A network model of path control
कीट के पंखे के आकार के शरीर से प्रेरित होकर, यह शोध पत्र एक आवर्ती तंत्रिका नेटवर्क (recurrent neural network) मॉडल प्रस्तुत करता है जो पिछले आंदोलनों की स्मृति का उपयोग करके एक एजेंट के वेग सेटपॉइंट्स (velocity setpoints) को गतिशील रूप से आकार देता है, जिससे विविध अन्वेषण पथों का सृजन और निचले स्तर के मोटर नियंत्रण का स्थिरीकरण सक्षम होता 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
कीट मस्तिष्क की शांत, अंधेरी दुनिया में, 'सेंट्रल कॉम्प्लेक्स' नामक एक छोटी संरचना दिशासूचक यंत्र (कम्पास) और मानचित्र के रूप में कार्य करती है। इस क्षेत्र के भीतर ही 'फैन-शेप्ड बॉडी' स्थित है, जो मस्तिष्क का एक ऐसा हिस्सा है जो मक्खियों और मधुमक्खियों जैसे कीटों को यह जानने में मदद करता है कि वे किस दिशा में हैं और घर कैसे पहुँचें। वैज्ञानिक लंबे समय से जानते हैं कि इस क्षेत्र में न्यूरॉन्स की परतें स्तंभों के रूप में व्यवस्थित होती हैं, जैसे कि एक किताब के पन्ने, जहाँ गतिविधि के पैटर्न जीव की दिशा और गति को कूटबद्ध (encode) करते हैं। वर्षों तक, शोधकर्ताओं का मानना था कि यह संरचना एक साधारण कैलकुलेटर की तरह काम करती है, जो जीव की सटीक स्थिति का पता लगाने के लिए उसके द्वारा उठाए गए हर कदम को जोड़ती है। 'पाथ इंटीग्रेशन' के रूप में जानी जाने वाली यह प्रक्रिया ही वह तरीका है जिससे एक भोजन खोजने वाली चींटी एक लंबी, घुमावदार यात्रा के बाद अपने घोंसले में वापस लौट पाती है। हालाँकि, हालिया अवलोकनों ने दिखाया है कि फैन-शेप्ड बॉडी एक साधारण कैलकुलेटर से कहीं अधिक जटिल है, जिसमें कई समानांतर मार्ग और जटिल संबंध शामिल हैं जो हमेशा पुराने मॉडल के पूर्ण, निरंतर ट्रैकिंग के अनुरूप नहीं होते।
हार्वर्ड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस जटिल नेटवर्क को समझने के लिए एक कंप्यूटर मॉडल बनाया है। यह मान लेने के बजाय कि मस्तिष्क केवल कदमों को जोड़ता है, उन्होंने प्रस्तावित किया कि फैन-शेप्ड बॉडी एक परिष्कृत फिल्टर के रूप में कार्य करती है जो यह आकार देती है कि एक जीव अपनी दुनिया के माध्यम से कैसे चलता है। उनके मॉडल में, एक आभासी एजेंट (virtual agent) अपनी वर्तमान गति और दिशा का प्रतिनिधित्व करने वाला एक संकेत प्राप्त करता है। यह संकेत परस्पर क्रिया करने वाले न्यूरॉन्स के एक नेटवर्क में प्रवेश करता है जो पिछली गतिविधियों को याद रखते हैं। फिर नेटवर्क इस स्मृति का उपयोग एक लक्ष्य दिशा, या एक "सेटपॉइंट" निर्धारित करने के लिए करता है जिसे एजेंट को अपनाना होता है। यदि एजेंट इस लक्ष्य से भटक जाता है, तो नेटवर्क सुधार का संकेत देता है, जिससे एजेंट की गति धीमी हो जाती है और उसे वापस सही रास्ते पर लाया जाता है। महत्वपूर्ण रूप से, एजेंट अन्य सरल प्रणालियों से भी प्रभावित होता है जो तत्काल परिवेश के प्रति प्रतिक्रिया करते हैं, जैसे कि हवा का अचानक झोंका या कोई पास का अवरोध। फैन-शेप्ड बॉडी हर छोटी हरकत को नियंत्रित नहीं करती है; इसके बजाय, यह एक उच्च-स्तरीय मार्गदर्शक प्रदान करती है जो इन निचले स्तर की प्रतिक्रियाओं को एक सुसंगत पथ में व्यवस्थित करती है।
शोधकर्ताओं ने पाया कि अपने मॉडल में न्यूरॉन्स के आपस में जुड़ने के तरीके को बदलकर, वे विविध प्रकार के संचलन पैटर्न उत्पन्न कर सकते हैं। यदि कनेक्शन इस तरह सेट किए जाते हैं कि वे हाल के अतीत को थोड़े समय के लिए याद रखें, तो एजेंट एक सीधी रेखा में चलता है लेकिन थोड़ा डगमगाता है, जिससे वह अपने आस-पास के क्षेत्र की खोज करता है। यदि कनेक्शन लंबे समय तक याद रखने के लिए ट्यून किए गए हैं, तो एजेंट अधिक निरंतर, सीधी रेखा में चलता है, जिससे वह अधिक कुशलता से अधिक क्षेत्र कवर करता है। मॉडल ने यह भी दिखाया कि सिग्नल के चरण (phase) को उलटने वाले विशिष्ट प्रकार के कनेक्शनों को शामिल करके, नेटवर्क लयबद्ध, आगे-पीछे की गति उत्पन्न कर सकता है। इस तरह का दोलन (oscillation) एक व्यवस्थित खोज के लिए उपयोगी है, जिससे एक जीव आगे बढ़ने से पहले एक छोटे क्षेत्र की पूरी तरह से जांच कर सकता है। संक्षेप में, नेटवर्क गति के इतिहास से विशेषताओं को निकालता है—जैसे कि एजेंट कितनी देर तक एक दिशा में यात्रा करता रहा है या उसने कितनी बार मोड़ लिया है—और उस जानकारी का उपयोग यात्रा के समग्र आकार को तय करने के लिए करता है।
यह कार्य सुझाव देता है कि फैन-शेप्ड बॉडी केवल स्थिति का निष्क्रिय रिकॉर्डर नहीं है, बल्कि व्यवहार को आकार देने वाला एक सक्रिय कारक है। यह एक कीट को दो प्रतिस्पर्धी जरूरतों के बीच संतुलन बनाने में सक्षम बनाता है: नए क्षेत्र को तेजी से खोजने की इच्छा और एक विशिष्ट स्थान की सावधानीपूर्वक खोज करने की आवश्यकता। उनका मॉडल दर्शाता है कि मस्तिष्क विभिन्न समय पैमानों (time scales) के माध्यम से गति के इतिहास को फ़िल्टर करके यह हासिल कर सकता है। उदाहरण के लिए, यदि कोई कीट भोजन के स्रोत को देखता है जो प्रकट होता है और गायब हो जाता है, तो नेटवर्क जीव को उस स्रोत की ओर अपना मार्ग बनाए रखने में मदद कर सकता है, भले ही संकेत अस्थायी रूप से लुप्त हो जाए। पिछली दृष्टि की दिशा को याद रखकर, नेटवर्क गति को स्थिर करता है, जिससे अंतराल के दौरान जीव बिना किसी उद्देश्य के भटकने से बच जाता है। लक्ष्य को बाधाओं के बावजूद थामे रखने की यह क्षमता समय के साथ व्यवहार को व्यवस्थित करने वाली एक प्रकार की स्मृति है।
यह अध्ययन इस बात पर भी प्रकाश डालता है कि मस्तिष्क सूचना का प्रतिनिधित्व करने और क्रिया उत्पन्न करने के बीच एक मौलिक अंतर है। इस मॉडल में, न्यूरॉन्स दुनिया का कोई नक्शा या निर्देशांकों (coordinates) की सूची स्पष्ट रूप से संग्रहीत नहीं करते हैं। इसके बजाय, वे केवल गति के प्रवाह को संसाधित करते हैं, ऐसी गतिविधि पैटर्न बनाते हैं जो स्वाभाविक रूप से विशिष्ट प्रकार के पथों की ओर ले जाते हैं। यह दृष्टिकोण मस्तिष्क के अन्य हिस्सों, जैसे कि मोटर कॉर्टेक्स, के काम करने के तरीके को दर्शाता है, जहाँ ध्यान सटीक गंतव्य की गणना करने के बजाय गति के लिए सही गतिशीलता (dynamics) उत्पन्न करने पर होता है। शोधकर्ताओं ने दिखाया कि जब ये तंत्रिका गतिशीलता (neural dynamics) शरीर की भौतिक गति के साथ जुड़ती है, तो वे एक बंद लूप (closed loop) बनाती हैं जहाँ अतीत भविष्य को प्रभावित करता है। एजेंट केवल वर्तमान क्षण में दुनिया के प्रति प्रतिक्रिया नहीं दे रहा है; वह इस बात की स्मृति लेकर चल रहा है कि वह कहाँ रहा है, और वह स्मृति उसे भविष्य के पथ की ओर सूक्ष्मता से निर्देशित करती है।
अंततः, यह शोध कीट मस्तिष्क में नेविगेशन और निर्णय लेने के बारे में सोचने का एक नया तरीका प्रदान करता है। यह सुझाव देता है कि फैन-शेप्ड बॉडी में कनेक्शनों का जटिल जाल एक जीव को अपने पर्यावरण के अनुसार अपनी खोज रणनीति को अनुकूलित करने की अनुमति देता है। चाहे कीट को तेजी से एक बड़े क्षेत्र को कवर करने की आवश्यकता हो या किसी छोटे पैच में छिपे हुए पुरस्कार की तलाश करने की, नेटवर्क अपने आंतरिक समय (internal timing) को सही प्रकार की गति उत्पन्न करने के लिए समायोजित कर सकता है। यह लचीलापन किसी केंद्रीय कमांडर द्वारा आदेश दिए जाने से नहीं, बल्कि एक ऐसे नेटवर्क की प्राकृतिक गतिशीलता से उत्पन्न होता है जो भविष्य का मार्गदर्शन करने के लिए अतीत को याद रखता है। ये निष्कर्ष एक ठोस स्पष्टीकरण प्रदान करते हैं कि कैसे एक अपेक्षाकृत सरल मस्तिष्क संरचना प्रकृति में देखी जाने वाली समृद्ध, विविध और अनुकूलन योग्य व्यवहार उत्पन्न कर सकती है, जो तंत्रिका गतिविधि और उन जटिल पथों के बीच के अंतर को पाटती है जिनसे जीव गुजरते 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।