Heterogeneous self-couplings enable scale-invariant memory and cognitive flexibility without criticality

मानव मस्तिष्क समय का एक उस्ताद है। यह एक सेकंड के अंश में प्रकाश की अचानक चमक पर प्रतिक्रिया कर सकता है, फिर भी यह मिनटों तक एक जटिल विचार को मन में रख सकता है या एक ऐसी कहानी बुन सकता है जो वर्षों तक चलती है। इतनी अलग-अलग गति पर कार्य करने की यह क्षमता कोई त्रुटि नहीं है; यह इस बात की एक मौलिक विशेषता है कि हम कैसे सोचते हैं, सीखते हैं और अनुकूलन करते हैं। दशकों से, वैज्ञानिक आश्चर्य कर रहे हैं कि अरबों न्यूरॉन्स का एक नेटवर्क कैसे दूर के अतीत की घटनाओं को याद रखते हुए वर्तमान क्षण के प्रति प्रतिक्रिया देने में सक्षम रहता है। एक प्रमुख सिद्धांत ने सुझाव दिया था कि मस्तिष्क को इस लचीलेपन को प्राप्त करने के लिए व्यवस्था और अराजकता के बीच एक अत्यंत महीन किनारे पर, जिसे 'क्रिटिकैलिटी' (criticality) कहा जाता है, लगातार मंडराते रहना चाहिए। हालाँकि, नया शोध इस लंबे समय से चले आ रहे दृष्टिकोण को चुनौती देता है, यह प्रस्तावित करते हुए कि मस्तिष्क अपने स्वयं के सर्किट के भीतर गति की एक अंतर्निशित विविधता के माध्यम से अपनी उल्लेखनीय समय-पालन और अनुकूलन क्षमता हासिल कर सकता है।

अक्टूबर 2026 में प्रकाशित एक अध्ययन में, फ्रांसेस्को डामियानी, गैब्रिएल डी एंटोनियो और पोंपेउ फाबरा यूनिवर्सिटी और रोम के इस्टीट्यूटो सुपरीओरे सैनिटा के उनके सहयोगियों ने एक न्यूरल नेटवर्क के कंप्यूटर मॉडल का उपयोग करके इस संभावना की खोज की। उन्होंने एक ऐसा सिस्टम बनाया जो मस्तिष्क की संरचना की नकल करता है लेकिन इसमें एक विशिष्ट प्रकार का अंतर पेश किया: इसके बजाय कि नेटवर्क का प्रत्येक हिस्सा बिल्कुल एक जैसा व्यवहार करे, उन्होंने प्रत्येक इकाई को उसके स्वयं के कनेक्शन (self-connection) की एक अलग शक्ति दी। मॉडल की भाषा में, कुछ इकाइयाँ स्वयं से मजबूती से जुड़ी हुई हैं, जिससे वे अपनी स्थिति बदलने में धीमी हो जाती हैं, जबकि अन्य ढीली तरह से जुड़ी हुई हैं, जिससे वे तेजी से प्रतिक्रिया करने में सक्षम होती हैं। टीम ने पाया कि तेज़ और धीमी इकाइयों का यह सरल मिश्रण एक ऐसा सिस्टम बनाने के लिए पर्याप्त था जो विभिन्न समय पैमानों पर अतीत को याद रख सके, बिना किसी क्रिटिकल एज (critical edge) पर ट्यून किए जाने की आवश्यकता के।

शोधकर्ताओं ने पाया कि जब इन इकाइयों को स्वयं-कनेक्शन के सही मिश्रण के साथ व्यवस्थित किया जाता है, तो नेटवर्क की स्मृति एक अनुमानित, समान तरीके से लुप्त नहीं होती है। इसके बजाय, पिछले इनपुट की स्मृति धीरे-धीरे और निरंतर घटती है, एक ऐसे पैटर्न का पालन करती है जहाँ दूर के अतीत का प्रभाव वर्तमान पर एक धुंधला प्रभाव बनाए रखता है। इसे वैज्ञानिक 'स्केल-इनवेरिएंट मेमोरी' (scale-invariant memory) कहते हैं। इसका अर्थ है कि सिस्टम किसी भी गति से आने वाली जानकारी को संभाल सकता है, चाहे वह क्लिकों की एक तीव्र श्रृंखला हो या एक धीमी, लंबी बातचीत, बिना पुनर्गठित हुए। मॉडल ने दिखाया कि स्मृति का यह 'पावर-लॉ डिके' (power-law decay), जो वास्तविक मस्तिष्क गतिविधि में देखा जाता है, नेटवर्क के आंतरिक कनेक्शनों की विविधता से स्वाभाविक रूप से उत्पन्न हो सकता है, न कि पूरे सिस्टम को अराजकता के कगार पर संतुलित करने की आवश्यकता के कारण।

यह परीक्षण करने के लिए कि क्या यह स्मृति वास्तव में उपयोगी थी, टीम ने अपने मॉडल को चुनौतियों की एक श्रृंखला के माध्यम से परखा। सबसे पहले, उन्होंने इसे एक अल्पकालिक स्मृति कार्य दिया जहाँ इसे विभिन्न गतियों पर प्रस्तुत छह अलग-अलग संकेतों के अनुक्रम को याद रखना था। एक मानक नेटवर्क, जहाँ सभी हिस्से समान होते हैं, संकेतों के तेज़ या धीमे होने पर संघर्ष करता था और जो उसने देखा उसे जल्दी भूल जाता था। स्थिरता के किनारे पर ट्यून किया गया एक नेटवर्क बेहतर प्रदर्शन करता था लेकिन वह नाजुक था। इसके विपरीत, विविध स्वयं-कनेक्शन वाले मॉडल ने अनुक्रम को मजबूती से याद रखा, समय के बावजूद। यह पहले संकेत को अंतिम संकेत की तरह ही अच्छी तरह से बनाए रख सका, भले ही उनके बीच का अंतराल एक एकल इकाई की गति से बीस गुना अधिक लंबा था। इसने प्रदर्शित किया कि गतियों का मिश्रण नेटवर्क को वर्तमान के प्रति अपनी प्रतिक्रिया करने की क्षमता खोए बिना अतीत का एक स्थिर रिकॉर्ड बनाए रखने में मदद करता है।

शोधकर्ताओं ने इस परीक्षण को एक कदम आगे बढ़ाया, मॉडल को संज्ञानात्मक लचीलेपन के एक क्लासिक पहेली, विस्कॉन्सिन कार्ड सॉर्टिंग टेस्ट (Wisconsin Card Sorting Test) को हल करने के लिए कहा। इस कार्य में, एक व्यक्ति को रंग या आकार जैसे नियम के आधार पर कार्डों को छाँटना होता है। नियम अप्रत्याशित रूप से बदल जाता है, और व्यक्ति को फीडबैक, जैसे कि एरर सिग्नल के आधार पर नया नियम समझना होता है। इसके लिए वर्तमान संदर्भ को मन में रखने और साथ ही तुरंत स्विच करने के लिए तैयार रहने की आवश्यकता होती है। मॉडल ने इस कार्य को सफलतापूर्वक पूरा किया क्योंकि इसने कार्डों द्वारा देखे गए निर्णयों के लिए अपनी तेज़ इकाइयों का उपयोग किया, जबकि इसकी धीमी, स्वयं-जुड़ी इकाइयाँ वर्तमान नियम को मन में रखने के लिए एक स्थिर भंडार (reservoir) के रूप में कार्य करती रहीं। जब एक त्रुटि हुई, तो नेटवर्क अपने आंतरिक 'अट्रैक्टर' (attractor) में स्थानांतरित हो सका, जिससे प्रभावी रूप से अपने पूरे ढांचे को पुनर्गठित किए बिना अपना नियम बदल लिया। इसकी संदर्भ बदलने की यह क्षमता सीधे नेटवर्क की आंतरिक विविधता से उत्पन्न हुई।

अध्ययन का एक महत्वपूर्ण हिस्सा अन्य तरीकों के साथ इस दृष्टिकोण की तुलना करना था जिनसे नेटवर्क में विभिन्न गतियाँ बनाई जाती हैं। टीम ने एक दूसरा मॉडल बनाया जहाँ इकाइयों की गति अलग थी क्योंकि उन्हें अलग-अलग 'टाइम कांस्टेंट' (time constants) के साथ बनाया गया था, जो विविधता को सिम्युलेट करने का एक सामान्य तरीका है। हालांकि यह दूसरा मॉडल भी पहेली को हल कर सकता था, लेकिन इसे नियमों को सीखने के लिए अपने कनेक्शनों में बहुत बड़े और व्यापक बदलावों की आवश्यकता थी। विविध स्वयं-कनेक्शन वाले मॉडल ने अपने मौजूदा ढांचे में बहुत मामूली समायोजन के साथ कार्य को सीखा। यह सुझाव देता है कि विभिन्न गतियों और स्थिर अवस्थाओं का एक अंतर्निहित परिदृश्य होना सीखने और अनुकूलन करने का एक अधिक कुशल तरीका है। यह नेटवर्क को हर बार स्थिति बदलने पर नए निर्माण करने के बजाय पूर्व-मौजूदा क्षमताओं का उपयोग करने की अनुमति देता है।

निष्कर्षों ने न्यूरोसाइंस में 'क्रिटिकैलिटी' के संबंध में एक बड़ी बहस पर भी प्रकाश डाला। वर्षों से, कई वैज्ञानिकों का मानना था कि मस्तिष्क को लचीला और शक्तिशाली होने के लिए, इसे एक 'क्रिटिकल पॉइंट' के पास काम करना चाहिए, जो एक ऐसी स्थिति है जहाँ यह बहुत अधिक कठोरता और बहुत अधिक अराजकता के बीच पूरी तरह संतुलित होता है। नए सिमुलेशन बताते हैं कि यह अनिवार्य रूप से आवश्यक नहीं है। शोधकर्ताओं ने दिखाया कि उनका मॉडल एक स्थिर, 'सब-क्रिटिकल' (sub-critical) अवस्था में रहा—जिसका अर्थ है कि यह अराजकता से सुरक्षित दूरी पर था—फिर भी इसने जटिल, स्केल-फ्री डायनेमिक्स और लचीला व्यवहार उत्पन्न किया जिसे क्रिटिकैलिटी का एकमात्र स्रोत माना जाता था। यह संकेत देता है कि मस्तिष्क को ठीक से कार्य करने के लिए रस्सी पर चलने की आवश्यकता नहीं है; इसके बजाय, यह अपनी अपनी संरचनात्मक विविधता द्वारा निर्मित समृद्ध, विविध गतिशीलता पर भरोसा कर सकता है।

यह अध्ययन इस बारे में सोचने का एक नया तरीका प्रदान करता है कि मस्तिष्क कैसे व्यवस्थित है। यह सुझाव देता है कि कॉर्टेक्स (cortex) नेटवर्कों का एक पदानुक्रम (hierarchy) हो सकता है, जहाँ निचले स्तर तेज़, तत्काल संवेदी इनपुट से निपटते हैं और उच्च स्तर धीमे, जटिल संदर्भों से निपटते हैं। यह पदानुक्रम केवल इसलिए उत्पन्न हो सकता है क्योंकि जैसे-जैसे आप मस्तिष्क की प्रोसेसिंग चेन में ऊपर बढ़ते हैं, स्वयं-कनेक्शन की शक्ति बढ़ती जाती है। उच्च क्षेत्रों में स्वाभाविक रूप से अधिक धीमी, स्थिर इकाइयाँ होंगी जो अमूर्त विचारों और नियमों को थामे रखने में सक्षम होंगी, जबकि निचले क्षेत्रों में त्वरित प्रतिक्रियाओं के लिए तेज़ इकाइयाँ होंगी। स्वयं-कनेक्शन की भिन्नता का यह एकल सिद्धांत लंबे समय तक सूचना को एकीकृत करने की मस्तिष्क की क्षमता और जटिल, अमूर्त विचार करने की इसकी क्षमता, दोनों की व्याख्या कर सकता है।

अंततः, यह कार्य इस विचार के लिए एक सम्मोहक विकल्प प्रदान करता है कि मस्तिष्क की शक्ति अराजकता के नाजुक संतुलन से आती है। इसके बजाय, यह विविधता की शक्ति की ओर संकेत करता है। केवल ऐसे हिस्सों को रखकर जो अलग-अलग गति से चलते हैं और अलग-अलग समय के लिए जानकारी को थामे रखते हैं, एक न्यूरल नेटवर्क स्वाभाविक रूप से अतीत को याद रखने, नए नियमों के अनुकूल होने और कई समय पैमानों पर जानकारी को संसाधित करने की क्षमता विकसित कर सकता है। शोधकर्ताओं के सिमुलेशन दिखाते हैं कि यह तंत्र मजबूत, कुशल और उस तरह के लचीले व्यवहार का समर्थन करने में सक्षम है जो बुद्धिमान जीवन को परिभाषित करता है, और वह भी बिना किसी क्रिटिकल एज के ट्यून किए गए सिस्टम की आवश्यकता के। मस्तिष्क, ऐसा लगता है, एक रस्सी पर चलने वाले कलाकार की तरह कम और एक गायक समूह (choir) की तरह अधिक है, जहाँ प्रत्येक स्वर अपनी गति से गाता है, जिससे एक ऐसी सामंजस्यपूर्ण ध्वनि उत्पन्न होती है जो स्थिर भी है और अनंत रूप से अनुकूलनीय भी।