কৃত্রিম নিউরাল নেটওয়ার্কগুলি সাধারণত প্রকৌশলীদের দ্বারা তৈরি হয়: ডিজাইনাররা সিদ্ধান্ত নেয় যে নেটওয়ার্ক ডেটা এবং প্রতিক্রিয়া থেকে শেখার সাথে সাথে সংযোগের শক্তিগুলি কীভাবে পরিবর্তিত হয়। এমআইটি থেকে একটি নতুন গবেষণায় যুক্তি দেওয়া হয়েছে যে এই ডিজাইনার-চালিত পদ্ধতি, যত শক্তিশালীই হোক না কেন, মস্তিষ্ক আসলে কীভাবে শেখে সে সম্পর্কে আমাদের সামান্য কিছু বলতে পারে - এবং নেটওয়ার্কগুলি নিজেদেরকে সংগঠিত করে এমন একটি বিকল্প প্রদর্শন করে।
প্রসিডিংস অফ দ্য ন্যাশনাল একাডেমি অফ সায়েন্সেস (PNAS)-এ 9 অক্টোবর প্রকাশিত একটি গবেষণাপত্রে, MIT-এর McGovern Institute for Brain Research এবং K. Lisa Yang Integrative Computational Neuroscience (ICoN) সেন্টারের বিজ্ঞানীরা দেখান যে একটি কৃত্রিম নিউরাল নেটওয়ার্ক তার নিজস্ব শেখার যন্ত্রপাতি তৈরি করতে পারে। এলোমেলো সংযোগগুলি থেকে শুরু করে এবং কীভাবে এবং কখন সংযোগগুলি পরিবর্তন করা উচিত সে সম্পর্কে শুধুমাত্র সাধারণ স্থানীয় নিয়ম অনুসরণ করে, নেটওয়ার্কটি নিজেকে একটি কার্যকর তথ্য-প্রক্রিয়াকরণ সিস্টেমে রূপান্তরিত করেছে। For more context on this story, see our ongoing AI news.
কেন জৈবিক যুক্তিসঙ্গততা গুরুত্বপূর্ণ
"বর্তমান এআই প্রযুক্তি খুব ভাল কাজ করছে, তবে এটি মস্তিষ্কের দ্বারা ব্যবহৃত একটি শেখার অ্যালগরিদম ব্যবহার করে না," বলেছেন কিয়ানলি লিয়াও, কে. লিসা ইয়াং আইকন সেন্টারের পোস্টডক্টরাল ফেলো এমআইটি অধ্যাপক টমাসো পোজিও এবং মার্ক হার্নেটের ল্যাবে পোস্টডক্টরাল ফেলো, এবং জিআইটি গবেষণার সহ-প্রথম লেখক এবং এমআইটি-এর সহ-প্রথম লেখক এবং ছাত্র-শিক্ষক। গন.
পার্থক্যটি স্নায়ুবিজ্ঞানীদের কাছে গুরুত্বপূর্ণ যারা এআই মডেলগুলিকে মস্তিষ্কের জানালা হিসাবে ব্যবহার করতে চান। আধুনিক মেশিন লার্নিং ব্যাক-প্রোপাগেশনের উপর নির্ভর করে, একটি অ্যালগরিদম যা বেশিরভাগ নিউরোসায়েন্টিস্টরা জৈবিক নিউরাল সার্কিটে থাকার সম্ভাবনা কম বলে মনে করেন। "মস্তিষ্কের কোনও বহিরাগত ডিজাইনার বা স্থপতি নেই," লিয়াও বলেছিলেন। "মস্তিষ্ককে নিজেকে সংগঠিত করতে হবে। এবং আমাদের জানতে হবে কত সহজ নিয়ম মস্তিষ্ককে সংগঠিত করতে যাচ্ছে।"
দলের কেন্দ্রীয় যুক্তি হল যে মস্তিষ্কের মডেল হিসাবে একটি নেটওয়ার্কের মান বিচার করা উচিত যে পরিমাণে এটি নিজেকে সংগঠিত করতে পারে — কেবল তার সংযোগগুলি নয়, তবে সেই সংযোগগুলিকে সামঞ্জস্য করে এমন যন্ত্রপাতি।
কিভাবে স্ব-সংগঠিত নেটওয়ার্ক কাজ করে
গবেষকরা এমন নেটওয়ার্ক তৈরি করেছেন যার গঠন এলোমেলোভাবে আন্তঃসংযুক্ত, নিউরনের মতো ইউনিটের একাধিক স্তর হিসাবে শুরু হয়। প্রতিটি স্তরের মধ্যে, সংযোগগুলি কীভাবে সামঞ্জস্য করা উচিত তার জন্য প্রতিটি ইউনিট একই সাধারণ নিয়ম দ্বারা পরিচালিত হয়। "তারা কেবল সেই নিয়মটি ব্যবহার করে একে অপরের সাথে যোগাযোগ করে এবং তারা কিছু ধরণের আচরণ বিকাশ করে," লিয়াও ব্যাখ্যা করেছিলেন।
নিয়মগুলি হল সেই ধরনের স্নায়ুবিজ্ঞানীরা বিশ্বাস করেন যে শেখার সময় মস্তিষ্কের সার্কিটগুলিকে রিওয়্যার করে — ক্লাসিক নীতি সহ যে "নিউরনগুলি একসাথে তারে আগুন দেয়" যার অর্থ একই সাথে সক্রিয়করণ দুটি নিউরনের মধ্যে সংযোগকে শক্তিশালী করে।
নেটওয়ার্ক যেমন শিখেছে, স্ব-একত্রিত মোটিফগুলি এই সাধারণ নিয়ম অনুসারে আবির্ভূত হয়েছে এবং তারপরে কার্যকরী সার্কিটগুলির জন্য বিল্ডিং ব্লক হিসাবে কাজ করেছে। এই মোটিফগুলি গ্রেডিয়েন্ট ডিসেন্টের অনুরূপ একটি অপ্টিমাইজেশান কৌশল ব্যবহার করে নিজেদেরকে পুনর্গঠিত করতে গিয়েছিল — ত্রুটি-চালিত সমন্বয় প্রক্রিয়া যা বেশিরভাগ আধুনিক মেশিন লার্নিং-এ তৈরি হয়েছিল — কিন্তু বাহ্যিকভাবে আরোপিত অ্যালগরিদমের পরিবর্তে নেটওয়ার্কের নিজস্ব স্থানীয় গতিশীলতা থেকে উদ্ভূত।
কর্মক্ষমতা স্ট্যান্ডার্ড নেটওয়ার্কের সাথে তুলনীয়
এই স্ব-সংগঠিত সিস্টেম আসলে শিখতে পারে কিনা তা ছিল গুরুত্বপূর্ণ পরীক্ষা। এটি করতে পারে: দলটি দেখিয়েছে যে এই স্থানীয় নিয়মগুলি দ্বারা পরিচালিত একটি স্ব-সংগঠিত নেটওয়ার্ক প্যাটার্ন চিনতে এবং চিত্রগুলিকে শ্রেণীবদ্ধ করতে শিখেছে, যা ব্যাক-প্রচারের মাধ্যমে প্রশিক্ষিত প্রচলিতভাবে ডিজাইন করা নেটওয়ার্কগুলির মতো একটি স্তরে পারফর্ম করে।
সিনিয়র লেখক টোমাসো পোজিও ফলাফলটিকে দুটি ক্ষেত্রের মধ্যে একটি সম্ভাব্য সেতু হিসাবে তৈরি করেছেন যা দীর্ঘদিন ধরে বিপরীত দিক থেকে একই প্রক্রিয়াটিকে তাড়া করছে। কৃত্রিম নেটওয়ার্কের জন্য ব্যাক-প্রোপাগেশন যা করে তা সম্পন্ন করার জন্য যদি দলটি সিনাপটিক মোটিফগুলি প্রস্তাব করে, তবে তিনি উল্লেখ করেছেন, গবেষকদের "কৃত্রিম এবং প্রাকৃতিক নেটওয়ার্কগুলির মধ্যে মৌলিক প্রক্রিয়াগুলির স্তরে একটি শক্তিশালী সংযোগ থাকবে - মেশিন এবং মস্তিষ্কের মধ্যে।"
ব্রেন-কম্পিউটার ইন্টারফেস থেকে বেটার এআই পর্যন্ত
প্রভাব উভয় দিকে সঞ্চালিত হয়. নিউরোসায়েন্সের জন্য, সার্কিটগুলি স্ব-সংগঠিত করার সহজ নিয়মগুলি বোঝার মাধ্যমে শেখার কীভাবে কাজ করে — এবং কীভাবে এটি ভেঙে যায় তা স্পষ্ট করতে পারে। লিয়াও মস্তিষ্ক-কম্পিউটার ইন্টারফেসের দিকে ইঙ্গিত করেছেন, যার লক্ষ্য হল সেই লোকেদের জন্য যোগাযোগ পুনরুদ্ধার করা যারা ভাষার ক্ষমতা হারিয়ে ফেলেছে বা পক্ষাঘাতগ্রস্ত রোগীদের কৃত্রিম অঙ্গগুলিকে নিয়ন্ত্রণ করতে দেয়, যেখানে এই নিয়মগুলি জানা অপরিহার্য। "নিউরন-নিউরন ইন্টারঅ্যাকশনের পিছনে নিয়ম না জেনে এগুলোর কোনোটাই কাজ করতে পারে না," তিনি বলেন। "শুধুমাত্র একটি সার্কিট ডিজাইন করে এটি অর্জনযোগ্য নয় যা খুব ভাল কাজ করে।" একই জ্ঞান এমন অবস্থার জন্য থেরাপিগুলিকে জানাতে পারে যেখানে বার্ধক্য বা রোগ দ্বারা শেখার নিয়মগুলি ব্যাহত হয়।
মেশিন লার্নিংয়ের জন্য, ফলাফলগুলি একটি অন্বেষণ করা নকশার জায়গার পরামর্শ দেয়। লিয়াও সতর্ক করেন যে একটি স্ব-সংগঠিত নেটওয়ার্ক অগত্যা যেভাবে মস্তিষ্ক করে তা শেখে না - তবে তিনি স্ব-সংগঠনকে একটি গুরুত্বপূর্ণ সূচনা পয়েন্ট হিসাবে ফ্রেম করেন। "স্ব-সংগঠন হল প্রথম উচ্চ-স্তরের কাঠামো," তিনি বলেছিলেন। "একবার আমরা একটি পরিমাপ হিসাবে স্ব-সংগঠনের সাথে ভাল হলে, আমরা পরবর্তী জিনিস সম্পর্কে কথা বলতে পারি।" গোষ্ঠীর মূল উদ্দেশ্য হল মস্তিষ্ককে বোঝা, কিন্তু জ্ঞান শেষ পর্যন্ত ইঞ্জিনিয়ারদের এমন নেটওয়ার্ক তৈরি করতে সাহায্য করতে পারে যা আরও ভাল কাজ করে বা আরও মানুষের মতো আচরণ করে।
গ্রানুলারিটি সম্পর্কে একটি খোলা প্রশ্নও রয়েছে। যে নিয়মগুলি একটি প্রাণী শেখে স্নায়ু সংযোগগুলিকে পুনর্নির্মাণ করে সেগুলি মস্তিষ্কের অঞ্চলগুলিতে আলাদা হতে পারে এবং মস্তিষ্কের পরিপক্ক হওয়ার সাথে সাথে সেগুলি পরিবর্তিত হতে পারে - একটি সম্ভাবনা গবেষকরা বলছেন যে সাধারণ নিয়মের মডেলগুলি নির্দিষ্ট জৈবিক সার্কিটের সাথে মেলানোর আগে স্নায়ুবিজ্ঞানীদের অবশ্যই ম্যাপ আউট করতে হবে৷ সেই ম্যাপিং, ঘুরে, প্রকাশ করতে পারে কোথায় এবং কীভাবে শেখার যন্ত্রপাতি বার্ধক্য বা রোগ দ্বারা ব্যাহত হয়, প্রতিরোধের কৌশল এবং সেইসাথে থেরাপির অবহিত করে।
ম্যাকগভর্ন ইনস্টিটিউট ফর ব্রেন রিসার্চ এবং কে. লিসা ইয়াং আইকন সেন্টারের গবেষণাটি 13 অক্টোবর, 2026-এ এমআইটি নিউজ দ্বারা কভার করা হয়েছিল।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
