Local recurrence accounts for extended processing during occluded-object recognition
MEG, कम्प्यूटेशनल मॉडलिंग और विभिन्न न्यूरोइमेजिंग तकनीकों को एकीकृत करते हुए, यह अध्ययन प्रदर्शित करता है कि लंबे समय तक चलने वाली स्थानीय आवर्ती प्रक्रिया (local recurrent processing), न कि लंबी दूरी की टॉप-डाउन फीडबैक, छिपी हुई वस्तुओं (occluded objects) की पहचान करने में सक्षम बनाने वाला प्राथमिक तंत्र 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
हमारा मस्तिष्क दुनिया को एक पूर्ण चित्र के रूप में देखने में असाधारण रूप से सक्षम है, भले ही हमारी आँखें केवल उसके अंश प्राप्त कर रही हों। जब पेड़ की एक शाखा पक्षी के किसी हिस्से को ढक लेती है, या एक खड़ी कार ट्रक के पिछले हिस्से को छिपा लेती है, तो हम अलग-अलग टुकड़ों को नहीं देखते; बल्कि हम पूरे जीव या वाहन को देखते हैं। अधूरी दृश्य जानकारी से वस्तुओं को पहचानने की यह क्षमता मानव धारणा का एक मौलिक हिस्सा है। वैज्ञानिक लंबे समय से जानते हैं कि इस प्रक्रिया के लिए आँख से मस्तिष्क तक सूचना के एक एकल, तीव्र प्रवाह से कहीं अधिक की आवश्यकता होती है। जब दृश्य साक्ष्य अस्पष्ट या गायब होते हैं, तो मस्तिष्क को अंतराल भरने के लिए अतिरिक्त, धीमी प्रसंस्करण (प्रोसेसिंग) प्रक्रिया में संलग्न होना पड़ता है। हालाँकि, एक केंद्रीय प्रश्न अनसुलझा रहा है: मस्तिष्क यह कैसे करता है? क्या यह मस्तिष्क के विभिन्न विशिष्ट क्षेत्रों के बीच एक तीव्र, आगे-पीछे होने वाली बातचीत पर निर्भर करता है, या यह एक ही क्षेत्र पर स्वयं अधिक समय और अधिक मेहनत करने पर निर्भर करता है ताकि चित्र को जोड़ा जा सके?
शोधकर्ताओं की एक टीम ने लोगों को आंशिक रूप से छिपी हुई वस्तुओं को देखते हुए मानव मस्तिष्क की गतिविधियों को देखकर इस रहस्य को सुलझाने का प्रयास किया। उन्होंने मैग्नेटोएन्सेफालोग्राफी (magnetoencephalography) नामक तकनीक का उपयोग किया, जो मस्तिष्क में विद्युत गतिविधि से उत्पन्न होने वाले सूक्ष्म चुंबकीय क्षेत्रों को मापती है, जिससे वे मिलीसेकंड की सटीकता के साथ तंत्रिका संबंधी घटनाओं को ट्रैक कर सकते हैं। उन्होंने प्रतिभागियों को चार प्रकार की वस्तुओं—ऊँट, हिरण, कार और मोटरसाइकिल—की छवियां दिखाईं, जिनमें से कुछ को अवरोध (occlusion) का अनुकरण करने के लिए काले आकारों द्वारा आंशिक रूप से ढका गया था। यह समझने के लिए कि मस्तिष्क इन छवियों को कैसे संसाधित करता है, उन्होंने दो मुख्य सिद्धांतों की तुलना की। एक सिद्धांत ने सुझाव दिया कि मस्तिष्क उच्च-स्तरीय क्षेत्रों से, जो 'बड़ी तस्वीर' रखते हैं, एक "टॉप-डाउन" (ऊपर से नीचे) संकेत वापस प्रारंभिक दृश्य क्षेत्रों को भेजता है ताकि धुंधले या छिपे हुए हिस्सों को स्पष्ट करने में मदद मिल सके। दूसरे सिद्धांत ने प्रस्ताव दिया कि प्रारंभिक दृश्य क्षेत्रों को केवल स्थानीय स्तर पर टुकड़ों को संसाधित करने के लिए अधिक समय की आवश्यकता होती है, और वे बिना किसी लंबी दूरी के संदेश के, ऊपर से प्राप्त सूचना के बिना, केवल बार-बार आंतरिक लूप के माध्यम से चित्र को परिष्कृत करते हैं।
शोधकर्ताओं ने पाया कि जब वस्तुएं छिपी हुई थीं, तो मस्तिष्क वास्तव में उन्हें पहचानने में अधिक समय लेता था, और यह अतिरिक्त समय सफलता के लिए महत्वपूर्ण था। उन्होंने 'बैकवर्ड मास्किंग' (backward masking) नामक एक विधि का उपयोग किया, जहाँ वस्तु के तुरंत बाद एक तीव्र, भ्रमित करने वाला पैटर्न फ्लैश किया जाता है, ताकि यह परीक्षण किया जा सके कि क्या यह अतिरिक्त प्रसंस्करण समय आवश्यक था। उन्होंने पाया कि यदि इस अतिरिक्त प्रसंस्करण समय को 'मास्क' द्वारा छोटा कर दिया जाता, तो मस्तिष्क छिपी हुई वस्तु को पहचानने में विफल हो जाता। इसने पुष्टि की कि अवरुद्ध वस्तुओं को पहचानने के लिए प्रारंभिक दृष्टि के बाद भी निरंतर, सक्रिय कार्य की आवश्यकता होती है। हालाँकि, जब उन्होंने विभिन्न मस्तिष्क क्षेत्रों के बीच सूचना के प्रवाह को बारीकी से देखा, तो उन्हें एक आश्चर्यजनक बात पता चली। संकेतों का समय और प्रारंभिक दृश्य क्षेत्रों तथा उच्च-स्तरीय वस्तु-प्रसंस्करण क्षेत्रों के बीच संचार की दिशा इस तरह नहीं बदली कि एक नया, तत्काल फीडबैक लूप स्थापित होता प्रतीत हो। मस्तिष्क के क्षेत्र एक-दूसरे से बात तो कर रहे थे, लेकिन बातचीत इसलिए विशेष रूप से तेज या परिवर्तित नहीं हुई क्योंकि वस्तु छिपी हुई थी।
यह समझने के लिए कि मस्तिष्क के भीतर वास्तव में क्या हो रहा था, शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया जो मस्तिष्क की संरचना की नकल करता है। उन्होंने इस मॉडल के तीन संस्करण बनाए: एक जो केवल एक एकल फॉरवर्ड पास में जानकारी को संसाधित करता था, एक जो प्रारंभिक क्षेत्रों को स्थानीय रूप से जानकारी को वापस लूप करने की अनुमति देता था, और एक जिसमें मस्तिष्क के ऊपरी हिस्से से निचले हिस्से तक एक लंबी दूरी का फीडबैक पाथवे शामिल था। जब उन्होंने इन मॉडलों का उन्हीं छिपी हुई वस्तुओं पर परीक्षण किया, तो स्थानीय लूप वाला मॉडल सरल फॉरवर्ड-ओनली संस्करण की तुलना में बहुत बेहतर प्रदर्शन कर गया। इसने छिपी हुई वस्तुओं की पहचान सफलतापूर्वक की, ठीक वैसे ही जैसे मानव मस्तिष्क करता है। हालाँकि, लंबी दूरी के फीडबैक पाथवे वाला संस्करण स्थानीय-लूप संस्करण की तुलना में कोई महत्वपूर्ण लाभ नहीं दे सका। वास्तव में, लंबी दूरी के कनेक्शन जोड़ने से मॉडल को स्थानीय लूपों की तुलना में छिपी हुई वस्तुओं को पहचानने में कोई बेहतर नहीं बनाया।
अध्ययन यह निष्कर्ष निकालता है कि छिपी हुई वस्तुओं को पहचानने की मस्तिष्क की क्षमता मुख्य रूप से दृश्य क्षेत्रों के भीतर लंबे समय तक चलने वाले स्थानीय प्रसंस्करण पर निर्भर करती है। मस्तिष्क के उच्च केंद्रों से एक विशेष संकेत भेजने के बजाय, प्रारंभिक दृश्य क्षेत्र स्वयं अधिक कठिन और लंबा कार्य करते हैं, और टुकड़ों को तब तक बार-बार परिष्कृत करते हैं जब तक कि वस्तु स्पष्ट न हो जाए। हालाँकि मस्तिष्क में लंबी दूरी के कनेक्शन निश्चित रूप से मौजूद हैं जो सूचना को आगे-पीछे भेज सकते हैं, शोधकर्ताओं ने पाया कि इस संदर्भ में ये विशिष्ट मार्ग पहेली को सुलझाने की कुंजी नहीं थे। समाधान स्थानीय सर्किट में निहित था, जो छिपी हुई वस्तु प्रकट होने तक अपने स्वयं के विश्लेषण को बनाए रख सकता था और गहरा कर सकता था। यह खोज दृश्य धारणा के बारे में हमारी समझ को बदल देती है, यह सुझाव देती है कि बाधाओं के पार देखने की मस्तिष्क की क्षमता ऊपर से आने वाले किसी 'रेस्क्यू मिशन' के बजाय स्थानीय, पुनरावृत्ति गणना (iterative computation) की शक्ति का प्रमाण 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।