A Mechanistic Theory Unifying Value and Schema in the Prefrontal Cortex
यह शोध पत्र प्रीफ्रंटल कॉर्टेक्स के एक एकीकृत यांत्रिक मॉडल का प्रस्ताव करता है जहाँ मूल्य (value) एक नियंत्रण संकेत के रूप में कार्य करता है जो लचीले, सामान्यीकरण योग्य निर्णय लेने में सक्षम करने के लिए संरचित वर्किंग मेमोरी निरूपणों को गेट करता है, एक ऐसा सिद्धांत जिसे मेटा-प्रशिक्षित आवर्ती तंत्रिका नेटवर्क द्वारा मान्य किया गया है जो अतिरिक्त सिनैप्टिक प्लास्टिसिटी की आवश्यकता के बिना इस व्यवहार को दोहराते हैं।
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
जानवर अनुकूलन के उस्ताद होते हैं। एक गिलहरी को हर बार नया अखरोट मिलने पर उसे तोड़ने का तरीका दोबारा सीखने की आवश्यकता नहीं होती है, और एक इंसान को केवल इसलिए कार चलाना फिर से सीखने की जरूरत नहीं पड़ती क्योंकि रास्ता बदल गया है। अपरिचित स्थितियों में समझदारी भरे विकल्प बनाने की यह क्षमता मस्तिष्क के एक विशिष्ट भाग पर निर्भर करती है जिसे प्रीफ्रंटल कॉर्टेक्स (prefrontal cortex) कहा जाता है। वैज्ञानिक लंबे समय से जानते हैं कि यह क्षेत्र दो चीजों के लिए महत्वपूर्ण है: यह गणना करना कि कोई विकल्प कितना अच्छा होगा (मूल्य/value) और किसी स्थिति के छिपे हुए नियमों या संरचना को समझना (जैसे कि यह जानना कि लाल बत्ती पर बाएं मुड़ना हमेशा गलत है, चाहे सड़क कोई भी हो)। दशकों तक, इन दो कार्यों को अलग-अलग पहेलियों के रूप में अध्ययन किया गया था। एक शोध रेखा इस पर केंद्रित थी कि मस्तिष्क पुरस्कारों से कैसे सीखता है, जबकि दूसरी इस पर कि वह दुनिया का मानसिक मानचित्र कैसे बनाता है। बड़ा सवाल यह बना हुआ था: मस्तिष्क वास्तव में निर्णय लेने के क्षण में इन दो उपकरणों का एक साथ उपयोग कैसे करता है?
यूनिवर्सिटी कॉलेज लंदन और यूनिवर्सिटी ऑफ ऑक्सफोर्ड के शोधकर्ताओं की एक टीम ने एक नया उत्तर प्रस्तावित किया है। उनका सुझाव है कि मस्तिष्क केवल हर संभावित क्रिया के लिए एक स्कोर की गणना नहीं करता और फिर सबसे उच्चतम को नहीं चुनता। इसके बजाय, उन्होंने पाया कि मस्तिष्क संभवतः अपने विकल्पों को एक रैंक वाली सूची की तरह व्यवस्थित करता है, जहाँ एक विकल्प का मूल्य एक नियंत्रण संकेत (control signal) के रूप में कार्य करता है जो सूची को पुनर्व्यवस्थित (shuffle) करता है। इसका परीक्षण करने के लिए, शोधकर्ताओं ने तंत्रिका नेटवर्क (neural networks) के कंप्यूटर मॉडल बनाए और उन्हें विभिन्न निर्णय लेने वाले खेल खेलने के लिए प्रशिक्षित किया। इन मॉडलों को नियम नहीं सिखाए गए थे; उन्हें खेलों की संरचना खुद सीखनी थी, ठीक वैसे ही जैसे एक जानवर सीखता है। परिणामों ने दिखाया कि सबसे सफल मॉडलों ने एक विशिष्ट आंतरिक तंत्र विकसित किया: उन्होंने उपलब्ध क्रियाओं को अलग-अलग मानसिक "स्लॉट्स" (slots) में संग्रहीत किया और प्रत्येक क्रिया कितनी अच्छी लगती है, इसके आधार पर उन स्लॉट्स को लगातार पुनर्व्यवस्थित किया।
शोधकर्ताओं ने पाया कि इन सफल मॉडलों में, मस्तिष्क प्रत्येक क्रिया को एक निश्चित वस्तु के रूप में नहीं मानता जिसका एक स्थायी स्कोर जुड़ा हो। इसके बजाय, यह एक गतिशील प्रणाली बनाता है जहाँ क्रियाएं स्वयं परिवर्तनशील होती हैं। कल्पना कीजिए कि दराजों का एक सेट है जिसमें सामग्री को बदला जा सकता है। मॉडल ने सबसे अच्छे विकल्प को शीर्ष दराज में, दूसरे सबसे अच्छे को बीच में, और सबसे खराब को नीचे रखने के लिए सीखा। महत्वपूर्ण रूप से, मॉडल में "मूल्य" (value) का संकेत केवल एक संख्या के रूप में वहां नहीं बैठा था; यह एक स्विच की तरह कार्य करता था। जब मॉडल को फीडबैक मिला कि उसका शीर्ष विकल्प अब सबसे अच्छा नहीं रहा, तो मूल्य संकेत ने एक बदलाव (swap) को ट्रिगर किया, जिससे पुराने शीर्ष विकल्प को नीचे धकेल दिया गया और नए सबसे अच्छे विकल्प को ऊपर खींच लिया गया। इसने मॉडल को बिना नियमों को दोबारा सीखे, नई स्थितियों के अनुकूल होने में सक्षम बनाया। यदि किसी खेल के नियम बदले, तो मॉडल ने अपने मौजूदा विकल्पों की सूची को बस पुनर्व्यवस्थित किया, पहले से सीखी गई उसी अंतर्निहित तर्क का उपयोग करते हुए।
यह खोज तंत्रिका विज्ञान (neuroscience) के एक लंबे समय से चले आ रहे दृष्टिकोण को चुनौती देती है। पारंपरिक रूप से, वैज्ञानिकों का मानना था कि मस्तिष्क एक विशिष्ट क्रिया और उसके पुरस्कार के बीच संबंध को मजबूत करके सीखता है, ठीक वैसे ही जैसे एक कुत्ता सीखता है कि एक विशेष ट्रिक से इनाम मिलता है। उस पुराने दृष्टिकोण में, यदि कुत्ते ने सीखा कि "बैठना" अच्छा है, तो वह संबंध हार्ड-वायर्ड (hard-wired) था। नया मॉडल कुछ अलग सुझाव देता है। शोधकर्ताओं ने पाया कि उनके मॉडल ने विशिष्ट क्रियाओं के साथ मूल्य को जोड़ने के बजाय, मूल्य को एक रैंक (rank) से जोड़ने का सीखा। इस दृष्टिकोण में, मस्तिष्क "सबसे अच्छा विकल्प" और "दूसरा सबसे अच्छा विकल्प" की अवधारणा को पहचानने के लिए सीखता है, चाहे वे विकल्प वास्तव में कुछ भी हों। यह समझाता है कि जानवर इतनी जल्दी अपनी सीख को सामान्य (generalize) कैसे कर लेते हैं। यदि एक बंदर सीखता है कि एक विशिष्ट फल एक संदर्भ में सबसे अच्छा विकल्प है, तो वह एक पूरी तरह से अलग फलों के सेट के संदर्भ में भी उसी तर्क को तुरंत लागू कर सकता है, बस नए विकल्पों को उसी आंतरिक नियम के आधार पर पुनर्गठित करके।
यह साबित करने के लिए कि यह तंत्र वास्तविक था और केवल उनके कंप्यूटर कोड की कोई विचित्रता नहीं थी, शोधकर्ताओं ने मॉडलों पर "सर्जरी" प्रयोग किए। उन्होंने नेटवर्क की छिपी हुई परतों तक पहुँच बनाई और मैन्युअल रूप से मानसिक स्लॉट्स में संग्रहीत जानकारी को बदल दिया। जब उन्होंने शीर्ष स्लॉट की सामग्री को निचले स्लॉट की सामग्री के साथ बदला, तो मॉडल का व्यवहार बिल्कुल वैसा ही बदला जैसा अनुमान लगाया गया था। वह तुरंत उस क्रिया को चुनने लगा जिसे ऊपर लाया गया था, और उस क्रिया को अनदेखा कर दिया गया जो पहले वहां थी। इसने पुष्टि की कि मॉडल केवल एक स्कोर की गणना नहीं कर रहा था और फिर विजेता को नहीं चुन रहा था; वह वास्तव में मूल्य संकेत के आधार पर क्रिया आदेशों को भौतिक रूप से इधर-उधर घुमा रहा था। शोधकर्ताओं ने मॉडलों का अधिक जटिल कार्यों पर भी परीक्षण किया, जैसे कि ऐसे खेल जहाँ नियम एक अनुमानित पैटर्न में बदलते हैं या जहाँ एक विकल्प का मूल्य आपको दूसरे का मूल्य बताता है। हर मामले में, जिन मॉडलों ने इस रैंक वाले, शफलिंग सिस्टम का उपयोग किया, वे ही समस्याओं को कुशलतापूर्वक हल करने और नए बदलावों के अनुकूल होने में सक्षम थे।
अध्ययन ने यह भी देखा कि यह वास्तविक पशु मस्तिष्क में हम जो देखते हैं, उससे कैसे तुलना करता है। शोधकर्ताओं ने नोट किया कि उनके मॉडल सूचना को जिस तरह से व्यवस्थित करते थे, वह बंदरों के प्रीफ्रंटल कॉर्टेक्स में रिकॉर्ड किए गए न्यूरॉन्स के फायरिंग पैटर्न से मेल खाता है। उन वास्तविक मस्तिष्कों में, वैज्ञानिकों ने ऐसे न्यूरॉन्स देखे हैं जो विशेष रूप से "सबसे अच्छे" विकल्प के लिए फायर करते हैं, अन्य "दूसरे सबसे अच्छे" के लिए, और अन्य "सबसे खराब" के लिए, चाहे वास्तविक विकल्प कुछ भी हों। यह जैविक प्रमाण इस विचार का समर्थन करता है कि मस्तिष्क एक रैंक प्रणाली का उपयोग करता है। शोधकर्ताओं ने यह भी बताया कि यह प्रणाली अविश्वसनीय रूप से कुशल है क्योंकि यह "क्या" (क्रिया) को "कितना अच्छा" (मूल्य) से अलग करती है। यह अलगाव का अर्थ है कि मस्तिष्क पूरी तरह से नई समस्याओं के लिए उन्हीं सीखने के नियमों का पुन: उपयोग कर सकता है, जो बदलती दुनिया में जीवित रहने के लिए आवश्यक क्षमता है।
मूल्य और संरचना की अवधारणाओं को एकीकृत करके, यह कार्य एक स्पष्ट चित्र प्रस्तुत करता है कि मस्तिष्क लचीलापन कैसे प्राप्त करता है। यह सुझाव देता है कि प्रीफ्रंटल कॉर्टेक्स एक ऐसे कैलकुलेटर की तरह कम कार्य करता है जो पुरस्कारों को जोड़ता है, बल्कि एक ट्रैफिक कंट्रोलर की तरह अधिक कार्य करता है जो सूचना के प्रवाह को लगातार पुनर्गठित करता है। एक विकल्प का मूल्य केवल एक संख्या नहीं है जिसे पढ़ा जाना है; यह एक कमांड है जो मस्तिष्क के आंतरिक कार्यक्षेत्र को पुनर्व्यवस्थित करता है। यह तंत्र तीव्र निष्कर्ष (rapid inference) की अनुमति देता है, जहाँ एक जानवर हर संभावना को आज़माने के बजाय, फीडबैक के एक एकल टुकड़े के बाद सबसे अच्छे कार्य का अनुमान लगा सकता है। शोधकर्ताओं के सिमुलेशन दिखाते हैं कि यह न केवल एक सैद्धांतिक संभावना है बल्कि एक मजबूत समाधान है जो तब उभरता है जब एक सिस्टम को लचीला होने के लिए प्रशिक्षित किया जाता है। हालाँकि अध्ययन कंप्यूटर मॉडल का उपयोग करके किया गया था, लेकिन मौजूदा जैविक डेटा के साथ इसका संरेखण बताता है कि यह रैंक वाला, शफलिंग तंत्र ही संभवतः वह तरीका है जिससे मानव मस्तिष्क दैनिक जीवन की जटिल, निरंतर परिवर्तनशील समस्याओं को हल करता 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।