉडलों की जांच करने के लिए एक नई विधि विकसित की, जो सरल चित्र पहचान से आगे बढ़कर अधिक प्रत्यक्ष प्रकार की अंतःक्रिया की ओर बढ़ती है। केवल मॉडलों को चित्र दिखाने और यह जाँचने के बजाय कि क्या उन्होंने सही मस्तिष्क प्रतिक्रिया का अनुमान लगाया, वैज्ञानिकों ने मॉडलों का उपयोग एक छवि में विशिष्ट, नियंत्रित परिवर्तन उत्पन्न करने के लिए किया। उन्होंने प्रत्येक मॉडल की आंतरिक सेटिंग्स को लिया और उन्हें एक निर्देश के सेट में बदल दिया कि किसी छवि को कैसे बदला जाए ताकि एक न्यूरॉन की सक्रियता को बढ़ाया या घटाया जा सके। यह प्रक्रिया, जिसे शोधकर्ता 'एक्सिस-अलाइन्ड फीचर एक्सेंटुएशन' (axis-aligned feature accentuation) कहते हैं, उन्हें हजारों अद्वितीय परीक्षण चित्र बनाने की अनुमति देती थी जो न्यूरल प्रतिक्रिया को एक विशिष्ट दिशा में धकेलने के लिए डिज़ाइन किए गए थे।

टीम ने दस अग्रणी विजन मॉडलों से इन 27,500 से अधिक कस्टम उद्दीपकों (stimuli) को तैयार किया और उन्हें एक क्लोज्ड-लूप प्रयोग में बंदरों के सामने प्रस्तुत किया। इस सेटअप ने शोधकर्ताओं को दृश्य प्रांतस्था (visual cortex) के विशिष्ट क्षेत्रों को लक्षित करने की अनुमति दी, प्रारंभिक चरणों से लेकर जहाँ सरल आकृतियों को संसाधित किया जाता है, से लेकर उच्च स्तरों तक जहाँ जटिल वस्तुओं को पहचाना जाता है। परिणाम आश्चर्यजनक थे। भले ही दस मॉडलों ने मानक, प्राकृतिक फोटोग्राफ्स के प्रति प्रतिक्रिया की समान रूप से अच्छी भविष्यवाणी की थी, लेकिन जब उन्हें अपने कस्टम-निर्मित उद्दीपकों के माध्यम से न्यूरॉन्स को नियंत्रित करने के लिए कहा गया, तो वे विफल हो गए। अधिकांश मॉडल न्यूरल फायरिंग में अनुमानित परिवर्तनों को उत्पन्न करने में विफल रहे। उनके दृश्य जगत के आंतरिक मानचित्र, हालांकि प्राकृतिक छवियों के लिए अनुमान लगाने के लिए पर्याप्त अच्छे थे, लेकिन वे मस्तिष्क कोशिकाओं की वास्तविक ट्यूनिंग के साथ मौलिक रूप से असंगत थे। मॉडल यह कैप्चर नहीं कर रहे थे कि न्यूरॉन्स दुनिया के प्रति कैसे प्रतिक्रिया करते हैं; वे केवल सांख्यिकीय शॉर्टकट खोज रहे थे जो प्राकृतिक छवियों के लिए काम करते थे लेकिन सूक्ष्म जांच के तहत टूट जाते थे।

इस विफलता में एक उल्लेखनीय अपवाद था। दो मॉडल, जिन्हें 'एडवर्सरियल ट्रेनिंग' (adversarial training) नामक एक विशिष्ट तकनीक का उपयोग करके प्रशिक्षित किया गया था, ने एक सुसंगत लाभ दिखाया। ये मॉडल न्यूरल फायरिंग को नियंत्रित करने में बेहतर थे, जो यह सुझाव देता है कि उनके आंतरिक पैरामीटर मस्तिष्क के अपने पैरामीटर्स के अधिक करीब थे। फिर भी, अध्ययन ने पाया कि इन एडवर्सरियल चालों के प्रति मजबूत होना पूरी कहानी नहीं है। न्यूरॉन्स को नियंत्रित करने की क्षमता इस बात से मजबूती से जुड़ी नहीं थी कि एक मॉडल कृत्रिम हमलों का कितना विरोध करता है। इसके बजाय, मुख्य कारक कुछ अधिक मौलिक था: इनपुट ग्रेडिएंट की स्थानिक आवृत्ति संरचना (spatial frequency structure)। सरल शब्दों में, यह पिक्सेल के उस विशिष्ट पैटर्न को संदर्भित करता है जो एक मॉडल के निर्णय को प्रभावित करता है। जो मॉडल सबसे अच्छा काम करते थे, वे वे थे जहाँ एनकोडिंग अक्ष को प्रभावित करने वाले पिक्सेल का वितरण उस तरीके से मेल खाता था जिस तरह से मस्तिष्क वास्तव में दृश्य जानकारी को संसाधित करता है।

यह शोध कंप्यूटर मॉडलों के मस्तिष्क के साथ कितने बेहतर ढंग से संरेखित होने का परीक्षण करने का एक नया, अधिक कठोर तरीका स्थापित करता है। निष्क्रिय भविष्यवाणी से सक्रिय नियंत्रण की ओर बढ़कर, वैज्ञानिकों ने प्रदर्शित किया कि मानक परीक्षणों पर उच्च सटीकता दृश्य जगत के प्रतिनिधित्व में गहरे दोषों को छिपा सकती है। निष्कर्ष बताते हैं कि जबकि वर्तमान मॉडल प्रभावशाली हैं, अधिकांश ने अभी तक प्राकृतिक छवि स्थान के वास्तविक जैविक पैरामीट्रिकरण (biological parameterization) को प्राप्त नहीं किया है। केवल यह परीक्षण करके कि क्या एक मॉडल सटीक, संवर्धित विशेषताओं के साथ न्यूरल गतिविधि को कारणवश संचालित कर सकता है, हम जान सकते हैं कि क्या वह वास्तव में उसी तरह दृश्य जगत को समझता है जैसे कि एक प्राइमेट मस्तिष्क समझता है।