Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space
यह शोध पत्र स्विचिंग शेयर्ड लेटेंट डायनेमिक्स (SSLD) को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो गैररेखीय स्विचिंग डायनेमिक्स के साथ एक व्याख्या योग्य साझा लेटेंट स्पेस को सीखता है ताकि विविध प्रयोगात्मक डेटासेट्स में मोडैलिटी-विशिष्ट परिवर्तनशीलता को अलग करते हुए उच्च-आयामी तंत्रिका गतिविधि और व्यवहार के बीच संबंध को एक साथ मॉडल किया जा सके।
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
मस्तिष्क एक विशाल, शोर भरा यंत्र है। किसी भी क्षण, अरबों न्यूरॉन्स जटिल पैटर्न में सक्रिय होते हैं, जिससे एक ऐसा संकेत उत्पन्न होता है जो रेडियो पर आने वाले स्टैटिक (static) की तरह दिखता है। फिर भी, उस अराजकता के भीतर, कोशिकाओं के विशिष्ट समूह हमारे आंदोलनों, निर्णयों और संवेदनाओं को संचालित करने के लिए मिलकर काम करते हैं। दशकों से, वैज्ञानिक उस छिपे हुए सूत्र को खोजने का प्रयास कर रहे हैं जो इस तंत्रिका शोर (neural noise) को जीव के स्वच्छ, अवलोकन योग्य कार्यों से जोड़ता है। चुनौती यह है कि मस्तिष्क केवल व्यवहार पर प्रतिक्रिया ही नहीं देता; यह अपने स्वयं के आंतरिक लय और उतार-चढ़ाव भी उत्पन्न करता है जिनका जीव द्वारा वर्तमान में किए जा रहे कार्य से कोई लेना-देना नहीं होता। मस्तिष्क व्यवहार को कैसे नियंत्रित करता है, इसे समझने के लिए शोधकर्ताओं को पहले उस संकेत को अलग करना होगा जो महत्वपूर्ण है और उसे हटाना होगा जो महत्वपूर्ण नहीं है। उन्हें मस्तिष्क और शरीर के बीच साझा भाषा को खोजने का एक तरीका चाहिए, और फिर यह समझना होगा कि कैसे वह भाषा तब बदल जाती है जब जीव एक अवस्था से दूसरी अवस्था में जाता है, जैसे कि विश्राम से लक्ष्य की ओर हाथ बढ़ाने की अवस्था में।
येल यूनिवर्सिटी और यूसीएलए (UCLA) के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नई विधि विकसित की है, जिसे 'स्विचिंग शेयर्ड लेटेंट डायनेमिक्स' (Switching Shared Latent Dynamics) कहा जाता है। कल्पना कीजिए कि आप दो लोगों के बीच की बातचीत को समझने की कोशिश कर रहे हैं, जिसमें उनकी आवाज़ों के साथ एक व्यस्त सड़क का शोर भी मिला हुआ है। यह नई विधि एक परिष्कृत फिल्टर की तरह कार्य करती है जो सड़क के शोर से दोनों वक्ताओं की आवाज़ों को अलग कर सकती है, और साथ ही यह भी ट्रैक कर सकती है कि विषय बदलने पर उनकी बातचीत कैसे बदलती है। इस मामले में, "वक्ता" मस्तिष्क की तंत्रिका गतिविधि और जीव का व्यवहार हैं, और "सड़क का शोर" मस्तिष्क की वह आंतरिक गतिविधि है जिसका वर्तमान कार्य से कोई संबंध नहीं है। शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया जो मस्तिष्क में उन विशिष्ट पैटर्न की पहचान करना सीखता है जो सीधे तौर पर जीव द्वारा किए जा रहे कार्य से जुड़े हैं, जबकि बाकी को अनदेखा कर देता है। महत्वपूर्ण रूप से, यह मॉडल पहचानता है कि ये पैटर्न स्थिर नहीं रहते; वे अलग-अलग मोड के बीच स्विच करते हैं, ठीक वैसे ही जैसे एक कार गियर बदलती है, इस आधार पर कि जीव आंदोलन की तैयारी कर रहा है, आंदोलन को निष्पादित कर रहा है, या विश्राम कर रहा है।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण चार बहुत अलग डेटा सेटों पर किया ताकि यह देखा जा सके कि क्या यह वास्तविक दुनिया में टिक पाता है। उन्होंने एक कंप्यूटर सिमुलेशन से शुरुआत की जहाँ उन्हें सटीक उत्तर पता था, और मॉडल ने सफलतापूर्वक छिपे हुए पैटर्न और उन क्षणों को खोज निकाला जब सिस्टम मोड बदल रहा था। इसके बाद वे बंदरों से जुड़े वास्तविक प्रयोगों की ओर बढ़े। एक प्रयोग में, बंदरों ने सत्ताइस अलग-अलग दिशाओं में लक्ष्यों की ओर हाथ बढ़ाया। मॉडल ने मोटर और प्रीमोटर कॉर्टेक्स में 180 न्यूरॉन्स की विद्युत गतिविधि का विश्लेषण किया जबकि बंदर अपने हाथ हिला रहे थे। उसने पाया कि हाथ की गति के बारे में जानकारी मस्तिष्क की गतिविधि के एक विशिष्ट भाग में केंद्रित थी जिसे मॉडल ने मस्तिष्क और शरीर के बीच "साझा" (shared) के रूप में पहचाना था। मस्तिष्क की शेष गतिविधि, जिसे मॉडल ने न्यूरॉन्स के लिए "निजी" (private) बताया, उसमें जटिल पैटर्न थे जो हाथ की गति की भविष्यवाणी नहीं कर सकते थे। इसने पुष्टि की कि मॉडल व्यवहार को चलाने वाले संकेतों को मस्तिष्क की आंतरिक गपशप से सफलतापूर्वक अलग कर सकता है।
एक दूसरे बंदर प्रयोग में, जानवरों ने एक ऐसा कार्य किया जिसमें उन्हें एक बल (force) के विरुद्ध धक्का देना था, एक ऐसी स्थिति जिसमें सक्रिय आंदोलन और निष्क्रिय प्रतिरोध दोनों शामिल हैं। मॉडल फिर से सफल रहा, जिसने कार्य के चरणों से मेल खाने वाली गतिविधि के विशिष्ट कालखंडों की पहचान की, जैसे कि आंदोलन करने से पहले का क्षण और धक्का देने का क्षण। शोधकर्ताओं ने पाया कि मॉडल की इन बदलावों को पहचानने की क्षमता उन पुराने तरीकों से कहीं बेहतर थी जो व्यवहार के बारे में कुछ भी जाने बिना पैटर्न खोजने की कोशिश करते थे, या उन तरीकों से जो मस्तिष्क की गतिविधि को एक एकल, अपरिवर्तनीय प्रवाह मानते थे। मॉडल को मस्तिष्क की साझा गतिविधि में इन स्विचों को देखने के लिए स्पष्ट रूप से सिखाकर, यह कार्य के दौरान मस्तिष्क की रणनीति बदलने के सटीक क्षणों को पकड़ सका।
टीम केवल बंदरों तक ही सीमित नहीं रही। उन्होंने चूहों पर भी इसी विधि को लागू किया, जिसमें एक अलग प्रकार की रिकॉर्डिंग का उपयोग किया गया जो मस्तिष्क की पूरी ऊपरी सतह पर गतिविधि को कैप्चर करती है। एक प्रयोग में, चूहों ने किसी कार्य को करने के लिए अपने निर्णय लिए, और दूसरे में, चूहे बिना किसी विशिष्ट लक्ष्य के स्वतंत्र रूप से घूम रहे थे। इन अधिक जटिल और कम नियंत्रित स्थितियों में भी, मॉडल ने काम किया। इसने तंत्रिका गतिविधि और चूहे की गतिविधियों का उच्च सटीकता के साथ पुनर्निर्माण किया। इसने पहचान लिया कि मस्तिष्क की गतिविधि का साझा हिस्सा उस जानकारी को समाहित करता था जो चूहा कर रहा था, जबकि निजी हिस्से में मस्तिष्क की शेष गतिविधि थी। जब चूहे निर्णय ले रहे थे, तो मॉडल ने मस्तिष्क की गतिशीलता में एक विशिष्ट बदलाव का पता लगाया जो कार्य करने से पहले सूचना एकत्र करने के क्षण के अनुरूप था।
परिणाम बताते हैं कि मस्तिष्क एक एकल, स्थिर अवस्था में कार्य नहीं करता है। इसके बजाय, मस्तिष्क का वह हिस्सा जो व्यवहार को नियंत्रित करता है, संचालन के विभिन्न मोड के बीच कूदता प्रतीत होता है, जो किसी कार्य के विशिष्ट चरण के लिए उपयुक्त होता है। नया मॉडल इन बदलावों के भीतर एक स्पष्ट खिड़की प्रदान करता है। यह दर्शाता है कि जब शोधकर्ता यह समझने की कोशिश करते हैं कि मस्तिष्क व्यवहार को कैसे नियंत्रित करता है, तो उन्हें साझा संकेतों में इन अलग-अलग परिवर्तनों को देखना चाहिए, न कि यह मान लेना चाहिए कि मस्तिष्क की गतिविधि एक सहज, निरंतर प्रवाह है। यह अध्ययन यह भी रेखांकित करता है कि विश्लेषण करते समय व्यवहार को अनदेखा करने से स्पष्टता की कमी होती है; व्यवहार को सीखने की प्रक्रिया में शामिल करके, मॉडल बेहतर तरीके से पहचान सकता है कि मस्तिष्क के कौन से हिस्से वास्तव में शरीर को नियंत्रित करने का कार्य कर रहे हैं। यह दृष्टिकोण मस्तिष्क के अध्ययन के लिए एक अधिक व्याख्या योग्य तरीका प्रदान करता है, जो केवल गतिविधि के विवरण से आगे बढ़कर इस गहरी समझ की ओर ले जाता है कि तंत्रिका सर्किट प्राकृतिक दुनिया में देखी जाने वाली विविध व्यवहारों को उत्पन्न करने के लिए खुद को कैसे पुनर्गठित करते 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।