कृत्रिम तंत्रिका नेटवर्क को आमतौर पर इंजीनियरों द्वारा आकार दिया जाता है: डिजाइनर तय करते हैं कि कनेक्शन की ताकत कैसे बदलती है क्योंकि नेटवर्क डेटा और फीडबैक से सीखता है। एमआईटी के एक नए अध्ययन का तर्क है कि यह डिजाइनर-संचालित दृष्टिकोण, हालांकि शक्तिशाली है, हमें इस बारे में बहुत कम बता सकता है कि मस्तिष्क वास्तव में कैसे सीखता है - और एक विकल्प प्रदर्शित करता है जिसमें नेटवर्क खुद को व्यवस्थित करते हैं।
प्रोसीडिंग्स ऑफ द नेशनल एकेडमी ऑफ साइंसेज (पीएनएएस) में 9 अक्टूबर को प्रकाशित एक पेपर में, एमआईटी के मैकगवर्न इंस्टीट्यूट फॉर ब्रेन रिसर्च और के. लिसा यांग इंटीग्रेटिव कम्प्यूटेशनल न्यूरोसाइंस (आईसीओएन) सेंटर के वैज्ञानिक बताते हैं कि एक कृत्रिम तंत्रिका नेटवर्क अपनी खुद की सीखने की मशीनरी बना सकता है। यादृच्छिक कनेक्शन से शुरू करके और कनेक्शन कैसे और कब बदलना चाहिए इसके बारे में केवल सरल स्थानीय नियमों का पालन करते हुए, नेटवर्क ने खुद को एक प्रभावी सूचना-प्रसंस्करण प्रणाली में बदल दिया। For more context on this story, see our ongoing breaking AI news.
जैविक संभाव्यता क्यों मायने रखती है
"मौजूदा एआई तकनीक बहुत अच्छी तरह से काम कर रही है, लेकिन यह आवश्यक रूप से मस्तिष्क द्वारा उपयोग किए जाने वाले शिक्षण एल्गोरिदम का उपयोग नहीं करता है," एमआईटी प्रोफेसर टोमासो पोगियो और मार्क हार्नेट की प्रयोगशालाओं में के लिसा यांग आईसीओएन सेंटर के पोस्टडॉक्टरल फेलो और एमआईटी शोध वैज्ञानिक लियू ज़ियिन और स्नातक छात्र युलु गण के साथ पेपर के सह-प्रथम लेखक कियानली लियाओ ने कहा।
यह अंतर उन तंत्रिका वैज्ञानिकों के लिए मायने रखता है जो एआई मॉडल को मस्तिष्क में खिड़कियों के रूप में उपयोग करना चाहते हैं। आधुनिक मशीन लर्निंग बैक-प्रॉपेगेशन पर निर्भर करती है, एक एल्गोरिथ्म जिसे अधिकांश न्यूरोवैज्ञानिक जैविक तंत्रिका सर्किट में मौजूद होने की संभावना नहीं मानते हैं। लियाओ ने कहा, "मस्तिष्क में कोई बाहरी डिजाइनर या वास्तुकार नहीं होता है।" "मस्तिष्क को खुद को व्यवस्थित करना होगा। और हमें यह जानने की जरूरत है कि मस्तिष्क को कितने सरल नियम व्यवस्थित करेंगे।"
टीम का केंद्रीय तर्क यह है कि मस्तिष्क के एक मॉडल के रूप में एक नेटवर्क का मूल्य इस बात से आंका जाना चाहिए कि वह किस हद तक खुद को व्यवस्थित कर सकता है - न केवल उसके कनेक्शन, बल्कि वह मशीनरी जो उन कनेक्शनों को समायोजित करती है।
स्व-संगठित नेटवर्क कैसे काम करता है
शोधकर्ताओं ने ऐसे नेटवर्क बनाए जिनकी संरचना बेतरतीब ढंग से जुड़ी हुई, न्यूरॉन जैसी इकाइयों की कई परतों के रूप में शुरू होती है। प्रत्येक परत के भीतर, प्रत्येक इकाई कनेक्शन को कैसे समायोजित किया जाना चाहिए, इसके लिए समान सरल नियमों द्वारा शासित होती है। "वे बस उस नियम का उपयोग करके एक-दूसरे के साथ बातचीत करते हैं, और वे कुछ प्रकार का व्यवहार विकसित करते हैं," लियाओ ने समझाया।
नियम ऐसे हैं जैसे न्यूरोवैज्ञानिकों का मानना है कि सीखने के दौरान मस्तिष्क सर्किट को फिर से तार दिया जाता है - जिसमें क्लासिक सिद्धांत भी शामिल है कि "न्यूरॉन्स जो एक साथ आग लगाते हैं, एक साथ तार करते हैं," जिसका अर्थ है कि एक साथ सक्रियण दो न्यूरॉन्स के बीच संबंध को मजबूत करता है।
जैसा कि नेटवर्क ने सीखा, स्व-संयोजन रूपांकन इन सरल नियमों के अनुसार उभरे और फिर कार्यात्मक सर्किट के लिए बिल्डिंग ब्लॉक के रूप में कार्य किया। उन रूपांकनों ने ग्रेडिएंट डिसेंट जैसी एक अनुकूलन रणनीति का उपयोग करके खुद को पुनर्गठित किया - अधिकांश आधुनिक मशीन लर्निंग में निर्मित त्रुटि-संचालित समायोजन प्रक्रिया - लेकिन बाहरी रूप से लगाए गए एल्गोरिदम के बजाय नेटवर्क की अपनी स्थानीय गतिशीलता से उत्पन्न होती है।
मानक नेटवर्क के तुलनीय प्रदर्शन
महत्वपूर्ण परीक्षण यह था कि क्या यह स्व-संगठित प्रणाली वास्तव में सीख सकती है। यह हो सकता है: टीम ने दिखाया कि इन स्थानीय नियमों द्वारा शासित एक स्व-संगठित नेटवर्क ने पैटर्न को पहचानना और छवियों को वर्गीकृत करना सीख लिया है, जो बैक-प्रचार के माध्यम से प्रशिक्षित पारंपरिक रूप से डिज़ाइन किए गए नेटवर्क के समान स्तर पर प्रदर्शन करता है।
वरिष्ठ लेखक टोमासो पोगियो ने परिणाम को दो क्षेत्रों के बीच एक संभावित पुल के रूप में तैयार किया जो लंबे समय से विपरीत दिशाओं से समान तंत्र का पीछा कर रहे हैं। यदि टीम द्वारा प्रस्तावित सिनैप्टिक रूपांकनों का उपयोग मस्तिष्क कृत्रिम नेटवर्क के लिए बैक-प्रचार के लिए करता है, तो उन्होंने कहा, शोधकर्ताओं के पास "कृत्रिम और प्राकृतिक नेटवर्क के बीच मौलिक तंत्र के स्तर पर एक मजबूत संबंध होगा - मशीनों और दिमाग के बीच।"
ब्रेन-कंप्यूटर इंटरफेस से लेकर बेहतर एआई तक
निहितार्थ दोनों दिशाओं में चलते हैं। तंत्रिका विज्ञान के लिए, उन सरल नियमों को समझना जिनके द्वारा सर्किट स्वयं-व्यवस्थित होते हैं, यह स्पष्ट कर सकते हैं कि सीखना कैसे काम करता है - और यह कैसे टूटता है। लियाओ मस्तिष्क-कंप्यूटर इंटरफेस की ओर इशारा करते हैं, जिसका उद्देश्य उन लोगों के लिए संचार बहाल करना है जो भाषा क्षमताओं को खो चुके हैं या लकवाग्रस्त रोगियों को कृत्रिम अंगों को नियंत्रित करने देते हैं, एक ऐसे क्षेत्र के रूप में जहां इन नियमों को जानना आवश्यक है। उन्होंने कहा, "इनमें से कोई भी न्यूरॉन-न्यूरॉन इंटरैक्शन के पीछे के नियमों को जाने बिना काम नहीं कर सकता है।" "यह केवल एक ऐसे सर्किट को डिज़ाइन करने से प्राप्त नहीं किया जा सकता जो बहुत अच्छी तरह से काम करता है।" वही ज्ञान उन स्थितियों के लिए उपचारों की जानकारी दे सकता है जिनमें सीखने के नियम उम्र बढ़ने या बीमारी के कारण बाधित होते हैं।
मशीन लर्निंग के लिए, निष्कर्ष एक कम खोजे गए डिज़ाइन स्थान का सुझाव देते हैं। लियाओ ने चेतावनी दी है कि एक स्व-संगठित नेटवर्क आवश्यक रूप से मस्तिष्क की तरह नहीं सीखता है - लेकिन वह स्व-संगठन को एक महत्वपूर्ण प्रारंभिक बिंदु के रूप में देखता है। उन्होंने कहा, "स्व-संगठन पहला उच्च स्तरीय ढांचा है।" "एक बार जब हम एक उपाय के रूप में आत्म-संगठन के साथ अच्छे हो जाते हैं, तो हम अगली चीज़ के बारे में बात कर सकते हैं।" समूह का मुख्य उद्देश्य मस्तिष्क को समझना है, लेकिन ज्ञान अंततः इंजीनियरों को ऐसे नेटवर्क बनाने में मदद कर सकता है जो बेहतर प्रदर्शन करते हैं या अधिक मानवीय तरीकों से व्यवहार करते हैं।
ग्रैन्युलैरिटी के बारे में भी एक खुला प्रश्न है। एक जानवर के सीखने के दौरान तंत्रिका कनेक्शन को नया आकार देने वाले नियम मस्तिष्क क्षेत्रों में भिन्न हो सकते हैं, और वे मस्तिष्क के परिपक्व होने के साथ बदल सकते हैं - एक संभावना है कि शोधकर्ताओं का कहना है कि सरल-नियम मॉडल को विशिष्ट जैविक सर्किट से मिलान करने से पहले न्यूरोवैज्ञानिकों को इसका पता लगाना चाहिए। वह मानचित्रण, बदले में, यह बता सकता है कि उम्र बढ़ने या बीमारी के कारण सीखने की मशीनरी कहाँ और कैसे बाधित होती है, रोकथाम रणनीतियों के साथ-साथ उपचारों की भी जानकारी देती है।
मैकगवर्न इंस्टीट्यूट फॉर ब्रेन रिसर्च और के. लिसा यांग आईसीओएन सेंटर के अध्ययन को 13 अक्टूबर, 2026 को एमआईटी न्यूज द्वारा कवर किया गया था।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
