Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
मकाक (macaque) की मल्टी-सेशन रिकॉर्डिंग्स पर लो-रैंक रिकरेंट न्यूरल नेटवर्क को फिट करके, यह अध्ययन प्रदर्शित करता है कि सीक्वेंस वर्किंग मेमोरी उन पोजीशन-स्पेसिफिक कोडिंग सबस्पेसों पर निर्भर करती है जहाँ अट्रैक्टर-जैसे डायनेमिक्स आइटम के पर्सिस्टेंट रिप्रेजेंटेशन को बनाए रखते हैं, जबकि गतिविधि साथ ही साथ विशिष्ट टेम्पोरल डायमेंशन्स के अनुदिश विकसित होती 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 फोन डायल करने या कोई कोड दर्ज करने के लिए अपने मन में संख्याओं की एक छोटी श्रृंखला को पर्याप्त समय तक रोकने की कोशिश कर रहे हैं। यह मानसिक कौशल, जिसे वर्किंग मेमोरी (कार्यशील स्मृति) कहा जाता है, हमें मूल उद्दीपन (stimulus) के जाने के कुछ सेकंड बाद तक जानकारी को सक्रिय रखने की अनुमति देता है। दशकों से, वैज्ञानिक इस बात पर बहस कर रहे हैं कि मस्तिष्क यह कैसे करता है। एक प्रमुख सिद्धांत ने सुझाव दिया कि न्यूरॉन्स के विशिष्ट समूह बस लगातार फायर होते रहते हैं, जैसे कि जलता हुआ बल्ब, ताकि जानकारी को थामे रखा जा सके। दूसरे सिद्धांत ने एक तीव्र, बदलते हुए गतिविधि पैटर्न के उपयोग का प्रस्ताव दिया, जहाँ न्यूरॉन्स का एक समूह अगले समूह को सक्रिय करता है, जिससे एक स्थिर समग्र चित्र बनता है, भले ही व्यक्तिगत भाग लगातार बदल रहे हों। इस बहस को सुलझाना महत्वपूर्ण है क्योंकि यह मस्तिष्क के मौलिक ऑपरेटिंग सिस्टम को प्रकट करता है, जो यह निर्धारित करता है कि हमारे विचार स्थिर एंकरों द्वारा रखे जाते हैं या गतिविधि की एक बहती हुई नदी द्वारा।
ट्यूबिंगन यूनिवर्सिटी और ट्यूबिंगन एआई सेंटर के शोधकर्ताओं की एक टीम ने अब इस प्रश्न की जांच करने के लिए मस्तिष्क के प्रीफ्रंटल कॉर्टेक्स (जो जटिल विचार और स्मृति के लिए जिम्मेदार क्षेत्र है) का एक परिष्कृत कंप्यूटर मॉडल बनाया है। उन्होंने दो मैकाक बंदरों के डेटा का उपयोग किया जो एक मेमोरी टास्क (स्मृति कार्य) कर रहे थे, जिसमें उन्हें एक से तीन दृश्य आकृतियों के अनुक्रम को याद रखना था। बंदरों को एक लीवर खींचने, आकृतियों को एक विशिष्ट क्रम में प्रकट होते देखने, एक संक्षिप्त विराम के लिए प्रतीक्षा करने और फिर अनुक्रम को पुनरुत्पादित करने के लिए स्क्रीन को छूने के लिए प्रशिक्षित किया गया था। शोधकर्ताओं ने यह देखने के लिए कि मस्तिष्क इस कार्य को कैसे संभालता है, 30 अलग-अलग सत्रों में 2,488 व्यक्तिगत न्यूरॉन्स की विद्युत गतिविधि को रिकॉर्ड किया।
इस विशाल मात्रा में डेटा को समझने के लिए, वैज्ञानिकों ने एक "डेटा-प्रतिबंधित" रिकरेंट न्यूरल नेटवर्क बनाया। यह एक प्रकार का आर्टिफिशियल इंटेलिजेंस मॉडल है जिसे वास्तविक न्यूरॉन्स के जुड़ने और फायर होने के तरीके की नकल करने के लिए डिज़ाइन किया गया है। मानक मॉडल के विपरीत, जो केवल सही उत्तर प्राप्त करने के लिए प्रशिक्षित होते हैं, इस मॉडल को बंदरों के मस्तिष्क में देखे गए वास्तविक, अव्यवस्थित स्पाइक्स (spikes) के पैटर्न को दोहराने के लिए मजबूर किया गया था। वास्तविक डेटा के साथ इस मॉडल को फिट करके, शोधकर्ता उन छिपी हुई गतिकी (dynamics) को देख सके जो न्यूरॉन्स के बीच होती है, जिन्हें कच्चे रिकॉर्डिंग में सीधे देखना असंभव है। मॉडल ने वास्तविक मस्तिष्क गतिविधि के सांख्यिकीय गुणों को सफलतापूर्वक पुन: निर्मित किया, जिसमें यह शामिल है कि न्यूरॉन्स कितनी बार फायर होते हैं और वे एक-दूसरे को कैसे प्रभावित करते हैं, जिससे यह पुष्टि हुई कि यह जैविक प्रणाली का एक विश्वसनीय प्रतिनिधित्व था।
जब शोधकर्ताओं ने इस मॉडल के आंतरिक कामकाज का विश्लेषण किया, तो उन्होंने पाया कि सूचना कैसे संग्रहीत की जाती है, इसमें एक विशिष्ट ज्यामितीय संरचना थी। अनुक्रम में प्रत्येक आइटम के लिए मस्तिष्क की गतिविधि न्यूरल नेटवर्क के भीतर अलग-अलग, विशिष्ट क्षेत्रों में व्यवस्थित थी। यदि बंदर ने अनुक्रम के पहले स्थान में एक आकृति को याद रखा, तो गतिविधि एक विशिष्ट क्षेत्र में स्थिर हो गई; यदि वह दूसरा या तीसरा आकार था, तो गतिविधि अलग-अलग, गैर-अतिव्यापी (non-overlapping) क्षेत्रों में स्थिर हो गई। इसने इस बात की पुष्टि की कि मस्तिष्क यह ट्रैक रखता है कि आइटम "क्या" है और अनुक्रम में वह "कहाँ" आता है, इसके लिए प्रत्येक स्थिति के लिए अलग-अलग स्थानिक क्षेत्रों का उपयोग करता है।
महत्वपूर्ण प्रश्न यह था कि उन क्षेत्रों के भीतर क्या होता है जब बंदर प्रतीक्षा कर रहा होता है? क्या गतिविधि पूरी तरह से स्थिर रहती है, या यह बहती है? शोधकर्ताओं ने पाया कि उत्तर दोनों का संयोजन था। जबकि गतिविधि का समग्र पैटर्न एक विशिष्ट स्मृति के रूप में डिकोड किए जाने के लिए पर्याप्त स्थिर था, अंतर्निहित गतिकी स्थिर नहीं थी। इसके बजाय, मॉडल ने खुलासा किया कि स्मृति एक स्थिर "मैनिफोल्ड" (manifold), नेटवर्क के गणितीय स्थान में एक घुमावदार सतह के भीतर रखी गई थी। इस सतह के भीतर, गतिविधि एक घाटी में लुढ़कते और नीचे स्थिर होते हुए एक गेंद की तरह व्यवहार करती थी। इसे 'अट्रैक्टर स्टेट' (attractor state) के रूप में जाना जाता है। भले ही मस्तिष्क अन्य, अलग-अलग संकेतों के साथ समय के बीतने को भी प्रोसेस कर रहा था, आकृतियों की वास्तविक स्मृति इन स्थिर, स्व-सुधारात्मक अवस्थाओं द्वारा थामी गई थी।
यह साबित करने के लिए कि ये अवस्थाएं वास्तव में स्थिर थीं और केवल क्षणिक घटनाओं का एक क्रम नहीं थीं, शोधकर्ताओं ने एक आभासी प्रयोग किया। उन्होंने अपने प्रशिक्षित मॉडल को एक छोटा, सिम्युलेटेड झटका दिया, जो उस तरह का हो सकता है जैसा कि एक वैज्ञानिक वास्तविक बंदर में न्यूरॉन्स के एक समूह को उत्तेजित करने के लिए प्रकाश का उपयोग करके कर सकता है। उन्होंने पाया कि यदि झटके ने गतिविधि को उसके पथ से थोड़ा विचलित कर दिया, तो सिस्टम स्वाभाविक रूप से खुद को सही स्मृति अवस्था में वापस ले आया, ठीक वैसे ही जैसे घाटी में एक गेंद वापस नीचे की ओर लुढ़कती है। हालांकि, यदि उन्होंने गतिविधि को स्थिर सतह के एक विशिष्ट दिशा में धकेला, तो मॉडल की स्मृति स्थायी रूप से एक नए मान में बदल गई। यह एक अट्रैक्टर सिस्टम की पहचान है: यह छोटी त्रुटियों का विरोध करता है लेकिन नियंत्रित परिवर्तनों की अनुमति देता है।
अध्ययन बताता है कि मस्तिष्क स्मृति के लिए किसी एक तंत्र पर निर्भर नहीं करता है। इसके बजाय, यह एक हाइब्रिड रणनीति का उपयोग करता है जहाँ स्थिर अट्रैक्टर स्टेट्स स्मृति की विशिष्ट सामग्री को थामे रखते हैं, जबकि नेटवर्क के अन्य हिस्से अनुक्रम के समय और प्रवाह को संभालते हैं। यह खोज इस विचार को चुनौती देती है कि वर्किंग मेमोरी पूरी तरह से एक क्षणिक, बदलते हुए क्रम की घटना है। यह इंगित करता है कि अनुक्रम की वस्तुओं को थामे रखने के लिए, मस्तिष्क के पास स्थिर एंकर होने चाहिए जो सूचना को शोर (noise) से सुरक्षित रखते हैं, भले ही समय बीत रहा हो। शोधकर्ताओं ने यह भी उल्लेख किया कि उनका मॉडल भविष्यवाणी करता है कि यदि वैज्ञानिक विलंब अवधि के दौरान मस्तिष्क पर एक संक्षिप्त, लक्षित विक्षोभ (perturbation) लागू करते हैं, तो वे अनुक्रम के एक आइटम की बंदर की स्मृति को अन्य को प्रभावित किए बिना चुनिंदा रूप से बदल सकते हैं। यह भविष्य के प्रयोगों के लिए एक स्पष्ट, परीक्षण योग्य भविष्यवाणी प्रदान करता है कि क्या जीवित मस्तिष्क में यह अट्रैक्टर संरचना मौजूद है।
अंततः, यह कार्य स्मृति के दो प्रतिस्पर्धी दृष्टिकोणों के बीच के अंतर को पाटता है। यह दिखाता है कि मस्तिष्क अतीत का एक स्थिर प्रतिनिधित्व बनाए रख सकता है, जिसके लिए हर एक न्यूरॉन को निरंतर एक स्थिर दर पर फायर करने की आवश्यकता नहीं है। स्मृति को विशिष्ट, स्थिर क्षेत्रों में व्यवस्थित करके, मस्तिष्क यह सुनिश्चित करता है कि हमें जिस सूचना की आवश्यकता है वह सुलभ और सटीक बनी रहे, भले ही हमारे आसपास की दुनिया बदल रही हो। शोधकर्ताओं का दृष्टिकोण, जिसमें वास्तविक जैविक डेटा द्वारा कड़ाई से प्रतिबंधित मॉडल बनाना शामिल है, यह समझने का एक शक्तिशाली नया तरीका प्रदान करता है कि वे छिपे हुए नियम कैसे काम करते हैं जिनसे हमारे विचार और यादें संचालित होती हैं।
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।