तकनीकी सारांश: मस्तिष्क-समान अनुकूलनशील डेंड्रिटिक मेमरिस्टिव नेटवर्क

समस्या विवरण

वर्तमान कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ उन शिक्षण एल्गोरिदम पर निर्भर करती हैं जो निश्चित-टोपोलॉजी वाले हार्डवेयर आर्किटेक्चर के भीतर कनेक्शन भार (connection weights) को अनुकूलित करते हैं। यह दृष्टिकोण सीखने की प्रक्रिया को कंप्यूटिंग सबस्ट्रेट (computing substrate) के भौतिक विकास से अलग कर देता है, जिससे अनुभव को कंप्यूटिंग आर्किटेक्चर को सीधे आकार देने से रोका जाता है। हालांकि मेमरिस्टिक उपकरणों का उपयोग डीप न्यूरल नेटवर्क के लिए हार्डवेयर एक्सेलेरेटर के रूप में किया गया है (जैसे, इन-मेमोरी मैट्रिक्स-वेक्टर गुणन के माध्यम से), वे आमतौर पर कठोर, पूर्व-निर्मित टोपोलॉजी के भीतर कार्य करते हैं। यहाँ तक कि भौतिक रिज़र्वोयर कंप्यूटिंग में उपयोग किए जाने वाले स्व-संगठित मेमरिस्टिक नेटवर्क भी आमतौर पर स्थिर कनेक्टिविटी बनाए रखते हैं, जहाँ सीखना बाहरी रूप से रीडआउट वेट्स के माध्यम से होता है न कि नेटवर्क की संरचना के स्वयं के भौतिक अनुकूलन के माध्यम से। ऐसे हार्डवेयर आर्किटेक्चर की कमी है जो कंप्यूटिंग सबस्ट्रेट के भीतर मॉर्फोलॉजी और कार्यात्मक कनेक्टिविटी के सह-विकास के माध्यम से अनुभव को भौतिक रूप से एनकोड कर सके।

कार्यप्रणाली

लेखक एक स्व-संगठित, रूपात्मक रूप से अनुकूलनशील (morphologically adaptive) नेटवर्क प्रस्तुत करते हैं जो गतिशील रूप से परस्पर क्रिया करने वाले इलेक्ट्रोकेमिकल डेंड्राइट्स पर आधारित है। यह प्रणाली एक इलेक्ट्रोकेमिकल सेल का उपयोग करती है जिसमें गोल्ड (Au) इलेक्ट्रोड न्यूरॉन टर्मिनल्स के रूप में और डाइमिथाइल सल्फोक्साइड (DMSO) में सिल्वर नाइट्रेट (AgNO3) बायोकम्पैटिबल इलेक्ट्रोलाइट के रूप में कार्य करते हैं।

मुख्य तंत्र:

1. संरचनात्मक प्लास्टिसिटी (मॉर्फोजेनेसिस): यह प्रणाली सिनैप्टिक मॉर्फोजेनेसिस और एक्सोन ग्रोथ की नकल करती है। टर्मिनल्स के बीच समयबद्ध वोल्टेज पल्स (बाइपोलर पल्स) प्रतिस्पर्धी हाफ-सेल प्रतिक्रियाओं को संचालित करते हैं: ऋणात्मक रूप से बायस्ड इलेक्ट्रोड पर रिडक्शन ($Ag^+ + e^- \rightarrow Ag$) और धनात्मक रूप से बायस्ड इलेक्ट्रोड पर ऑक्सीडेशन ($Ag \rightarrow Ag^+ + e^-$)। इसके परिणामस्वरूप धात्विक डेंड्रिटिक शाखाओं का शुद्ध विकास होता है जो टर्मिनल्स को संरचनात्मक रूप से जोड़ सकते हैं, जिससे इलेक्ट्रिकल जंक्शन (सिनैप्स) बनते हैं। उत्तेजना मापदंडों (पल्स आयाम, इंटर-पल्स अंतराल) और इलेक्ट्रोलाइट सांद्रता को समायोजित करके विकास गतिशीलता को आइसोट्रोपिक (डेंड्रिटिक-समान) और दिशात्मक (एक्सोन-समान) व्यवहारों के बीच ट्यून किया जा सकता है।
2. कार्यात्मक प्लास्टिसिटी (मेमरिस्टिक डायनेमिक्स): एक बार बन जाने के बाद, डेंड्रिटिक कनेक्शन मेमरिस्टिक व्यवहार प्रदर्शित करते हैं। वे बाइपोलर रेजिस्टिव स्विचिंग (SET/RESET) प्रदर्शित करते हैं जो इलेक्ट्रोकेमिकल मेटलाइजेशन (ECM) सेल्स की विशेषता है, जहाँ कंडक्टिव फिलामेंट्स वोल्टेज के आधार पर पतले/फट जाते हैं या बनते/मजबूत होते हैं। प्रणाली उत्तेजना इतिहास और ऑपरेटिंग स्थितियों के आधार पर, वोल्टटाइल (अल्पकालिक) और नॉन-वोल्टटाइल (दीर्घकालिक) मेमोरी अवस्थाओं का समर्थन करती है।
3. मॉडलिंग: एक द्वि-आयामी भौतिक-आधारित स्टोकेस्टिक मॉडल विकसित किया गया है ताकि सिस्टम का अनुकरण किया जा सके। यह मेटल-इलेक्ट्रोलाइट इंटरफेस पर स्थानीय इलेक्ट्रिक पोटेंशियल को इलेक्ट्रोलाइट में आयन डिफ्यूजन ट्रांसपोर्ट के साथ एकीकृत करता है, जो इलेक्ट्रिकल डबल लेयर के कैपेसिटिव प्रभावों को भी ध्यान में रखता है। मॉडल डिफ्यूजन-लिमिटेड ग्रोथ और पोटेंशियल-ड्रिवन डायरेक्शनल ग्रोथ के बीच परस्पर क्रिया को पकड़ने के लिए एक रिएक्शन-डिफ्यूजन स्कीम का उपयोग करता है।

प्रायोगिक सेटअप:

• फैब्रिकेशन: Si वेफर्स पर Au इलेक्ट्रोड्स के साथ टू-टर्मिनल सेल्स बनाए गए; मल्टीटर्मिनल सिस्टम में पैटर्न वाले Au पिन्स के साथ कमर्शियल माइक्रोइलेक्ट्रोड एरे (MEAs) का उपयोग किया गया।
• उत्तेजना (Stimulation): 64 समानांतर सोर्स-मेजर यूनिट्स (SMUs) वाले ArcTWO मेजरमेंट बोर्ड का उपयोग करके सिंक्रोनस स्टिमुलेशन और एक्विजिशन किया गया।
• रीडआउट: अन्य टर्मिनल्स को फ्लोटिंग रखते हुए, टर्मिनल जोड़ों पर कम-एम्प्लीट्यूड रीड वोल्टेज (50 mV) लागू करके कंडक्टेंस मैट्रिसेस प्राप्त किए गए।

मुख्य योगदान और परिणाम

1. संरचना और कार्य का सह-विकास

अध्ययन प्रदर्शित करता है कि संरचनात्मक कनेक्टिविटी (भौतिक वायरिंग आरेख) और कार्यात्मक कनेक्टिविटी (सिनैप्टिक वेट्स) बाहरी उत्तेजना के जवाब में सह-विकसित होते हैं। सिस्टम स्पैटियो-टेम्पोरल इनपुट पैटर्न को सीधे अपने भौतिक मॉर्फोलॉजी में समाहित करता है।

• परिणाम: मल्टीटर्मिनल नेटवर्क उन टर्मिनल्स के बीच संबंध बनाने के लिए संरचनात्मक रूप से विकसित होते हैं जिनमें स्पैटियो-टेम्पोरल रूप से सह-सक्रिय गतिविधि होती है, जो प्रभावी रूप से सह-सक्रिय नोड्स के बीच टोपोलॉजिकल दूरी को कम करता है।

2. एसोसिएटिव लर्निंग प्रतिमानों का कार्यान्वयन

यह प्रणाली सीधे पदार्थ में ($in\ materia$) जैविक एसोसिएटिव लर्निंग सिद्धांतों को लागू करती है:

• क्लासिकल कंडीशनिंग (पावलोवियन): सिस्टम को पावलोव के कुत्ते की नकल करने के लिए कॉन्फ़िगर किया गया था। एक पूर्व-निर्धारित उच्च-कंडक्टेंस कनेक्शन अनकंडीशन्ड स्टिमुलस (भोजन) से रिस्पॉन्स (लार आना) तक का प्रतिनिधित्व करता है। न्यूट्रल स्टिमुलस (घंटी) को अनकंडीशንድ स्टिमुलस के साथ सिंक्रोनाइज करके, नेटवर्क ने "घंटी" और "लार" टर्मिनल्स के बीच एक नया डेंड्रिटिक कनेक्शन विकसित किया। कंडीशनिंग के बाद, केवल "घंटी" के उद्दीपन ने रिस्पॉन्स करंट को ट्रिगर किया, जो एक कंडीशनड एसोसिएशन के निर्माण को दर्शाता है।
• ऑपरेंट कंडीशनिंग (स्किनरियन): सिस्टम ने स्किनर के पिजन पेकिंग और रैट पनिशमेंट कार्यों को दोहराया।
  • पिजन पेकिंग: रिवॉर्डिंग इनपुट्स कंडक्टेंस बढ़ाते हैं (पेकिंग दर)। एक्सटिंक्शन (कोई इनाम नहीं) के दौरान, कंडक्टेंस गिर गया, लेकिन अंतर्निय डेंड्रिटिक टोपोलॉजी काफी हद तक बरकरार रही ("सेविंग्स")। री-कंडीशनिंग ने तेजी से कंडक्टेंस को बहाल और सुदृढ़ किया, जो प्रारंभिक कंडीशनिंग की तुलना में अधिक तेज था।
  • रैट पनिशमेंट: पनिशमेंट स्टिमुलस (छोटे नकारात्मक पल्स) दिए गए, जिसने अंततः इलेक्ट्रिकल कनेक्शन को तोड़ दिया। हालांकि, डेंड्रिटिक टोपोलॉजी में कोई महत्वपूर्ण बदलाव नहीं देखा गया, जिससे सीखा हुआ डेटा डेंड्रिटिक संरचना के भीतर सुरक्षित रहा। री-कंडीशनिंग ने फिर से तीव्र रिकवरी और पोटेंशिएशन दिखाया, जिससे पुष्टि हुई कि "मेमोरी" को हटाया नहीं गया था बल्कि कनेक्शन के कार्यात्मक ब्रेक के बावजूद संरचनात्मक रूप से संरक्षित किया गया था।

3. अनुकूलन समस्याओं को हल करना (पथ चयन)

लेखकों ने रोबोटिक नेविगेशन के लिए प्रासंगिक रूट-प्लानिंग ऑप्टिमाइजेशन समस्या को हल करने की क्षमता प्रदर्शित की।

• विधि: विभिन्न ट्रावर्सल लागतों (जैसे रेत, चट्टानें) वाले एक टेरेन मैप को स्पैटियो-टेम्पोरल स्टिमुलेशन प्रोटोकॉल में मैप किया गया। इलेक्ट्रोड्स टेरेन क्षेत्रों का प्रतिनिधित्व करते थे, और वोल्टेज एम्प्लीट्यूड यात्रा की कठिनाई को एनकोड करता था।
• परिणाम: डेंड्रिटिक ग्रोथ प्रक्रिया ने एक भौतिक स्पारसिफायर (sparsifier) के रूप में कार्य किया, जिसने कम-लागत वाले कंडक्टिव मार्गों को सुदृढ़ किया और उच्च-लागत वाले क्षेत्रों को दबा दिया। परिणामी कंडक्टिव सबनेटवर्क ने इष्टतम पथ को आत्मसात किया।
• प्रदर्शन: ग्राउंड-ट्रुथ ऑप्टिमल पाथ के साथ 25 स्वतंत्र रन में औसत सक्सेस-वेटेड ओवरलैप 85% प्राप्त करने के लिए सिस्टम ने डाइक्सट्रा एल्गोरिथम का उपयोग किया।

महत्व और दावे

यह शोध पत्र मैटर लेवल पर एम्बॉडीड इंटेलिजेंस की ओर एक मार्ग स्थापित करने का दावा करता है। अनुकूलित सामग्रियों और भौतिक नेटवर्क डायनेमिक्स के माध्यम से सूचना प्रसंस्करण, लर्निंग और मेमोरी एनकोडिंग को जोड़ने के साथ, यह कार्य सिद्ध करता है कि:

1. लर्निंग भौतिक है: लर्निंग केवल एक निश्चित ग्राफ में मापदंडों का अनुकूलन नहीं है, बल्कि अनुभव का भौतिक अवतार है जो संरचनात्मक और कार्यात्मक कनेक्टिविटी के सह-विकास के माध्यम से होता है।
2. इन-मैटेरिया कंप्यूटेशन: कंप्यूटेशन आंतरिक रूप से सामग्री के स्व-संगठन से उभरता है, जहाँ सूचना सक्रिय रूप से उस कंप्यूटिंग संरचना को आकार देती है जिसके माध्यम से इसे प्रोसेस किया जाता है।
3. जैविक निष्ठा (Biological Fidelity): सिस्टम सफलतापूर्वक जटिल जैविक लर्निंग घटनाओं, जिसमें क्लासिकल और ऑपरेंट कंडीशनिंग, सेविंग्स और तीव्र री-कंडीशनिंग शामिल हैं, को इलेक्ट्रोकेमिकल तंत्रों का उपयोग करके दोहराता है जो सिनैप्टिक मॉर्फोजेनेसिस और प्लास्टिसिटी की नकल करते हैं।
4. मॉर्फोलॉजी के माध्यम से अनुकूलन: डेंड्रिटिक संरचनाओं की पदानुक्रमित, फ्रैक्टल प्रकृति सूचना पृथक्करण (segregation) और एकीकरण (integration) के बीच संतुलन बनाने की सुविधा प्रदान करती है, जिससे भौतिक प्रणाली ग्राफ बाधाओं को भौतिक कंडक्टिव पाथवे में बदलकर कॉम्बिनेटरियल ऑप्टिमाइजेशन समस्याओं (जैसे पाथफाइंडिंग) को हल करने में सक्षम होती है।

लेखक इस कार्य को टॉप-डाउन निर्मित हार्डवेयर से एक अलग दृष्टिकोण के रूप में प्रस्तुत करते हैं, जहाँ कंप्यूटिंग आर्किटेक्चर स्वयं लर्निंग के दौरान अनुकूलित होता है, जो अगली पीढ़ी के अनुकूलनशील हार्डवेयर के लिए एक संभावित मार्ग प्रदान करता है जो प्रोसेसिंग, मेमोरी और लर्निंग को एक एकल भौतिक प्रणाली के भीतर एकीकृत करता है।