Feasible closed-loop stimulation for neural latent dynamics control
बायोफिज़िकली ग्राउंडेड स्पाइकिंग न्यूरल नेटवर्क के हाई-थ्रूपुट सिमुलेशन के माध्यम से, यह अध्ययन प्रदर्शित करता है कि लो-डायमेंशनल एक्चुएशन (~20% चैनल) और उत्तेजना (स्टिमुलेशन) एवं रिकॉर्डिंग के बीच संसाधनों के संतुलित आवंटन के साथ न्यूरल लेटेंट डायनेमिक्स का व्यवहार्य क्लोज्ड-लूप नियंत्रण प्राप्त करना संभव है, जो भविष्य के इन विवो (in vivo) प्रयोगों के लिए महत्वपूर्ण डिजाइन सिद्धांत प्रदान करता 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 अरबों न्यूरॉन्स का एक विशाल, शोर भरा नेटवर्क है जो जटिल पैटर्न में सक्रिय होते हैं। दशकों से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि ये अराजक संकेत कप उठाने या शब्द बोलने जैसे सुचारू, उद्देश्यपूर्ण कार्यों में कैसे परिवर्तित होते हैं। आधुनिक तंत्रिका विज्ञान (न्यूरोसाइंस) में एक शक्तिशाली विचार यह सुझाव देता है कि सतह के शोर के नीचे, मस्तिष्क गतिविधि की एक सरल, छिपी हुई परत पर कार्य करता है। इस छिपी हुई परत को अदृश्य लीवरों या "कारकों" (factors) के एक सेट के रूप में सोचें जो व्यवहार को संचालित करते हैं। यदि शोधकर्ता इन लीवरों की पहचान कर सकें और उन्हें खींचना सीख सकें, तो वे शायद यह समझ पाएंगे कि मस्तिष्क वास्तव में विशिष्ट कार्यों को कैसे संचालित करता है, बजाय इसके कि केवल गतिविधि को होते हुए देखते रहें। हालाँकि, एक बड़ी बाधा बनी हुई है: जबकि वैज्ञानिक इन छिपे हुए पैटर्न को रिकॉर्ड करने में बहुत कुशल हो गए हैं, वे उन्हें सीधे नियंत्रित करने में संघर्ष करते रहे हैं। पारंपरिक तरीकों में अक्सर मस्तिष्क में व्यापक, गैर-लक्षित संकेत भेजना या एक-एक करके व्यक्तिगत न्यूरॉन्स को नियंत्रित करने का प्रयास करना शामिल होता है, जो एक अत्यंत कठिन कार्य है और अक्सर बड़ी तस्वीर को छोड़ देता है। प्रश्न यह था कि क्या वास्तविक समय में व्यवहार को निर्देशित करने के लिए इन छिपे हुए मस्तिष्क अवस्थाओं को मोड़ना संभव है, और यदि हाँ, तो इसे करने के लिए किस प्रकार के उपकरणों की आवश्यकता होगी।
जॉर्जिया टेक और एमोरी यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक विस्तृत आभासी प्रयोगशाला बनाकर इस प्रश्न का उत्तर देने का प्रयास किया। जीवित जानवरों पर तुरंत काम करने के बजाय, जो महंगा और तकनीकी रूप से कठिन है, उन्होंने गति से जुड़े मस्तिष्क क्षेत्र का एक परिष्कृत कंप्यूटर सिमुलेशन बनाया। उन्होंने इस डिजिटल नेटवर्क को बंदर के लक्ष्य की ओर बढ़ने की गतिविधि की नकल करने के लिए प्रशिक्षित किया, जिससे कंप्यूटर को उन छिपे हुए "कारकों" को सीखने में मदद मिली जो गति को संचालित करते हैं। एक बार सिमुलेशन चलने के बाद, शोधकर्ताओं ने 'क्लोज्ड-लूप कंट्रोल' नामक एक नए दृष्टिकोण का परीक्षण किया। इस सेटअप में, कंप्यूटर लगातार मस्तिष्क की छिपी हुई अवस्था की निगरानी करता है, भविष्यवाणी करता है कि वह कहाँ जा रही है, और यदि वह अपने पथ से भटकने लगती है, तो तुरंत उसे वापस सही रास्ते पर लाने के लिए प्रकाश संकेतों (light signals) भेजता है। यह एक निरंतर चक्र में होता है, जिसमें सिस्टम परिवर्तनों के होने पर प्रतिक्रिया देता है, न कि केवल एक पूर्व-नियोजित संकेत भेजता है। लक्ष्य यह देखना था कि क्या यह विधि मस्तिष्क की छिपी हुई गतिशीलता को विशिष्ट गतिविधियों को उत्पन्न करने के लिए सफलतापूर्वक निर्देशित कर सकती है, और यह पता लगाना कि इसे सफल बनाने के लिए कितने प्रकाश स्रोतों और रिकॉर्डिंग सेंसरों की आवश्यकता होगी।
शोधकर्ताओं ने पहले सटीकता के बारे में एक मौलिक प्रश्न का समाधान किया: क्या मस्तिष्क को नियंत्रित करने के लिए प्रत्येक एकल न्यूरॉन को नियंत्रित करने की आवश्यकता है, या क्या प्रकाश स्रोतों की एक छोटी संख्या काम कर सकती है? अपने सिमुलेशन में, उन्होंने स्वतंत्र प्रकाश चैनलों की संख्या को केवल एक (जो पूरे क्षेत्र को समान रूप से प्रकाशित करेगा) से लेकर एक हजार से अधिक (जहाँ प्रत्येक न्यूरॉन को व्यक्तिगत रूप से नियंत्रित किया जा सकता है) तक बदला। उन्होंने पाया कि मस्तिष्क को सूक्ष्म प्रबंधन (micromanagement) की आवश्यकता नहीं थी। अपेक्षाकृत कम संख्या में प्रकाश स्रोतों के साथ भी—लगभग 1,024 उपलब्ध चैनलों में से 200—सिस्टम अधिकतम संभावित नियंत्रण प्रदर्शन का लगभग 85% प्राप्त कर सकता था। यह सुझाव देता है कि व्यवहार को प्रभावित करने के लिए प्रत्येक न्यूरॉन को नियंत्रित करने की आवश्यकता है, यह विचार अनावश्यक है। मस्तिष्क के छिपे हुए लीवर इतने मजबूत हैं कि उन्हें निर्देशित करने के लिए लक्षित उत्तेजना (stimulation) की एक मध्यम मात्रा पर्याप्त है, जो एक-एक करके न्यूरॉन्स को नियंत्रित करने वाले अति-उच्च-रिज़ॉल्यूशन उपकरणों में भारी निवेश करने के वर्तमान रुझान को चुनौती देता है।
अध्ययन के दूसरे भाग ने एक व्यावहारिक इंजीनियरिंग समस्या को संबोधित किया: सीमित संख्या में चैनलों को मस्तिष्क के क्या करने को रिकॉर्ड करने और उसे कुछ करने के लिए उत्तेजित करने के बीच कैसे विभाजित किया जाना चाहिए? कई वर्तमान प्रयोगों में, वैज्ञानिक मस्तिष्क को सुनने के लिए कई रिकॉर्डिंग इलेक्ट्रोड का उपयोग करते हैं लेकिन उत्तेजित करने के लिए केवल एक प्रकाश स्रोत का उपयोग करते हैं, यह मानते हुए कि बोलने से अधिक सुनना महत्वपूर्ण है। शोधकर्ताओं ने इस धारणा का परीक्षण करने के लिए 100 चैनलों के एक निश्चित कुल योग के साथ सिमुलेशन चलाए, जिन्हें रिकॉर्डिंग और उत्तेजना के बीच विभिन्न तरीकों से विभाजित किया गया था। उन्होंने पाया कि सबसे प्रभावी रणनीति संसाधनों को लगभग समान रूप से विभाजित करना था। जब सिस्टम के पास रिकॉर्डिंग सेंसर और प्रकाश स्रोतों की लगभग समान संख्या थी, तो इसने सिम्युलेटेड हाथ को सही लक्ष्य की ओर निर्देशित करने में सर्वश्रेष्ठ प्रदर्शन किया। कई सेंसरों और केवल एक प्रकाश स्रोत का उपयोग करने का सामान्य अभ्यास खराब प्रदर्शन करता है, जो कुछ न करने की तुलना में बहुत कम सुधार प्रदान करता है। यह निष्कर्ष बताता है कि मस्तिष्क की गतिविधि को वास्तव में नियंत्रित करने के लिए, शोधकर्ताओं को संकेत भेजने की क्षमता में उतना ही निवेश करने की आवश्यकता है जितना कि सुनने की क्षमता में।
इन सिमुलेशन के दौरान, शोधकर्ताओं ने अपने सिस्टम का कई अलग-अलग स्थितियों में परीक्षण किया, जिसमें न्यूरॉन्स का घनत्व, प्रकाश बीम की चौड़ाई और नियंत्रण प्रणाली को प्रशिक्षित करने के लिए उपयोग किए गए डेटा की मात्रा को बदला गया। परिणाम सुसंगत रहे: निम्न-आयामी उत्तेजना (low-dimensional stimulation) काम करती है, और संतुलित सेंसिंग एवं एक्शन अनुकूलतम है। मानक नियंत्रण विधियों के साथ और बिना किसी अत्यधिक अनुकूलन के भी, सिस्टम ने ट्रैकिंग त्रुटियों को 60% से अधिक कम कर दिया और 90% से अधिक परीक्षणों में सिम्युलेटेड गति को सफलतापूर्वक निर्देशित किया। अध्ययन ने वास्तविक समय की प्रतिक्रिया (real-time feedback) के महत्व को भी रेखांकित किया। जब शोधकर्ताओं ने एक ऐसे संस्करण का परीक्षण किया जिसने परिवर्तनों के अनुसार समायोजन किए बिना पूरी गति की योजना पहले ही बना ली थी, तो इसने काफी खराब प्रदर्शन किया, और अक्सर गति को सही ढंग से निर्देशित करने में विफल रहा। यह पुष्टि करता कि मस्तिष्क की बदलती अवस्था के प्रति तुरंत प्रतिक्रिया करने की क्षमता सफलता के लिए महत्वपूर्ण है।
हालाँकि ये परिणाम कंप्यूटर सिमुलेशन से आए हैं और जीवित जानवरों से नहीं, फिर भी वे भविष्य के प्रयोगों के लिए एक स्पष्ट रोडमैप प्रदान करते हैं। निष्कर्ष बताते हैं कि मस्तिष्क की गतिशीलता को नियंत्रित करने वाला उपकरण बनाने के लिए ऐसी जटिल तकनीक की आवश्यकता नहीं है जो प्रत्येक कोशिका को लक्षित करती हो। इसके बजाय, एक मध्यम संख्या में स्वतंत्र प्रकाश स्रोतों वाला सिस्टम, जो रिकॉर्डिंग सेंसरों की समान संख्या के साथ संतुलित हो, मस्तिष्क की छिपी हुई अवस्थाओं को निर्देशित करने और यह परीक्षण करने के लिए पर्याप्त हो सकता है कि व्यवहार कैसे उत्पन्न होता है, इसके बारे में कारण संबंधी सिद्धांतों (causal theories) का परीक्षण कर सकता है। यदि ये सिमुलेशन जीवित ऊतकों में भी सही साबित होते हैं, तो यह तंत्रिका विज्ञान के एक नए युग के द्वार खोल सकता है जहाँ शोधकर्ता केवल मस्तिष्क की गतिविधि का अवलोकन नहीं करेंगे बल्कि यह समझने के लिए सक्रिय रूप से इसमें शामिल होंगे कि हम कैसे चलते और सोचते हैं। आगे का रास्ता इन उपकरणों के निर्माण और वास्तविक दुनिया में उनके परीक्षण का है, लेकिन सिमुलेशन एक मजबूत संकेत देते हैं कि यह लक्ष्य पहुंच के भीतर 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।