Firing Without Wiring: How REM-like Sleep Reactivation Rebalances Excitation and Inhibition to Orthogonalize Memories
जैविक रूप से प्रशंसनीय आवर्ती तंत्रिका नेटवर्क (recurrent neural networks) का उपयोग करते हुए, यह अध्ययन प्रदर्शित करता है कि REM-समान निद्रा एक "पुनः सक्रियण-लक्षित छंटाई" (reactivation-targeted pruning) तंत्र के माध्यम से स्मृति सुदृढ़ीकरण को सुगम बनाती है, जहाँ हालिया स्मृतियों का पुनः सक्रियण हस्तक्षेप को कम करने और प्रतिनिधित्व को ऑर्थोगोनलाइज़ करने के लिए पुरानी स्मृति आबादी से उनके उत्तेजक इनपुट को चुनिंदा रूप से कमजोर करता है, जिसमें निरोधात्मक प्लास्टिसिटी (inhibitory plasticity) की आवश्यकता नहीं 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
हर रात, मानव मस्तिष्क विश्राम की विभिन्न अवस्थाओं से गुजरता है, जिसमें 'रैपिड आई मूवमेंट' (REM) या आरईएम नींद के रूप में जानी जाने वाली एक अवस्था शामिल है। दशकों से, वैज्ञानिक समझते आए हैं कि यह अवस्था स्मृति के लिए महत्वपूर्ण है, फिर भी इसका सटीक यांत्रिक कारण एक रहस्य बना हुआ है। हम जानते हैं कि नॉन-आरईएम (non-REM) नींद के दौरान, मस्तिष्क हाल के अनुभवों को मजबूत करने के लिए उन्हें दोहराता है, ठीक वैसे ही जैसे परीक्षा से पहले नोट्स का पुनरावलोकन करना। हालाँकि, आरईएम नींद अलग दिखती है; मस्तिष्क सक्रिय होता है, लेकिन गतिविधि के पैटर्न विशिष्ट घटनाओं को उसी व्यवस्थित तरीके से दोहराते हुए नहीं दिखाई देते हैं। इसके बजाय, कई शोधकर्ताओं ने लंबे समय से संदेह जताया है कि आरईएम नींद एक अलग, शायद अधिक सूक्ष्म उद्देश्य की पूर्ति करती है: यह एक सफाई दल (cleanup crew) के रूप में कार्य कर सकती है, जो उन स्मृतियों को अलग करती है जो बहुत समान या उलझी हुई हो गई हैं। यदि दो स्मृतियाँ बहुत अधिक विवरण साझा करती हैं, तो वे एक-दूसरे के साथ हस्तक्षेप कर सकती हैं, जिससे किसी एक को भी सटीक रूप से याद करना कठिन हो जाता है। प्रचलित सिद्धांत सुझाव देता है कि आरईएम नींद इन कनेक्शनों को सुलझाती है, यह सुनिश्चित करती है कि समान स्मृतियाँ विशिष्ट बनी रहें और एक-दूसरे को ओवरराइट न करें। इस सम्मोहक विचार के बावजूद, यह सिद्ध करना कि मस्तिष्क व्यक्तिगत कनेक्शनों के स्तर पर इस अलगाव को वास्तव में कैसे प्राप्त करता है, कठिन रहा है, क्योंकि हम वास्तविक समय में एक जीवित मानव मस्तिष्क में सूक्ष्म परिवर्तनों को नहीं देख सकते।
इस पहेली को सुलझाने के लिए, कैलिफोर्निया विश्वविद्यालय सैन डिएगो के शोधकर्ताओं ने कंप्यूटर सिमुलेशन की ओर रुख किया जो मस्तिष्क की सीखने की प्रक्रियाओं की नकल करते हैं। उन्होंने एक डिजिटल मस्तिष्क बनाया, जो एक प्रकार का कृत्रिम नेटवर्क है जिसे कार्यों को एक के बाद एक सीखने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे एक छात्र अनुक्रम में संख्याओं के विभिन्न जोड़ों को पहचानना सीख सकता है। इस डिजिटल दुनिया में, एक नया कार्य सीखने से अक्सर सिस्टम पुराने कार्यों को भूल जाता था, जिसे 'कैटास्ट्रोफिक फॉरगेटिंग' (catastrophic forgetting) या विनाशकारी विस्मृति के रूप में जाना जाता है। शोधकर्ताओं ने फिर प्रत्येक नए शिक्षण सत्र के बाद एक सिम्युलेटेड (कृत्रिम) नींद चरण पेश किया। यह नींद विश्राम की वह अवधि नहीं थी जहाँ सिस्टम बंद हो जाता, बल्कि यह वह समय था जब नेटवर्क को रैंडम नॉइज़ (यादृच्छिक शोर) द्वारा पुनर्सक्रिय किया गया था, जो जैविक मस्तिष्क में देखी जाने वाली अराजक फायरिंग पैटर्न की नकल करता है। इस सिम्युलेटेड नींद के दौरान, डिजिटल न्यूरॉन्स के बीच के कनेक्शनों को सरल, स्थानीय नियमों के आधार पर बदलने की अनुमति दी गई थी, बिना किसी बाहरी शिक्षक के यह बताए कि क्या सही है या क्या गलत।
इन सिमुलेशन के परिणामों ने स्मृतियों को सुरक्षित करने के एक आश्चर्यजनक तंत्र का खुलासा किया। जब डिजिटल मस्तिष्क ने एक नया कार्य सीखा, तो उस नए कार्य के लिए जिम्मेदार न्यूरॉन्स प्रभावी हो गए, जिससे उन्होंने उन इनपुट्स पर कब्जा कर लिया जो पहले पुरानी स्मृतियों के थे। यही विस्मृति का कारण बना। हालाँकि, जब सिम्युलेटेड नींद चरण शुरू हुआ, तो हाल के कार्य का प्रतिनिधित्व करने वाले न्यूरॉन्स सबसे अधिक सक्रिय हुए। इस प्रभुत्व के कारण, इन सक्रिय न्यूरॉन्स को फीड करने वाले कनेक्शनों में एक विशिष्ट प्रकार का परिवर्तन हुआ। पुराने, शांत स्मृतियों से आने वाले इनपुट्स को कमजोर कर दिया गया, जबकि हाल के, सक्रिय स्मृतियों से जुड़े कनेक्शनों को संरक्षित या थोड़ा मजबूत किया गया। यह प्रक्रिया अनावश्यक कनेक्शनों को छाँटने (pruning) का काम करती है, जिससे नई स्मृति को उन इनपुट्स से मुक्त कर दिया जाता जो उसने पुराने से चुराए थे। परिणामस्वरूप, पुरानी स्मृतियाँ फिर से अपने आप कार्य करने के लिए स्वतंत्र हो गईं, और सिस्टम दोनों नए और पुराने कार्यों को उच्च सटीकता के साथ याद कर सका।
यह तंत्र, जिसे लेखक "रीएक्टिवेशन-टारगेटेड प्रूनिंग" (reactivation-targeted pruning) कहते हैं, इस बात पर काम करता है कि प्लास्टिसिटी (कनेक्शन बदलने की क्षमता) केवल उन्हीं न्यूरॉन्स पर केंद्रित हो जो वर्तमान में सक्रिय हैं। यदि कोई न्यूरोन फायर करता है जबकि उसका इनपुट शांत है, तो उनके बीच का कनेक्शन कमजोर हो जाता है। चूंकि नवीनतम कार्य के न्यूरॉन्स नींद के दौरान सबसे अधिक सक्रिय थे, लेकिन पुराने कार्यों के न्यूरॉन्स ज्यादातर शांत थे, इसलिए पुराने कार्यों से नए कार्यों की ओर जाने वाले कनेक्शनों को चुनिंदा रूप से कमजोर कर दिया गया। इसने पुराने कार्यों को अपने समर्पित पथों को पुनः प्राप्त करने की अनुमति दी। शोधकर्ताओं ने पाया कि इस प्रक्रिया के लिए जटिल निर्देशों या किसी वैश्विक कमांड सेंटर की आवश्यकता नहीं थी; यह स्वाभाविक रूप से इस बात का परिणाम था कि स्थानीय शिक्षण नियम कैसे परस्पर क्रिया करते हैं जब एक समूह सक्रिय होता है और दूसरा नहीं। यहाँ तक कि जब उन्होंने एक ऐसा मस्तिष्क सिम्युलेट किया जहाँ केवल उत्तेजक (excitatory) कनेक्शन ही बदल सकते थे, या जहाँ जैविक वायरिंग के नियमों को सख्ती से लागू किया गया था, वही परिणाम सामने आया: नई स्मृति को पुरानी स्मृतियों से अलग कर दिया गया, और पुरानी स्मृतियों को बचा लिया गया।
अध्ययन ने यह भी दिखाया कि यह अलगाव हर एक स्मृति के लिए पूर्ण नहीं है। वे स्मृतियाँ जो नवीनतम कार्य के साथ सबसे अधिक विशेषताएं साझा करती हैं, उन्हें सुलझाना सबसे कठिन होता है, क्योंकि उनके इनपुट्स नींद के दौरान इतने सक्रिय थे कि कमजोर होने की प्रक्रिया पूरी तरह से प्रभावी नहीं हो सकी। यह वास्तविक दुनिया के अनुभवों को दर्शाता जहाँ बहुत समान चीजों को अलग करना बहुत भिन्न चीजों की तुलना में कठिन होता है। इसके अलावा, शोधकर्ताओं ने विभिन्न प्रकार के डिजिटल नेटवर्क और अधिक जटिल छवियों के साथ अपने निष्कर्षों का परीक्षण किया, और वही सिद्धांत सत्य सिद्ध हुआ। यह तंत्र किसी एक प्रकार के कंप्यूटर मॉडल के विशिष्ट गुण के बजाय, इस बात का सामान्य परिणाम प्रतीत हुआ कि कैसे स्थानीय लर्निंग रूल्स 'बायस्ड रीएक्टिवेशन' (biased reactivation) के साथ परस्पर क्रिया करते हैं।
ये निष्कर्ष तंत्रिका विज्ञान (neuroscience) के एक लंबे समय से चले आ रहे रहस्य के लिए एक ठोस, परीक्षण योग्य स्पष्टीकरण प्रदान करते हैं। वे सुझाव देते हैं कि आरईएम नींद आवश्यक रूप से विशिष्ट घटनाओं को मजबूत करने के लिए उन्हें दोहराती नहीं है, बल्कि हस्तक्षेप पैदा करने वाले कनेक्शनों को चुनिंदा रूप से कमजोर करने के लिए हाल की स्मृतियों के प्रभुत्व का उपयोग करती है। अतीत से छीने गए इनपुट्स को छाँटकर, मस्तिष्क पुरानी स्मृतियों को फिर से अपने दम पर खड़े होने की अनुमति देता है। यह प्रक्रिया सुनिश्चित करती है कि जैसे-जैसे हम नई चीजें सीखते हैं, हम पुरानी चीजों को खोते नहीं हैं, बल्कि उन्हें अलग और सुलभ बनाए रखते हैं। यह अध्ययन एक स्पष्ट ब्लूप्रिंट प्रदान करता है कि कैसे एक सिस्टम बिना भूले निरंतर सीखना जारी रख सकता है, जो कृत्रिम बुद्धिमत्ता (AI) को बेहतर बनाने और मानव मस्तिष्क द्वारा सूचना के निरंतर प्रवाह को प्रबंधित करने की हमारी समझ को गहरा करने में मदद कर सकता 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।