Emergent E-I Structure in Performance-Evolved Reservoir Networks of Neuronal Population Dynamics
यह शोध पत्र प्रदर्शित करता है कि परफॉरमेंस-डिपेंडेंट नेटवर्क इवोल्यूशन (PDNE) फ्रेमवर्क न्यूनतम सीड्स से कॉम्पैक्ट रिज़र्वोइर नेटवर्क को स्वायत्त रूप से विकसित कर सकता है जो न केवल विल्सन-कौवन न्यूरोनल डायनेमिक्स की सटीक भविष्यवाणी करते हैं और अनदेखे उद्दीपनों के लिए सामान्यीकरण करते हैं, बल्कि बिना किसी शारीरिक पर्यवेक्षण के अंतर्निहित उत्तेजक-निरोधात्मक संरचनात्मक संगठन को स्वतः ही पुन: प्राप्त भी करते 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
मानव मस्तिष्क की कल्पना एक हलचल भरे, अराजक शहर के रूप में करें जहाँ अरबों न्यूरॉन्स हमारे विचारों और लय को बनाने के लिए लगातार चिल्ला रहे हैं, फुसफुसा रहे हैं और नृत्य कर रहे हैं। दशकों से, वैज्ञानिकों ने इस शहर के काम करने के तरीके को समझने के लिए इसके डिजिटल "जुड़वां" (twins) बनाने की कोशिश की है। आमतौर पर, ये डिजिटल मॉडल विशाल, ब्लैक-बॉक्स गगनचुंबी इमारतों की तरह होते हैं: वे ट्रैफिक पैटर्न की सटीक भविष्यवाणी तो कर सकते हैं, लेकिन अंदर कोई नहीं जानता कि लाइटें हरी या लाल क्यों होती हैं। वे काम तो करते हैं, लेकिन वे सड़क के नियमों की व्याख्या नहीं करते।
यह शोध पत्र दो रोमांचक क्षेत्रों के मिलन बिंदु पर स्थित है: रिजर्वायर कंप्यूटिंग (Reservoir Computing) और नेटवर्क फिजियोलॉजी (Network Physiology)। रिजर्वायर कंप्यूटिंग को एक विशाल, स्थिर ड्रम सेट के रूप में समझें। आप इसे एक छड़ी (एक इनपुट) से मारते हैं, और ड्रम जटिल, अराजक तरीकों से कंपन करते हैं। एक सरल कंप्यूटर फिर उस ध्वनि को सुनता है और अनुमान लगाने की कोशिश करता है कि आगे क्या हुआ होगा। यह कुशल है, लेकिन वह ड्रम सेट खुद आमतौर पर छड़ियों और खालों का एक यादृच्छिक (random) ढेर होता है। दूसरी ओर, नेटवर्क फिजियोलॉजी शरीर के विभिन्न हिस्सों के अध्ययन का नाम है कि वे हमें जीवित रखने के लिए एक-दूसरे से कैसे बात करते हैं। यह शोध पत्र मुख्य सवाल पूछता है: यदि हम एक डिजिटल मॉडल को मस्तिष्क की लय की भविष्यवाणी करने में बहुत अच्छा बनने के लिए अपने आप विकसित होने दें, तो क्या वह अनजाने में एक ऐसी संरचना बनाएगा जो वास्तविक मस्तिष्क जैसी दिखेगी? या यह केवल एक यादृच्छिक ढेर होगा जो संयोग से काम कर जाता है?
शोधकर्ता, मनीष यादव ने परफॉरमेंस-डिपेंडेंट नेटवर्क इवोल्यूशन (PDNE) नामक एक चतुर विधि का उपयोग करके इसका उत्तर देने का प्रयास किया। एक निश्चित डिजिटल मस्तिष्क बनाने और बेहतर होने की उम्मीद करने के बजाय, उन्होंने एक छोटे, लगभग खाली "बीज" (seed) नेटवर्क से शुरुआत की। फिर उन्होंने इस डिजिटल मस्तिष्क को बढ़ने और सिकुड़ने दिया, नए कनेक्शन जोड़कर या पुराने हटाकर, एक सरल नियम के आधार पर: "यदि यह परिवर्तन भविष्यवाणी को बेहतर बनाता है, तो इसे रखें। यदि यह इसे बदतर बनाता है, तो इसे बाहर निकाल दें।" उन्होंने इस पद्धति का उपयोग विल्सन-कोवन सिस्टम (Wilson-Cowan system) को मॉडल करने के लिए किया, जो उत्तेजक (जाओ!) और निरोधात्मक (रुको!) न्यूरॉन्स कैसे मस्तिष्क तरंगें बनाते हैं, इसका एक प्रसिद्ध, सरलीकृत गणितीय मॉडल है।
यहाँ उन्हें क्या मिला। जैसे-जैसे डिजिटल नेटवर्क बेहतर भविष्यवक्ता बनने के लिए विकसित हुआ, वह केवल बड़ा ही नहीं हुआ; वह अधिक स्मार्ट और संगठित भी हो गया। सिमुलेशन ने दिखाया कि नेटवर्क ने स्वतः ही एक ऐसी संरचना विकसित की जो वास्तविक मस्तिष्क के "उत्तेजक-निरोधात्मक" (Excitatory-Inhibitory या E-I) संतुलन को दर्शाती थी, भले ही शोधकर्ताओं ने उसे ऐसा करने के लिए कभी नहीं कहा था। यह वैसा ही है जैसे आपने रैंडम लेगो ब्रिक्स के एक समूह को एक पुल बनाने का लक्ष्य दिया, और बिना किसी ब्लूप्रिंट के, उन्होंने वजन संभालने के प्रयास मात्र से खुद को "सपोर्ट" ब्रिक्स और "डेक" ब्रिक्स में व्यवस्थित करना शुरू कर दिया।
विकसित हुए नेटवर्क अपने काम में अविश्वसनीय रूप से अच्छे थे। वे "जाओ" और "रुको" दोनों प्रकार के न्यूरॉन्स की गतिविधि की सटीक भविष्यवाणी कर सकते थे, यहाँ तक कि जब उनका परीक्षण नई, अनदेखी स्थितियों पर किया गया—जैसे कि सिग्नल की ताकत में अचानक बदलाव या पल्स का एक पूरी तरह से नया पैटर्न। वास्तव में, वे जटिल, मल्टी-पल्स इनपुट को भी संभाल सकते थे जिन्हें उन्होंने पहले कभी नहीं देखा था, जिससे यह साबित हुआ कि उन्होंने केवल उत्तरों को याद नहीं किया, बल्कि सिस्टम के नियमों को सीखा है।
लेकिन सबसे रोमांचक खोज यह थी कि उन्होंने यह कैसे किया। शोधकर्ता ने डिजिटल मस्तिष्क के भीतर झाँका और देखा कि इसने एक तंग, कम-आयामी (low-dimensional) कमरे (जहाँ सब कुछ दबा हुआ था और हिल नहीं सकता था) से एक विशाल, उच्च-आयामी (high-dimensional) खेल के मैदान में रूपांतरित हो गया था। नेटवर्क ने अपनी आंतरिक कड़ियों को पुनर्गठित किया ताकि वह संभावनाओं के एक बहुत समृद्ध सेट का पता लगा सके, जिससे उत्तेजना और निषेध के बीच के जटिल नृत्य को पकड़ना संभव हो सका।
महत्वपूर्ण रूप से, यह अध्ययन बताता है कि यह संरचना मजबूर नहीं थी। नेटवर्क को यह बताने के लिए किसी शिक्षक की आवश्यकता नहीं थी कि, "तुम्हें एक उत्तेजक समूह और एक निरोधात्मक समूह होना चाहिए।" इसके बजाय, प्रदर्शन करने का दबाव ने नेटवर्क को स्वयं इस संगठन को खोजने के लिए मजबूर किया। अंतिम डिजिटल मॉडल संक्षिप्त, कुशल और संरचनात्मक रूप से व्याख्या योग्य (interpretable) थे, जिसका अर्थ है कि वैज्ञानिक वास्तव में कनेक्शनों को देख सकते थे और कह सकते थे, "आह, यह हिस्सा 'रुको' सिग्नल को संभालता है, और वह हिस्सा 'जाओ' सिग्नल को संभालता है।"
संक्षेप में, यह शोध पत्र सुझाव देता है कि यदि आप एक सरल, विकसित होते नेटवर्क को एक जटिल जैविक पहेली को हल करने के लिए पर्याप्त दबाव देते हैं, तो वह स्वाभाविक रूप से जीवन की लय बनाने के लिए सही प्रकार की आंतरिक संरचना विकसित करेगा। यह मस्तिष्क के डिजिटल जुड़वां बनाने की दिशा में एक कदम है जो केवल ब्लैक बॉक्स नहीं हैं, बल्कि पारदर्शी, समझने योग्य मॉडल हैं जो हमें सिखाते हैं कि प्रकृति स्वयं को व्यवस्थित करने के लिए कैसे संगठित करती 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।