Drosophila Connectome Topology Provides No Measurable Language- Model Advantage: A Preregistered Negative Experimental Program
इस पूर्व-पंजीकृत (preregistered) अध्ययन ने व्यवस्थित रूप से परीक्षण किया कि क्या ड्रोसौफिला (Drosophila) मस्तिष्क की टोपोलॉजी भाषा मॉडलों में सुधार कर सकती है और पाया कि, विभिन्न वास्तुशिल्प एकीकरणों के बावजूद, मक्खी से प्राप्त वायरिंग ने नेगेटिव लॉग-लाइक्लीहुड (negative log-likelihood) को कम करने या साहचर्य पुनर्प्राप्ति (associative retrieval) में सुधार करने में रैंडम, डिग्री-मैच्ड, या वैनिला बेसलाइन की तुलना में कोई मापने योग्य लाभ प्रदान नहीं किया।
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
दशकों से, आर्टिफिशियल इंटेलिजेंस की दुनिया में एक शांत उम्मीद बनी हुई है: कि एक जीवित मस्तिष्क की अव्यवस्थित, जैविक वायरिंग स्मार्ट मशीनें बनाने का रहस्य हो सकती है। यह विचार सरल है। विकासवाद (इवोल्यूशन) ने जानवरों में न्यूरॉन्स के बीच के कनेक्शन को परिष्कृत करने में लाखों साल बिताए हैं, जिससे ऐसे नेटवर्क बनाए गए हैं जो कुशल, मॉड्यूलर और सीखने में आश्चर्यजनक रूप से अच्छे हैं। यदि हम उन विशिष्ट कनेक्शन पैटर्न—"वायरिंग डायग्राम"—को कॉपी कर सकें और उन्हें भाषा समझने के लिए डिज़ाइन किए गए कंप्यूटर प्रोग्राम में पेस्ट कर सकें, तो शायद कंप्यूटर तेजी से सीख पाएगा या अधिक स्पष्टता से सोच पाएगा। यह उम्मीद केवल एक रूपक नहीं है; यह एक परीक्षण योग्य प्रश्न है। क्या मस्तिष्क का भौतिक मानचित्र एक मशीन लर्निंग मॉडल के लिए एक सहायक शुरुआती बिंदु, या "इंडक्टिव बायस" के रूप में काम कर सकता है? यह जानने के लिए, शोधकर्ताओं ने फ्रूट फ्लाई, ड्रोसोफिला मेलानोगास्टर (Drosophila melanogaster) की ओर रुख किया। वैज्ञानिकों ने पहले ही एक वयस्क मक्खी के संपूर्ण तंत्रिका तंत्र का मानचित्र बना लिया है, जिसमें लगभग 1,39,000 न्यूरॉन्स और करोड़ों कनेक्शनों की पहचान की गई है। यह मानचित्र, जिसे 'कनेक्टोम' कहा जाता है, किसी भी उपलब्ध पशु मस्तिष्क का सबसे विस्तृत वायरिंग डायग्राम है। अब सवाल यह था कि क्या यह विशिष्ट जैविक ब्लूप्रिंट वास्तव में एक भाषा कंप्यूटर को बेहतर बना सकता है, या मक्खी के मस्तिष्क की जटिलता मानव शब्दों को प्रोसेस करने के कार्य से बहुत अलग थी।
एक शोधकर्ता ने इस प्रश्न का उत्तर देने के लिए एक कठोर, पूर्व-नियोजित प्रयोग किया। उन्होंने केवल यह अनुमान नहीं लगाया कि मक्खी का मस्तिष्क मदद करेगा; उन्होंने कई सख्त परीक्षणों को डिजाइन किया जहाँ जीतने के नियम डेटा एकत्र करने से पहले ही लिख दिए गए थे। लक्ष्य यह देखना था कि क्या मक्खी के वायरिंग डायग्राम का उपयोग करने से एक छोटा भाषा मॉडल वाक्य में अगले शब्द की भविष्यवाणी करने में बेहतर बन सकता है, बजाय इसके कि एक यादृच्छिक (रैंडम) कनेक्शन सेट या बिना किसी विशेष मानचित्र का उपयोग किया जाए। उन्होंने मक्खी की शारीरिक रचना का उपयोग करने के विभिन्न तरीकों का परीक्षण किया। सबसे पहले, उन्होंने मानचित्र का उपयोग इस बात के मार्गदर्शन के रूप में किया कि कंप्यूटर को वाक्य के विभिन्न हिस्सों पर कैसे ध्यान देना चाहिए। फिर, उन्होंने कंप्यूटर के प्रोसेसिंग इंजन के एक मानक हिस्से को मक्खी की घ्राण प्रणाली (ऑल्फैक्ट्री सिस्टम) की एक स्थिर, अपरिवर्तनीय प्रतिलिपि से बदल दिया, जो जानकारी का विस्तार करने और उसे फ़िल्टर करने के लिए प्रसिद्ध है। अंत में, उन्होंने मक्खी के यादों को संग्रहीत करने के तरीके से प्रेरित एक अधिक जटिल विचार का परीक्षण किया: एक ऐसी प्रणाली जहाँ जानकारी छिपी रहती है और इसे केवल एक विशिष्ट "रिमाइंडर" सिग्नल के साथ ही प्राप्त किया जा सकता है, जिसे "साइलेंट एनग्राम" के रूप में जाना जाता है।
परिणाम स्पष्ट और सुसंगत थे: मक्खी के वायरिंग डायग्राम ने कोई मापने योग्य लाभ प्रदान नहीं किया। पहले सेट के परीक्षणों में, जहाँ शोधकर्ता ने मक्खी के मानचित्र का उपयोग कंप्यूटर के अटेंशन (ध्यान) को निर्देशित करने के लिए किया, वहां मॉडल ने बिना किसी मानचित्र वाले मॉडल की तुलना में कोई बेहतर प्रदर्शन नहीं किया। वास्तव में, जब उन्होंने मक्खी-आधारित मॉडल की तुलना उसी आकार के पूरी तरह से रैंडम नेटवर्क वाले मॉडल से की, तो रैंडम नेटवर्क अक्सर उतना ही अच्छा या उससे बेहतर प्रदर्शन करता था। शोधकर्ता ने पाया कि हालांकि मक्खी के मानचित्र में दिलचस्प पैटर्न थे, लेकिन वे पैटर्न भाषा के व्याकरण (सिंटैक्स) या तथ्यों को समझने की क्षमता में किसी खाली स्लेट (ब्लैंक स्लेट) की तुलना में बेहतर नहीं थे। एक विशिष्ट परीक्षण में मक्खी के मस्तिष्क के कच्चे कनेक्शनों को लेकर शब्दों के बीच संबंधों की भविष्यवाणी करना शामिल था। जबकि मक्खी का मानचित्र कभी-कभी अपने ही एक बिखरे हुए (स्कैम्बल) संस्करण से बेहतर प्रदर्शन कर सकता था, लेकिन वह बिना किसी मानचित्र के आधार रेखा (बेसलाइन) को हराने में विफल रहा। प्रदर्शन का अंतर इतना कम था कि वह रैंडम चांस (यादृच्छिक संयोग) से सांख्यिकीय रूप से अविभेद्य था।
प्रयोग और आगे बढ़ा, जिसने मक्खी के मस्तिष्क को एक मानक कंप्यूटर घटक के विकल्प के रूप में परीक्षण किया। शोधकर्ता ने मक्खी के मस्तिष्क के उस हिस्से को लिया जो संवेदी इनपुट को बढ़ाता है और उसे फ़िल्टर करता है, और इसे एक निश्चित प्रोसेसर के रूप में कार्य करने के लिए स्थिर कर दिया। उन्हें उम्मीद थी कि यह जैविक संरचना सूचना को संभालने का एक बेहतर तरीका होगी। इसके विपरीत, कंप्यूटर ने उस मॉडल की तुलना में खराब प्रदर्शन किया जिसका उपयोग उन्होंने समान आकार के एक साधारण, रैंडम नेटवर्क के लिए किया होता। जैविक विस्तार सूचना प्रसंस्करण के लिए एक बेहतर तरीका नहीं था; इस संदर्भ में, यह एक मानक, असंरचित नेटवर्क की तुलना में कम कुशल उपकरण था। शोधकर्ता ने "साइलेंट एनग्राम" के विचार का भी परीक्षण किया। मक्खियों में, यादें इस तरह से संग्रहीत की जा सकती हैं कि वे सामान्य जांचों के लिए अदृश्य रहती हैं, और केवल तभी सुलभ होती हैं जब एक विशिष्ट रासायनिक संकेत एक रिमाइंडर के रूप में कार्य करता है। शोधकर्ता ने एक ऐसा कंप्यूटर सिस्टम बनाया जो इस व्यवहार की नकल करता है, यह देखने के लिए कि क्या मक्खी की यह स्मृति छिपाने और पुनः प्राप्त करने की तकनीक मानक कंप्यूटर मेमोरी पर कोई लाभ प्रदान करती है। उन्होंने पाया कि हालांकि वे एक ऐसी प्रणाली बना सकते थे जो उनकी तरह काम करती है, लेकिन एक बहुत ही सरल, जेनेरिक कंप्यूटर प्रोग्राम ठीक उतना ही अच्छा काम कर सकता था। मक्खी का यादों को छिपाने का विशिष्ट तरीका अद्वितीय या श्रेष्ठ नहीं था; एक मानक, सीमित सेलेक्टर (selector) बिना किसी जटिल जैविक ब्लूप्रिंट के वही परिणाम प्राप्त कर सकता था।
यहाँ तक कि शोधकर्ता द्वारा मक्खी के मस्तिष्क को सूचना खोजने के उपकरण के रूप में उपयोग करने का प्रयास भी, जैसा कि एक मक्खी गंध पहचानने के लिए अपने मस्तिष्क का उपयोग करती है, मानक तरीकों से बेहतर प्रदर्शन करने में विफल रहा। जब उन्होंने मक्खी के विस्तार तंत्र का उपयोग डेटा को खोजने के तरीके के रूप में किया, तो एक रैंडम विस्तार विधि ने बेहतर काम किया। सघन, मानक कंप्यूटर विधियाँ सही जानकारी प्राप्त करने में कहीं अधिक श्रेष्ठ थीं। अध्ययन ने मक्खी के 'सेंट्रल कॉम्प्लेक्स' को भी देखा, जो मस्तिष्क का वह हिस्सा है जो नेविगेशन और दिशा की समझ से संबंधित है। उन्होंने यह परीक्षण करने की कोशिश की कि क्या यह संरचना कंप्यूटर में एक स्थिर मेमोरी लूप के रूप में कार्य कर सकती है, जो समय के साथ जानकारी को थामे रखे। परीक्षण ने दिखाया कि मक्खी की संरचना ने जानकारी को रैंडम नेटवर्क की तुलना में बेहतर तरीके से नहीं थामे रखा; वास्तव में, नियंत्रण समूहों (कंट्रोल ग्रुप्स) की तुलना में जानकारी तेजी से लुप्त हो गई।
पूरे अध्ययन के दौरान, शोधकर्ता इस बात को लेकर सावधान रहे कि उन्होंने क्या परीक्षण किया और क्या नहीं। उन्होंने यह दावा नहीं किया कि फ्रूट फ्लाई का मस्तिष्क सभी मशीन लर्निंग के लिए बेकार है, न ही उन्होंने यह कहा कि मस्तिष्क कंप्यूटर के लिए बुरे मॉडल हैं। उन्होंने केवल यह दिखाया कि मक्खी की वायरिंग को भाषा मॉडल में कॉपी करने के ये विशिष्ट प्रयास काम नहीं आए। उन्होंने संदर्भ के रूप में जिस 800-मिलियन-पैरामीटर वाले मॉडल का उपयोग किया था, वह उनके द्वारा मक्खी के मानचित्र के कारण बेहतर साबित नहीं हुआ था; उसका प्रदर्शन अलग से मापा गया था और वह कॉनेक्टोम प्रयोग का हिस्सा नहीं था। अध्ययन ने निष्कर्ष निकाला कि हालांकि एक ऐसा कंप्यूटर बनाना संभव है जो मक्खी के समान स्पार्स (विरल), फैमिली-लेवल कम्युनिकेशन का उपयोग करता है, लेकिन ड्रोसोफिला प्रोजेक्टोम की विशिष्ट टोपोलॉजी रैंडम या सीखे गए कनेक्शनों की तुलना में कोई लाभ नहीं देती है। जैविक ब्लूप्रिंट, इस मामले में, एक स्मार्ट मशीन के लिए शॉर्टकट नहीं था। प्रयोग ने प्रदर्शित किया कि विकासवाद का समाधान एक मक्खी के मस्तिष्क के लिए, स्वचालित रूप से कंप्यूटर को मानव भाषा समझाने की समस्या को हल नहीं करता है। यह उम्मीद कि मस्तिष्क के वायरिंग डायग्राम की नकल करने से आर्टिफिशियल इंटेलिजेंस में तुरंत सुधार होगा, इस विशिष्ट और सावधानीपूर्वक मापे गए मामले में, साक्ष्यों द्वारा समर्थित नहीं थी।
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।