Ag/Al₂O₃/ITO memristor for honeybee-inspired associative learning, behavioral emulation, and conductance-constrained flower classification
यह अध्ययन प्रदर्शित करता है कि एक Ag/Al₂O₃/ITO मेमरिस्टर ट्यूनेबल कंडक्टेंस अवस्थाओं के माध्यम से मधुमक्खी के साहचर्य शिक्षण व्यवहार (associative learning behaviors) का अनुकरण कर सकता है और जब इसके प्रयोगात्मक रूप से व्युत्पन्न मल्टीलेवल रेजिस्टेंस गुणों को एक न्यूरल नेटवर्क पर मैप किया जाता है, तो यह उच्च-सटीकता वाले पुष्प वर्गीकरण को प्राप्त कर सकता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
प्राकृतिक दुनिया के शांत कोनों में, मधुमक्खी सीखने का एक उत्कृष्ट उदाहरण प्रस्तुत करती है। ये कीट केवल अपने वातावरण के प्रति प्रतिक्रिया नहीं करते; वे जो महसूस करते हैं और जो उन्हें प्राप्त होता है, उनके बीच जटिल संबंध बनाते हैं। एक मधुमक्खी किसी विशिष्ट सुगंध या रंग को मीठे इनाम के साथ जोड़ना सीखती है, और अपने पिछले अनुभव के आधार पर अपने व्यवहार को समायोजित करती है। यह क्षमता मस्तिष्क के सिनैप्स (synapses) पर निर्भर करती है, जो तंत्रिका कोशिकाओं के बीच के वे सूक्ष्म जोड़ हैं जो जीव के सीखने और याद रखने के साथ मजबूत या कमजोर होते हैं। दशकों से, वैज्ञानिक ऐसे इलेक्ट्रॉनिक उपकरण बनाने की कोशिश कर रहे हैं जो इस जैविक लचीलेपन की नकल कर सकें, इस उम्मीद में कि वे ऐसे कंप्यूटर बना सकें जो केवल संख्याओं की गणना करने के बजाय जीवित चीजों की तरह सीख सकें। इस नकल की कुंजी एक घटक में निहित है जिसे मेमरिस्टर (memristor) कहा जाता है, जो एक प्रकार का इलेक्ट्रॉनिक स्विच है जो याद रखता है कि कितनी बिजली इसके माध्यम से प्रवाहित हुई है। मानक स्विचों के विपरीत जो केवल चालू या बंद होते हैं, एक मेमरिस्टर प्रतिरोध (resistance) की कई अलग-अलग अवस्थाओं में स्थिर हो सकता है, और अपने इतिहास के आधार पर अपना व्यवहार बदल सकता है, ठीक वैसे ही जैसे एक सिनैप्स पिछले गतिविधि के आधार पर अपनी शक्ति बदलता है।
निंगबो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने अब यह प्रदर्शित किया है कि एक एकल, सरल इलेक्ट्रॉनिक उपकरण इन परिष्कृत जैविक व्यवहारों में से कई की नकल कर सकता है, जिसमें बुनियादी स्मृति से लेकर जटिल निर्णय लेना शामिल है। उन्होंने चांदी (silver), एल्युमीनियम ऑक्साइड और एक चालक कांच (conductive glass) की परतों का उपयोग करके एक छोटा घटक बनाया, जिससे एक ऐसी संरचना तैयार हुई जो विद्युत स्पंदों (electrical pulses) के प्रति इस तरह प्रतिक्रिया करती है जो मधुमक्खी की सीखने की प्रक्रिया के बहुत करीब है। बिजली के प्रवाह को सावधानीपूर्वक नियंत्रित करके, वैज्ञानिकों ने दिखाया कि इस उपकरण को दो अलग-अलग संकेतों को जोड़ने के लिए प्रशिक्षित किया जा सकता था, एक सबक को भूलने और फिर उसे तेजी से पुनः सीखने के लिए। यह विभिन्न स्तर की सतर्कता की भी नकल कर सकता था, जो नींद, उनींदापन और जागने की अवस्थाओं के बीच बदलता रहता है। सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने सिद्ध किया कि इस उपकरण द्वारा निर्मित विशिष्ट विद्युत अवस्थाओं का उपयोग एक वास्तविक दुनिया की समस्या को हल करने के लिए किया जा सकता है: एक तस्वीर में विभिन्न प्रकार के फूलों की पहचान करना। इस उपकरण ने न केवल सीखने की प्रक्रिया का अनुकरण किया; इसने एक न्यूरल नेटवर्क का वास्तविक कार्य किया, और एक मानक कंप्यूटर प्रोग्राम के लगभग समान सटीकता के साथ छवियों का वर्गीकरण किया।
यह उपकरण स्वयं सामग्रियों का एक छोटा, ऊर्ध्वाधर स्टैक (vertical stack) है, जिसकी चौड़ाई लगभग एक मानव बाल के बराबर है। सबसे नीचे चालक कांच की एक परत है, उसके बाद एल्युमीनियम ऑक्साइड की एक पतली फिल्म है, और ऊपर चांदी की एक परत है। जब शोधकर्ताओं ने शीर्ष चांदी की परत पर वोल्टेज लगाया, तो उन्होंने एक दिलचस्प भौतिक परिवर्तन देखा। चांदी के परमाणु आयनों में टूट गए और इंसुलेटिंग एल्युमीनियम ऑक्साइड परत के माध्यम से बह निकले, और अंततः एक सूक्ष्म, चालक पुल या फिलामेंट (filament) बनाया जिसने ऊपर और नीचे के हिस्से को जोड़ दिया। यह फिलामेंट एक तार की तरह कार्य करता है जो इस पर निर्भर करता है कि कितना करंट बहने दिया जाता है, मोटा या पतला हो सकता है। जब करंट को प्रतिबंधित किया जाता है, तो फिलामेंट पतला रहता है और उपकरण बिजली का विरोध करता है। जब करंट को अधिक स्वतंत्र रूप से बहने दिया जाता है, तो फिलामेंट मोटा हो जाता है, जिससे बिजली का गुजरना आसान हो जाता है। चांदी के इस पुल का भौतिक विकास और संकुचन ही इस उपकरण को अपने अतीत को याद रखने की अनुमति देता है, क्योंकि फिलामेंट का आकार यह निर्धारित करता है कि उपकरण भविष्य के संकेतों के प्रति कैसे प्रतिक्रिया देगा।
यह परीक्षण करने के लिए कि क्या यह सरल तंत्र मधुमक्खी के जटिल सीखने की नकल कर सकता है, शोधकर्ताओं ने उपकरण पर विद्युत स्पंदों की एक श्रृंखला लागू की। उन्होंने पाया कि उपकरण की चालकता (conductivity) को धीरे-धीरे बढ़ाया जा सकता है, ठीक वैसे ही जैसे सीखने के दौरान एक सिनैप्स मजबूत होता है, या इसे कम किया जा सकता है, जो स्मृति के कमजोर होने की नकल करता है। उन्होंने यह भी देखा कि यदि दो स्पंद (pulses) जल्दी-जल्दी भेजे जाते हैं, तो दूसरा स्पंद पहले की तुलना में अधिक मजबूत प्रतिक्रिया उत्पन्न करता है, जो एक घटना है जिसे 'पेयर्ड-पल्स फैसिलिटेशन' (paired-pulse facilitation) कहा जाता है और यह जैविक मस्तिष्क में आम है। उपकरण ने 100 सेकंड से अधिक समय तक इन विभिन्न अवस्थाओं को बनाए रखा, जिससे पता चलता है कि यह सार्थक अवधि के लिए सूचना को सुरक्षित रख सकता है। स्पंदों की शक्ति और समय को बदलकर, टीम इस उपकरण को विशिष्ट व्यवहार प्रदर्शित करने के लिए प्रोग्राम कर सकती थी। उन्होंने सफलतापूर्वक पावलवियन कंडीशनिंग (Pavlovian conditioning) का एक संस्करण पुन: बनाया, जहाँ उपकरण एक कमजोर संकेत पर प्रतिक्रिया देने के लिए तब सीखता है जब उसे एक मजबूत संकेत के साथ जोड़ा जाता है, ठीक वैसे ही जैसे एक कुत्ता भोजन के साथ जुड़े होने के बाद घंटी की आवाज पर लार टपकाना सीख जाता है।
शोधकर्ताओं ने एक कदम आगे बढ़ते हुए यह प्रदर्शन किया कि यह उपकरण सीखने और भूलने के उतार-चढ़ाव को भी मॉडल कर सकता है। जब उन्होंने उपकरण को उत्तेजित करना बंद कर दिया, तो विद्युत प्रतिक्रिया धीरे-धीरे कम हो गई, जो भूलने की प्राकृतिक प्रक्रिया का प्रतिनिधित्व करती है। हालांकि, जब उन्होंने प्रशिक्षण स्पंदों को फिर से शुरू किया, तो उपकरण ने पहली बार की तुलना में बहुत तेजी से व्यवहार को फिर से सीखा, जिससे पता चलता है कि मूल स्मृति का एक अंश शेष था। उन्होंने चेतना के विभिन्न स्तरों को विद्युत गतिविधि के स्तरों के साथ मैप किया। एक बहुत ही कमजोर स्पंद ने कम प्रतिक्रिया उत्पन्न की, जिसे उन्होंने नींद की अवस्था के रूप में मैप किया। एक मध्यम स्पंद ने उनींदापन के लिए मध्यम प्रतिक्रिया उत्पन्न की, और एक मजबूत स्पंद ने जागने की अवस्था के लिए उच्च प्रतिक्रिया को ट्रिगर किया। इसने दिखाया कि एक एकल उपकरण संरचना, बिना उपकरण की भौतिक संरचना को बदले, केवल भेजे गए विद्युत संकेतों के पैटर्न को बदलकर, विविध इतिहास-निर्भर व्यवहार उत्पन्न कर सकती है।
अंत में, टीम ने यह परीक्षण किया कि क्या इन सीखी गई विद्युत अवस्थाओं का उपयोग एक व्यावहारिक कार्य के लिए किया जा सकता है: फूलों की पहचान करना। उन्होंने डेज़ी, डेंडिलियन, गुलाब, सूरजमुखी और ट्यूलिप की छवियों को पहचानने के लिए डिज़ाइन किए गए एक मानक कंप्यूटर प्रोग्राम का उपयोग किया और प्रोग्राम के अंतिम भाग को अपने मेमरिस्टर उपकरण की कंडक्टेंस अवस्थाओं (conductance states) से बदल दिया। प्रोग्राम ने अपने निर्णय लेने की प्रक्रिया के 'वेट्स' (weights) को दर्शाने के लिए उपकरण की प्रतिरोध के विभिन्न स्तरों को बनाए रखने की क्षमता का उपयोग किया। जब सिस्टम का परीक्षण फूलों की छवियों के डेटासेट पर किया गया, तो इसने 86.55 प्रतिशत की सटीकता प्राप्त की। यह परिणाम एक मानक कंप्यूटर प्रोग्राम की तुलना में उल्लेखनीय रूप से करीब था जो पूरी तरह से सॉफ्टवेयर में चल रहा था, जिसकी सटीकता 87.09 प्रतिशत थी। प्रदर्शन में मामूली अंतर यह सुझाव देता है कि भौतिक उपकरण में उपलब्ध विशिष्ट, असतत (discrete) विद्युत अवस्थाएं, कार्य के लिए आवश्यक आवश्यक जानकारी को पकड़ने के लिए पर्याप्त थीं। यह निष्कर्ष इंगित करता है कि मेमरिस्टर के भौतिक गुण, जो चांदी के फिलामेंट से प्राप्त होते हैं, सीधे जटिल पैटर्न पहचान का समर्थन कर सकते हैं, जो सामग्री के कच्चे भौतिक विज्ञान और न्यूरल नेटवर्क की उच्च-स्तरीय बुद्धिमत्ता के बीच के अंतर को पाटते हैं।
यह कार्य सुझाव देता है कि अधिक कुशल, मस्तिष्क के समान कंप्यूटिंग का मार्ग लाखों जटिल घटकों के निर्माण की आवश्यकता नहीं रखता है, बल्कि एक एकल, सरल उपकरण को विभिन्न तरीकों से नियंत्रित करने की समझ पर निर्भर है। विद्युत स्पंदों को ट्यून करके, वही Ag/Al₂O₃/ITO संरचना एक मेमोरी सेल, एक लर्निंग एजेंट, या एक क्लासिफायर के रूप में कार्य कर सकती है। शोधकर्ताओं ने दिखाया कि उपकरण का व्यवहार स्थिर नहीं है बल्कि यह प्राप्त उत्तेजना के इतिहास पर पूरी तरह से निर्भर है। यह लचीलापन हार्डवेयर को विभिन्न कार्यों के अनुकूल होने की अनुमति देता है, जैसे कि कीट के नींद-जागने के चक्र की नकल करने से लेकर दृश्य डेटा को छाँटने तक। परिणाम एक ठोस प्रमाण प्रदान करते हैं कि चांदी के आयनों की गति को नियंत्रित करने वाले भौतिक नियमों का उपयोग उन कार्यों को करने के लिए किया जा सकता है जिन्हें कभी जटिल, बहु-स्तरीय जैविक प्रणालियों की आवश्यकता होती थी। जैसे-जैसे न्यूरोमॉर्फिक कंप्यूटिंग का क्षेत्र आगे बढ़ रहा है, यह अध्ययन एक स्पष्ट उदाहरण प्रदान करता है कि कैसे सरल सामग्रियां, जब सही विद्युत प्रोटोकॉल द्वारा निर्देशित होती हैं, तो प्रकृति में पाए जाने वाले समृद्ध, अनुकूल व्यवहार प्रदर्शित करना शुरू कर सकती हैं।
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।