आर्टिफिशियल न्यूरल नेटवर्क्सचा आकार सामान्यतः अभियंत्यांकडून घेतला जातो: नेटवर्क डेटा आणि फीडबॅकमधून शिकत असताना कनेक्शनची ताकद कशी बदलते हे डिझाइनर ठरवतात. एमआयटीच्या एका नवीन अभ्यासात असा तर्क आहे की हा डिझायनर-चालित दृष्टीकोन, कितीही शक्तिशाली असला तरी, मेंदू प्रत्यक्षात कसे शिकतो याबद्दल आपल्याला थोडेसे सांगू शकतो - आणि नेटवर्क स्वतःला कोणत्या पर्यायामध्ये व्यवस्थापित करतात हे दर्शविते.
प्रोसिडिंग्ज ऑफ द नॅशनल ॲकॅडमी ऑफ सायन्सेस (PNAS) मध्ये 9 ऑक्टोबर रोजी प्रकाशित झालेल्या पेपरमध्ये, MIT च्या मॅकगव्हर्न इन्स्टिट्यूट फॉर ब्रेन रिसर्च आणि के. लिसा यांग इंटिग्रेटिव्ह कॉम्प्युटेशनल न्यूरोसायन्स (ICoN) केंद्रातील शास्त्रज्ञ दाखवतात की एक कृत्रिम न्यूरल नेटवर्क स्वतःची शिक्षण यंत्रणा तयार करू शकते. यादृच्छिक कनेक्शनपासून प्रारंभ करून आणि कनेक्शन कसे आणि केव्हा बदलले पाहिजे याबद्दल फक्त साध्या स्थानिक नियमांचे पालन करून, नेटवर्कने स्वतःला एक प्रभावी माहिती-प्रक्रिया प्रणालीमध्ये आकार दिला. For more context on this story, see our ongoing artificial intelligence updates.
जैविक तर्कशुद्धता महत्त्वाची का आहे
"सध्याचे AI तंत्रज्ञान खूप चांगले काम करत आहे, परंतु ते मेंदूद्वारे वापरल्या जाणाऱ्या लर्निंग अल्गोरिदमचा वापर करणे आवश्यक नाही," असे Qianli Liao, K. Lisa Yang ICoN सेंटरचे पोस्टडॉक्टरल सहकारी MIT प्राध्यापक टोमासो पोगिओ आणि मार्क हार्नेट यांच्या प्रयोगशाळेतील आणि सह-प्रथम संशोधन लेखक आणि एमआयटीचे सह-प्रथम लेखक एमआयटीचे विद्यार्थी आणि एमआयटी विद्यार्थी सोबत म्हणाले. गं.
मेंदूमध्ये खिडक्या म्हणून AI मॉडेल्स वापरू इच्छिणाऱ्या न्यूरोसायंटिस्टसाठी हा फरक महत्त्वाचा आहे. आधुनिक मशीन लर्निंग बॅक-प्रसारावर अवलंबून असते, एक अल्गोरिदम बहुतेक न्यूरोसायंटिस्ट जैविक न्यूरल सर्किट्समध्ये अस्तित्वात असण्याची शक्यता कमी मानतात. "मेंदूला बाह्य डिझायनर किंवा आर्किटेक्ट नसतो," लियाओ म्हणाले. "मेंदूला स्वतःला व्यवस्थित करावे लागते. आणि मेंदूला कसे व्यवस्थित बनवायचे हे साधे नियम आपल्याला माहित असणे आवश्यक आहे."
संघाचा मध्यवर्ती युक्तिवाद असा आहे की मेंदूचे मॉडेल म्हणून नेटवर्कचे मूल्य ते स्वतःला किती प्रमाणात व्यवस्थित करू शकते - केवळ त्याचे कनेक्शनच नव्हे तर ती जोडणी समायोजित करणारी यंत्रणा देखील तपासली पाहिजे.
सेल्फ-ऑर्गनायझिंग नेटवर्क कसे कार्य करते
संशोधकांनी नेटवर्क तयार केले ज्याची रचना यादृच्छिकपणे एकमेकांशी जोडलेल्या, न्यूरॉन सारख्या युनिट्सच्या अनेक स्तरांपासून सुरू होते. प्रत्येक लेयरमध्ये, कनेक्शन कसे समायोजित केले जावे यासाठी प्रत्येक युनिट समान साध्या नियमांद्वारे नियंत्रित केले जाते. "ते नियम वापरून फक्त एकमेकांशी संवाद साधतात आणि ते काही प्रकारचे वर्तन विकसित करतात," लियाओ यांनी स्पष्ट केले.
हे नियम अशा प्रकारचे न्यूरोसायंटिस्ट मानतात की शिकत असताना मेंदूचे सर्किट रीवायर करतात — "न्यूरॉन्स जे एकत्र फायर करतात" या क्लासिक तत्त्वासह, म्हणजे एकाच वेळी सक्रिय होणे दोन न्यूरॉन्समधील कनेक्शन मजबूत करते.
नेटवर्क शिकल्याप्रमाणे, या सोप्या नियमांनुसार सेल्फ-असेंबलिंग आकृतिबंध उदयास आले आणि नंतर फंक्शनल सर्किट्ससाठी बिल्डिंग ब्लॉक्स म्हणून काम केले. ग्रेडियंट डिसेंट सारखी ऑप्टिमायझेशन स्ट्रॅटेजी वापरून त्या आकृतिबंधांनी स्वत:ची पुनर्रचना केली — बहुतेक आधुनिक मशीन लर्निंगमध्ये तयार केलेली त्रुटी-चालित समायोजन प्रक्रिया — परंतु बाह्यरित्या लादलेल्या अल्गोरिदमऐवजी नेटवर्कच्या स्वतःच्या स्थानिक गतिशीलतेतून उद्भवली.
कार्यप्रदर्शन मानक नेटवर्कशी तुलना करता येते
ही स्वयं-संघटित प्रणाली खरोखर शिकू शकते की नाही ही महत्त्वाची चाचणी होती. हे करू शकते: संघाने दाखवले की या स्थानिक नियमांद्वारे शासित स्वयं-संघटित नेटवर्क नमुने ओळखणे आणि प्रतिमांचे वर्गीकरण करणे शिकले, बॅक-प्रसाराद्वारे प्रशिक्षित पारंपारिकपणे डिझाइन केलेल्या नेटवर्क्सप्रमाणेच स्तरावर कार्य करणे.
ज्येष्ठ लेखक टोमासो पोगिओ यांनी हा परिणाम दोन क्षेत्रांमधील संभाव्य पूल म्हणून तयार केला आहे जे बर्याच काळापासून विरुद्ध दिशांनी समान यंत्रणांचा पाठलाग करत आहेत. कृत्रिम नेटवर्कसाठी बॅक-प्रोपॅगेशन काय करते ते पूर्ण करण्यासाठी मेंदू काय वापरतो हे टीमने सुचविलेले सिनॅप्टिक आकृतिबंध असल्यास, संशोधकांना "कृत्रिम आणि नैसर्गिक नेटवर्क - मशीन आणि मेंदू यांच्यातील मूलभूत यंत्रणेच्या पातळीवर मजबूत संबंध असेल."
ब्रेन-कॉम्प्युटर इंटरफेस ते उत्तम एआय पर्यंत
परिणाम दोन्ही दिशेने चालतात. न्यूरोसायन्ससाठी, सर्किट्स स्व-संघटित करणारे साधे नियम समजून घेतल्याने शिक्षण कसे कार्य करते — आणि ते कसे खंडित होते हे स्पष्ट करू शकते. लियाओ मेंदू-संगणक इंटरफेसकडे निर्देश करतात, ज्यांचे उद्दिष्ट आहे की ज्या लोकांची भाषा क्षमता गमावली आहे किंवा पक्षाघात झालेल्या रुग्णांना कृत्रिम अवयवांवर नियंत्रण ठेवू द्या, असे क्षेत्र आहे जेथे हे नियम जाणून घेणे आवश्यक आहे. "न्यूरॉन-न्यूरॉन परस्परसंवादामागील नियम जाणून घेतल्याशिवाय यापैकी कोणतेही कार्य करू शकत नाही," तो म्हणाला. "फक्त चांगले काम करणारे सर्किट डिझाइन करून ते साध्य होणार नाही." हेच ज्ञान वृद्धत्व किंवा रोगामुळे शिकण्याचे नियम विस्कळीत झालेल्या परिस्थितींसाठी उपचारांना सूचित करू शकते.
मशीन लर्निंगसाठी, निष्कर्ष अधोरेखित डिझाइन स्पेस सूचित करतात. लिआओ चेतावणी देतात की स्वयं-संघटित नेटवर्क मेंदूच्या पद्धतीने शिकत नाही - परंतु तो एक गंभीर प्रारंभिक बिंदू म्हणून स्वयं-संस्थेला फ्रेम करतो. "स्व-संघटन ही पहिली उच्च-स्तरीय फ्रेमवर्क आहे," तो म्हणाला. "एकदा आपण एक उपाय म्हणून स्वयं-संस्थेसह चांगले झालो की आपण पुढील गोष्टीबद्दल बोलू शकतो." गटाचे मुख्य उद्दिष्ट मेंदूला समजून घेणे आहे, परंतु ज्ञान शेवटी अभियंत्यांना नेटवर्क तयार करण्यात मदत करू शकते जे चांगले कार्य करतात किंवा अधिक मानवासारखे वागतात.
ग्रॅन्युलॅरिटीबद्दल एक खुला प्रश्न देखील आहे. प्राणी शिकत असताना न्यूरल कनेक्शनला आकार देणारे नियम मेंदूच्या क्षेत्रांमध्ये वेगवेगळे असू शकतात आणि मेंदू परिपक्व होताना ते बदलू शकतात - संशोधकांच्या मते, साधे-नियम मॉडेल विशिष्ट जैविक सर्किट्सशी जुळण्याआधी न्यूरोशास्त्रज्ञांनी मॅप काढणे आवश्यक आहे. त्या मॅपिंगमुळे, वृद्धत्व किंवा रोगामुळे शिक्षण यंत्रणा कुठे आणि कशी विस्कळीत होते, प्रतिबंधक रणनीती तसेच उपचारांची माहिती देते.
मॅकगव्हर्न इन्स्टिट्यूट फॉर ब्रेन रिसर्च आणि के. लिसा यांग आयकॉन सेंटरचा अभ्यास, 13 ऑक्टोबर 2026 रोजी एमआयटी न्यूजने कव्हर केला होता.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
