A neural circuit algorithm for action grammar
बंदरों के प्रयोगों से प्रेरित, यह अध्ययन प्रदर्शित करता है कि एक आवर्ती तंत्रिका नेटवर्क (recurrent neural network) लंबवत दिशाओं में प्रारंभिक अवस्थाओं की योजना बनाकर, विशिष्ट मैनिफोल्ड्स पर आकृतियों को निष्पादित करके और संक्रमणों के दौरान अनुक्रम मापदंडों को संरक्षित करके नियम-आधारित क्रिया अनुक्रम उत्पन्न करता है, जिससे एक प्रतीकात्मक व्याकरण एल्गोरिदम के तंत्रिका परिपथ कार्यान्वयन का पता चलता 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
मानव मस्तिष्क पैटर्न का एक उस्ताद है, जो नियमों के एक सीमित सेट से विविध प्रकार के व्यवहार उत्पन्न करने में सक्षम है। अमूर्त निर्देशों का पालन करने की यह क्षमता—जैसे कि शब्दों को वाक्यों में व्यवस्थित करने वाला व्याकरण या वह क्रम जो गतिविधियों की एक श्रृंखला को एक सुसंगत क्रिया में बदल देता है—बुद्धिमत्ता की एक पहचान है। जबकि आधुनिक आर्टिफिशियल इंटेलिजेंस ने पैटर्न पहचानने में जबरदस्त प्रगति की है, यह मनुष्यों और जानवरों की तरह पूरी तरह से नई स्थितियों में सीखे गए नियमों को लचीले ढंग से लागू करने में अक्सर संघर्ष करता है। वैज्ञानिकों लंबे समय से संदेह करते रहे हैं कि मस्तिष्क के फ्रंटल और पैरिएटल क्षेत्र, जो योजना और संगठन से जुड़े क्षेत्र हैं, इस लचीलेपन की कुंजी रखते हैं। हालांकि, इन तंत्रिका सर्किट (neural circuits) के भीतर की विशिष्ट मशीनरी, जो एक जानवर को एक नियम सीखने और फिर उसे एक अधिक जटिल समस्या पर लागू करने की अनुमति देती है, एक रहस्य बनी हुई है। एक जैविक नेटवर्क कैसे एक सरल निर्देश को एक बहु-चरणीय योजना में अनुवादित करता है, इसे समझना विचार के अमूर्त तर्क और न्यूरॉन्स के सक्रिय होने की भौतिक वास्तविकता के बीच के अंतर को पाटने के लिए आवश्यक है।
इस तंत्र को उजागर करने के लिए, शोधकर्ताओं ने उस कार्य की ओर रुख किया जिसमें बंदरों में पहले से ही महारत हासिल है: चित्र बनाना। पिछले प्रयोगों में, मैकाक बंदरों को कई वस्तुओं, जैसे कि रेखाओं और वृत्तों वाली छवियां दिखाई गईं, और उन्हें एक नियम द्वारा निर्देशित एक विशिष्ट क्रम में उन्हें ट्रेस करने के लिए कहा गया था, जैसे कि "पहले रेखाएं, फिर वृत्त।" उल्लेखनीय रूप से, बंदरों को नियम स्पष्ट रूप से नहीं सिखाया गया था; उन्होंने इसे अनुभव से स्वयं समझा। एक बार जब उन्होंने पैटर्न सीख लिया, तो वे उन नई छवियों पर इसे लागू कर सके जिनमें उनसे अधिक वस्तुएं थीं, सफलतापूर्वक तीन वृत्तों के बाद पांच रेखाओं को ट्रेस किया, भले ही उन्होंने केवल दो रेखाओं और एक वृत्त के साथ अभ्यास किया हो। सामान्यीकरण (generalize) करने की यह क्षमता बताती है कि मस्तिष्क में 'एक्शन ग्रामर' (action grammars) सीखने और उपयोग करने का एक अंतर्निहित झुकाव है। यह देखने के लिए कि यह पर्दे के पीछे कैसे काम करता है, अनुसंधान टीम ने एक कंप्यूटर मॉडल, विशेष रूप से एक रिकरेंट न्यूरल नेटवर्क (recurrent neural network) को इसी ड्राइंग कार्य को करने के लिए प्रशिक्षित किया। मॉडल की आंतरिक गतिविधि को रिवर्स-इंजीनियर करके, उन्होंने एक सटीक, तीन-भाग वाले एल्गोरिदम की खोज की जिसका उपयोग नेटवर्क योजना बनाने और अनुक्रमों को निष्पादित करने के लिए करता है, जो एक ठोस ब्लूप्रिंट प्रदान करता है कि कैसे मस्तिष्क समान समस्याओं को हल कर सकता है।
शोधकर्ताओं ने पाया कि नेटवर्क चित्र बनाते समय केवल छवि पर प्रतिक्रिया नहीं करता है; बल्कि, पहला स्ट्रोक लगाने से पहले ही एक पूर्ण योजना तैयार करता है। जब कार्य शुरू होता है, तो नेटवर्क की आंतरिक स्थिति एक विशिष्ट शुरुआती स्थिति में स्थानांतरित हो जाती है जो पूरे भविष्य के अनुक्रम को एनकोड करती है। नेटवर्क की गतिविधि की कल्पना एक विशाल, बहु-आयामी स्थान में एक बिंदु के रूप में करें। ड्राइंग शुरू होने से पहले, यह बिंदु एक ऐसे स्थान पर जाता है जो साथ ही दो सूचनाओं को धारण करता है: कितनी रेखाएं खींची जानी हैं और कितने वृत्त खींचे जाने हैं। महत्वपूर्ण रूप से, ये दोनों संख्याएं इस स्थान के भीतर अलग-अलग, स्वतंत्र दिशाओं में संग्रहीत होती हैं, ठीक वैसे ही जैसे एक मानचित्र उत्तर-दक्षिण और पूर्व-पश्चिम अक्षों का उपयोग करके किसी बिंदु का पता लगाता है। यह प्रारंभिक स्थितििंग एक उच्च-स्तरीय ब्लूप्रिंट के रूप में कार्य करती है, यह सुनिश्चित करती है कि नेटवर्क को यह पता हो कि शुरू करने से पहले प्रत्येक आकार के कितने दोहराव की आवश्यकता है।
एक बार ड्राइंग शुरू होने के बाद, नेटवर्क वर्तमान आकार के लिए समर्पित एक विशिष्ट पथ के साथ आगे बढ़कर योजना को निष्पादित करता है। यदि नियम रेखाओं को पहले खींचना है, तो नेटवर्क की गतिविधि एक "रेखा" पथ के साथ चलती है, और तब तक क्रिया को दोहराती है जब तक कि उस पथ के अंत तक की दूरी इसकी अनुमति देती है। नेटवर्क जोर से गिनती नहीं करता है; बल्कि, इस पथ पर इसे जो दूरी तय करनी होती है, वह सीधे उन दोहरावों की संख्या के अनुरूप होती है जिन्हें इसे करना है। जैसे-जैसे यह आगे बढ़ता है, यह रेखा के पथ के अंत तक पहुँचने तक दूरी को धीरे-धीरे समाप्त करता जाता है। इस सटीक क्षण पर, नेटवर्क अगले चरण में संक्रमण करता है। यह वृत्तों के लिए समर्पित एक अलग पथ पर कूद जाता है। इस प्रणाली की प्रतिभा इसके संक्रमण को संभालने के तरीके में निहित है: यह छलांग इतनी व्यवस्थित और समानांतर है कि यह इस जानकारी को सुरक्षित रखती है कि कितने वृत्त शेष हैं। नेटवर्क वृत्तों के पथ के प्रारंभ में एक ऐसी दूरी पर पहुँचता है जो ठीक उतनी ही है जितने वृत्त उसे बनाने की आवश्यकता है, जिससे वह गिनती खोए बिना अनुक्रम को जारी रख पाता है।
यह तंत्र तीन अलग-अलग प्रकार की तंत्रिका गतिविधियों पर निर्भर करता जो एक साथ काम करती हैं। कुछ न्यूरॉन्स यह पहचानने के लिए समर्पित हैं कि वर्तमान में कौन सा आकार बनाया जा रहा है, जो प्रभावी रूप से नेटवर्क के मोड को "रेखा" से "वृत्त" में बदलते हैं। अन्य वर्तमान स्ट्रोक की प्रगति को ट्रैक करते हैं, जो संकेत देते हैं कि कितने दोहराव शेष हैं। अंत में, न्यूरॉन्स का एक विशिष्ट समूह आकृतियों के बीच के सीमांत बिंदु पर अत्यधिक सक्रिय हो जाता है, जो एक ट्रिगर के रूप में कार्य करता है जो नेटवर्क को एक पथ से दूसरे पथ पर ले जाता है। शोधकर्ताओं ने देखा कि जैसे-जैसे नेटवर्क रेखाओं के अनुक्रम के अंत के करीब पहुंचता है, वह निषेध (inhibition) जो आमतौर पर "वृत्त" न्यूरॉन्स को दबाता है, कमजोर हो जाता है, जिससे उन्हें सक्रिय होने और नियंत्रण लेने की अनुमति मिलती। यह निर्बाक हैंडऑफ सुनिश्चित करता है कि स्विच के दौरान आगामी आकार की गिनती कभी भी नहीं खोती है। अध्ययन बताता है कि मस्तिष्क जटिल व्यवहारों को व्यवस्थित करने के लिए 'ऑर्थोगोनल प्लानिंग' (orthogonal planning) और 'पैरेलल ट्रांजिशन' (parallel transitions) की इसी तरह की रणनीति का उपयोग करता है, जिससे यह नियमों के एक सरल सेट से अनंत विविधताओं को उत्पन्न कर सकता है।
इस खोज के निहितार्थ इस ड्राइंग कार्य से परे हैं। शोधकर्ताओं ने जिस तंत्र को उजागर किया है वह एक मूर्त स्पष्टीकरण प्रदान करता है कि कैसे मस्तिष्क अपने चरणों को निष्पादित करते समय एक मानसिक कार्यक्रम को बनाए रख सकता है। यह दिखाता है कि मस्तिष्क को पूरे अनुक्रम की बार-बार गणना करने की आवश्यकता नहीं है; इसके बजाय, यह एक प्रारंभिक अवस्था निर्धारित करता है जिसमें पूर्ण योजना होती है और फिर यह उस योजना को चलाने के लिए तंत्रिका सर्किट की गतिशीलता को चलने देता है। यह दृष्टिकोण उल्लेखनीय लचीलापन प्रदान करता है: यदि समस्या बदलती है और अधिक दोहराव की आवश्यकता होती है, तो नेटवर्क बस उन्हीं पथों पर और आगे से शुरू कर सकता है, उसी अंतर्निहित मशीनरी का उपयोग करते हुए। हालांकि वर्तमान अध्ययन ने एक कंप्यूटर सिमुलेशन का उपयोग करके इसे प्रदर्शित किया है, मॉडल द्वारा अनुमानित गतिविधि के विशिष्ट पैटर्न—जैसे कि संख्याओं का ऑर्थोगोनल एनकोडिंग और आकृतियों के बीच समानांतर संक्रमण—जीवित मस्तिष्क के भविष्य के प्रयोगों के लिए स्पष्ट, परीक्षण योग्य भविष्यवाणियां प्रदान करते हैं। एक तंत्रिका सर्किट कैसे एक प्रतीकात्मक एल्गोरिदम को लागू कर सकता है, इसे प्रकट करके, यह कार्य हमें मानव बुद्धि और सीखने, अनुकूलन करने और निर्माण करने की क्षमता के जैविक आधार को समझने के करीब लाता 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।