ਨਕਲੀ ਤੰਤੂ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਆਕਾਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ: ਡਿਜ਼ਾਈਨਰ ਇਹ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਕਿ ਕਨੈਕਸ਼ਨ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਕਿਵੇਂ ਬਦਲਦੀਆਂ ਹਨ ਜਿਵੇਂ ਕਿ ਨੈਟਵਰਕ ਡੇਟਾ ਅਤੇ ਫੀਡਬੈਕ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। MIT ਤੋਂ ਇੱਕ ਨਵਾਂ ਅਧਿਐਨ ਇਹ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਇਹ ਡਿਜ਼ਾਈਨਰ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਪਹੁੰਚ, ਭਾਵੇਂ ਕਿੰਨੀ ਵੀ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋਵੇ, ਸਾਨੂੰ ਇਸ ਬਾਰੇ ਬਹੁਤ ਘੱਟ ਦੱਸ ਸਕਦੀ ਹੈ ਕਿ ਦਿਮਾਗ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਸਿੱਖਦਾ ਹੈ - ਅਤੇ ਇੱਕ ਵਿਕਲਪ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਨੈਟਵਰਕ ਆਪਣੇ ਆਪ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦੇ ਹਨ।

ਨੈਸ਼ਨਲ ਅਕੈਡਮੀ ਆਫ਼ ਸਾਇੰਸਿਜ਼ (ਪੀਐਨਏਐਸ) ਦੀ ਕਾਰਵਾਈ ਵਿੱਚ 9 ਅਕਤੂਬਰ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਇੱਕ ਪੇਪਰ ਵਿੱਚ, ਐਮਆਈਟੀ ਦੇ ਮੈਕਗਵਰਨ ਇੰਸਟੀਚਿਊਟ ਫਾਰ ਬ੍ਰੇਨ ਰਿਸਰਚ ਅਤੇ ਕੇ. ਲੀਜ਼ਾ ਯਾਂਗ ਇੰਟੀਗ੍ਰੇਟਿਵ ਕੰਪਿਊਟੇਸ਼ਨਲ ਨਿਊਰੋਸਾਇੰਸ (ਆਈਸੀਓਐਨ) ਸੈਂਟਰ ਦੇ ਵਿਗਿਆਨੀ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਇੱਕ ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਪਣੀ ਸਿਖਲਾਈ ਮਸ਼ੀਨਰੀ ਬਣਾ ਸਕਦਾ ਹੈ। ਬੇਤਰਤੀਬ ਕੁਨੈਕਸ਼ਨਾਂ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਕੁਨੈਕਸ਼ਨਾਂ ਨੂੰ ਕਿਵੇਂ ਅਤੇ ਕਦੋਂ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ ਇਸ ਬਾਰੇ ਸਿਰਫ਼ ਸਧਾਰਨ ਸਥਾਨਕ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ, ਨੈਟਵਰਕ ਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਜਾਣਕਾਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਸਿਸਟਮ ਵਿੱਚ ਮੁੜ ਆਕਾਰ ਦਿੱਤਾ। For more context on this story, see our ongoing AI industry coverage.

ਜੀਵ-ਵਿਗਿਆਨਕ ਅਨੁਕੂਲਤਾ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦੇ ਹਨ

"ਮੌਜੂਦਾ AI ਟੈਕਨਾਲੋਜੀ ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਰਹੀ ਹੈ, ਪਰ ਇਹ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਦਿਮਾਗ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਸਿੱਖਣ ਦੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੀ," ਕਿਆਨਲੀ ਲਿਆਓ, ਐਮਆਈਟੀ ਪ੍ਰੋਫੈਸਰ ਟੋਮਾਸੋ ਪੋਗਜੀਓ ਅਤੇ ਮਾਰਕ ਹਰਨੇਟ ਦੀਆਂ ਲੈਬਾਂ ਵਿੱਚ ਕੇ. ਲੀਜ਼ਾ ਯਾਂਗ ਆਈਕੋਨ ਸੈਂਟਰ ਦੇ ਪੋਸਟ-ਡਾਕਟੋਰਲ ਫੈਲੋ, ਅਤੇ ਜ਼ੀਆਈਟੀ ਖੋਜ ਦੇ ਸਹਿ-ਪਹਿਲੇ ਲੇਖਕ ਨੇ ਕਿਹਾ। ਗਨ.

ਇਹ ਅੰਤਰ ਉਹਨਾਂ ਤੰਤੂ-ਵਿਗਿਆਨੀਆਂ ਲਈ ਮਹੱਤਵਪੂਰਣ ਹੈ ਜੋ ਦਿਮਾਗ ਵਿੱਚ ਵਿੰਡੋਜ਼ ਵਜੋਂ AI ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ। ਆਧੁਨਿਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਬੈਕ-ਪ੍ਰੋਪੈਗੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਇੱਕ ਐਲਗੋਰਿਦਮ ਜੋ ਜ਼ਿਆਦਾਤਰ ਤੰਤੂ ਵਿਗਿਆਨੀ ਜੈਵਿਕ ਤੰਤੂ ਸਰਕਟਾਂ ਵਿੱਚ ਮੌਜੂਦ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ। "ਦਿਮਾਗ ਕੋਲ ਕੋਈ ਬਾਹਰੀ ਡਿਜ਼ਾਈਨਰ ਜਾਂ ਆਰਕੀਟੈਕਟ ਨਹੀਂ ਹੈ," ਲਿਆਓ ਨੇ ਕਿਹਾ। "ਦਿਮਾਗ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਅਤੇ ਸਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ ਕਿ ਦਿਮਾਗ ਨੂੰ ਕਿਵੇਂ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਸਧਾਰਨ ਨਿਯਮ ਜਾ ਰਹੇ ਹਨ।"

ਟੀਮ ਦੀ ਕੇਂਦਰੀ ਦਲੀਲ ਇਹ ਹੈ ਕਿ ਦਿਮਾਗ ਦੇ ਨਮੂਨੇ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਨੈਟਵਰਕ ਦੇ ਮੁੱਲ ਦਾ ਨਿਰਣਾ ਇਸ ਹੱਦ ਤੱਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਆਪਣੇ ਆਪ ਨੂੰ ਕਿਸ ਹੱਦ ਤੱਕ ਸੰਗਠਿਤ ਕਰ ਸਕਦਾ ਹੈ - ਨਾ ਸਿਰਫ ਇਸਦੇ ਕੁਨੈਕਸ਼ਨ, ਪਰ ਮਸ਼ੀਨਰੀ ਜੋ ਉਹਨਾਂ ਕੁਨੈਕਸ਼ਨਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਦੀ ਹੈ।

ਸਵੈ-ਸੰਗਠਿਤ ਨੈੱਟਵਰਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ

ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਨੈੱਟਵਰਕ ਬਣਾਏ ਜਿਨ੍ਹਾਂ ਦੀ ਬਣਤਰ ਬੇਤਰਤੀਬੇ ਆਪਸ ਵਿੱਚ ਜੁੜੀਆਂ, ਨਿਊਰੋਨ ਵਰਗੀਆਂ ਇਕਾਈਆਂ ਦੀਆਂ ਕਈ ਪਰਤਾਂ ਵਜੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਹਰੇਕ ਲੇਅਰ ਦੇ ਅੰਦਰ, ਹਰੇਕ ਯੂਨਿਟ ਨੂੰ ਉਸੇ ਸਧਾਰਨ ਨਿਯਮਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਕਨੈਕਸ਼ਨਾਂ ਨੂੰ ਕਿਵੇਂ ਐਡਜਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। "ਉਹ ਸਿਰਫ ਉਸ ਨਿਯਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਦੂਜੇ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਹ ਕਿਸੇ ਕਿਸਮ ਦਾ ਵਿਵਹਾਰ ਵਿਕਸਿਤ ਕਰਦੇ ਹਨ," ਲਿਆਓ ਨੇ ਸਮਝਾਇਆ।

ਨਿਯਮ ਉਹ ਕਿਸਮ ਹਨ ਜੋ ਤੰਤੂ ਵਿਗਿਆਨੀ ਸਿੱਖਣ ਦੌਰਾਨ ਦਿਮਾਗ ਦੇ ਸਰਕਟਾਂ ਨੂੰ ਮੁੜ-ਵਾਇਰ ਕਰਦੇ ਹਨ - ਜਿਸ ਵਿੱਚ ਕਲਾਸਿਕ ਸਿਧਾਂਤ ਵੀ ਸ਼ਾਮਲ ਹੈ ਕਿ "ਨਿਊਰੋਨ ਜੋ ਇਕੱਠੇ ਤਾਰ ਦਿੰਦੇ ਹਨ," ਭਾਵ ਇੱਕੋ ਸਮੇਂ ਦੀ ਸਰਗਰਮੀ ਦੋ ਨਿਊਰੋਨਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਦੀ ਹੈ।

ਜਿਵੇਂ ਕਿ ਨੈਟਵਰਕ ਨੇ ਸਿੱਖਿਆ, ਸਵੈ-ਅਸੈਂਬਲਿੰਗ ਮੋਟਿਫਸ ਇਹਨਾਂ ਸਧਾਰਨ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਉਭਰ ਕੇ ਸਾਹਮਣੇ ਆਏ ਅਤੇ ਫਿਰ ਕਾਰਜਸ਼ੀਲ ਸਰਕਟਾਂ ਲਈ ਬਿਲਡਿੰਗ ਬਲਾਕਾਂ ਵਜੋਂ ਕੰਮ ਕੀਤਾ। ਉਹ ਨਮੂਨੇ ਗਰੇਡੀਐਂਟ ਡਿਸੇਂਟ ਵਰਗੀ ਇੱਕ ਅਨੁਕੂਲਨ ਰਣਨੀਤੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਆਪਣੇ ਆਪ ਨੂੰ ਪੁਨਰਗਠਿਤ ਕਰਨ ਲਈ ਅੱਗੇ ਵਧੇ - ਜ਼ਿਆਦਾਤਰ ਆਧੁਨਿਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਬਣੀ ਗਲਤੀ-ਸੰਚਾਲਿਤ ਵਿਵਸਥਾ ਪ੍ਰਕਿਰਿਆ - ਪਰ ਇੱਕ ਬਾਹਰੀ ਤੌਰ 'ਤੇ ਲਗਾਏ ਗਏ ਐਲਗੋਰਿਦਮ ਦੀ ਬਜਾਏ ਨੈੱਟਵਰਕ ਦੀ ਆਪਣੀ ਸਥਾਨਕ ਗਤੀਸ਼ੀਲਤਾ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ।

ਪ੍ਰਦਰਸ਼ਨ ਮਿਆਰੀ ਨੈੱਟਵਰਕਾਂ ਦੇ ਮੁਕਾਬਲੇ

ਮਹੱਤਵਪੂਰਨ ਟੈਸਟ ਇਹ ਸੀ ਕਿ ਕੀ ਇਹ ਸਵੈ-ਸੰਗਠਿਤ ਪ੍ਰਣਾਲੀ ਅਸਲ ਵਿੱਚ ਸਿੱਖ ਸਕਦੀ ਹੈ. ਇਹ ਹੋ ਸਕਦਾ ਹੈ: ਟੀਮ ਨੇ ਦਿਖਾਇਆ ਕਿ ਇਹਨਾਂ ਸਥਾਨਕ ਨਿਯਮਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਨੈਟਵਰਕ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨਾ ਅਤੇ ਚਿੱਤਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਸਿੱਖਦਾ ਹੈ, ਬੈਕ-ਪ੍ਰਸਾਰ ਦੁਆਰਾ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਨੈਟਵਰਕਾਂ ਦੇ ਸਮਾਨ ਪੱਧਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

ਸੀਨੀਅਰ ਲੇਖਕ ਟੋਮਾਸੋ ਪੋਗਜੀਓ ਨੇ ਨਤੀਜੇ ਨੂੰ ਦੋ ਖੇਤਰਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸੰਭਾਵੀ ਪੁਲ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਹੈ ਜੋ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਉਲਟ ਦਿਸ਼ਾਵਾਂ ਤੋਂ ਇੱਕੋ ਵਿਧੀ ਦਾ ਪਿੱਛਾ ਕਰ ਰਹੇ ਹਨ। ਜੇ ਟੀਮ ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਸਿਨੈਪਟਿਕ ਨਮੂਨੇ ਉਹ ਹਨ ਜੋ ਦਿਮਾਗ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਨਕਲੀ ਨੈਟਵਰਕਾਂ ਲਈ ਬੈਕ-ਪ੍ਰਸਾਰ ਕੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਸਨੇ ਨੋਟ ਕੀਤਾ, ਖੋਜਕਰਤਾਵਾਂ ਕੋਲ "ਨਕਲੀ ਅਤੇ ਕੁਦਰਤੀ ਨੈਟਵਰਕਾਂ - ਮਸ਼ੀਨਾਂ ਅਤੇ ਦਿਮਾਗਾਂ ਵਿਚਕਾਰ ਬੁਨਿਆਦੀ ਵਿਧੀ ਦੇ ਪੱਧਰ 'ਤੇ ਇੱਕ ਮਜ਼ਬੂਤ ​​​​ਸੰਬੰਧ ਹੋਵੇਗਾ।"

ਦਿਮਾਗ-ਕੰਪਿਊਟਰ ਇੰਟਰਫੇਸ ਤੋਂ ਬਿਹਤਰ ਏ.ਆਈ

ਪ੍ਰਭਾਵ ਦੋਵੇਂ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਚਲਦੇ ਹਨ. ਨਿਊਰੋਸਾਇੰਸ ਲਈ, ਸਰਕਟਾਂ ਨੂੰ ਸਵੈ-ਸੰਗਠਿਤ ਕਰਨ ਵਾਲੇ ਸਧਾਰਨ ਨਿਯਮਾਂ ਨੂੰ ਸਮਝਣਾ ਇਹ ਸਪੱਸ਼ਟ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਸਿੱਖਣਾ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ - ਅਤੇ ਇਹ ਕਿਵੇਂ ਟੁੱਟਦਾ ਹੈ। ਲਿਆਓ ਦਿਮਾਗ-ਕੰਪਿਊਟਰ ਇੰਟਰਫੇਸ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਸੰਚਾਰ ਨੂੰ ਬਹਾਲ ਕਰਨਾ ਹੈ ਜੋ ਭਾਸ਼ਾ ਦੀ ਯੋਗਤਾ ਗੁਆ ਚੁੱਕੇ ਹਨ ਜਾਂ ਅਧਰੰਗ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਨਕਲੀ ਅੰਗਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਦਿੰਦੇ ਹਨ, ਇੱਕ ਖੇਤਰ ਵਜੋਂ ਜਿੱਥੇ ਇਹਨਾਂ ਨਿਯਮਾਂ ਨੂੰ ਜਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ। "ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਨਿਊਰੋਨ-ਨਿਊਰੋਨ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੇ ਪਿੱਛੇ ਨਿਯਮਾਂ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕਦਾ," ਉਸਨੇ ਕਿਹਾ। "ਇਹ ਸਿਰਫ ਇੱਕ ਸਰਕਟ ਡਿਜ਼ਾਈਨ ਕਰਕੇ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਬਹੁਤ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ." ਉਹੀ ਗਿਆਨ ਉਹਨਾਂ ਹਾਲਤਾਂ ਲਈ ਇਲਾਜਾਂ ਨੂੰ ਸੂਚਿਤ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਿੱਖਣ ਦੇ ਨਿਯਮ ਬੁਢਾਪੇ ਜਾਂ ਬਿਮਾਰੀ ਦੁਆਰਾ ਵਿਘਨ ਪਾਉਂਦੇ ਹਨ।

ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ, ਖੋਜਾਂ ਇੱਕ ਘੱਟ ਖੋਜੀ ਡਿਜ਼ਾਈਨ ਸਪੇਸ ਦਾ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ। ਲਿਆਓ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ ਕਿ ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਨੈੱਟਵਰਕ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਦਿਮਾਗ ਦੇ ਤਰੀਕੇ ਨੂੰ ਨਹੀਂ ਸਿੱਖਦਾ - ਪਰ ਉਹ ਸਵੈ-ਸੰਗਠਨ ਨੂੰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਵਜੋਂ ਫਰੇਮ ਕਰਦਾ ਹੈ। "ਸਵੈ-ਸੰਗਠਨ ਪਹਿਲਾ ਉੱਚ-ਪੱਧਰੀ ਢਾਂਚਾ ਹੈ," ਉਸਨੇ ਕਿਹਾ। "ਇੱਕ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਮਾਪ ਵਜੋਂ ਸਵੈ-ਸੰਗਠਨ ਦੇ ਨਾਲ ਚੰਗੇ ਹੋ ਜਾਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਅਗਲੀ ਚੀਜ਼ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ." ਗਰੁੱਪ ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਦਿਮਾਗ ਨੂੰ ਸਮਝਣਾ ਹੈ, ਪਰ ਇਹ ਗਿਆਨ ਆਖਰਕਾਰ ਇੰਜਨੀਅਰਾਂ ਨੂੰ ਅਜਿਹੇ ਨੈਟਵਰਕ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ ਜਾਂ ਵਧੇਰੇ ਮਨੁੱਖੀ ਤਰੀਕੇ ਨਾਲ ਵਿਵਹਾਰ ਕਰਦੇ ਹਨ।

ਗ੍ਰੈਨਿਊਲਿਟੀ ਬਾਰੇ ਵੀ ਇੱਕ ਖੁੱਲ੍ਹਾ ਸਵਾਲ ਹੈ. ਇੱਕ ਜਾਨਵਰ ਦੇ ਸਿੱਖਣ ਦੇ ਰੂਪ ਵਿੱਚ ਤੰਤੂ ਕਨੈਕਸ਼ਨਾਂ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਣ ਵਾਲੇ ਨਿਯਮ ਦਿਮਾਗ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਉਹ ਦਿਮਾਗ ਦੇ ਪਰਿਪੱਕ ਹੋਣ ਦੇ ਨਾਲ ਬਦਲ ਸਕਦੇ ਹਨ - ਇੱਕ ਸੰਭਾਵਨਾ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਤੰਤੂ-ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸਧਾਰਨ-ਨਿਯਮ ਮਾਡਲਾਂ ਨੂੰ ਖਾਸ ਜੈਵਿਕ ਸਰਕਟਾਂ ਨਾਲ ਮੇਲਣ ਤੋਂ ਪਹਿਲਾਂ ਮੈਪ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਮੈਪਿੰਗ, ਬਦਲੇ ਵਿੱਚ, ਇਹ ਦੱਸ ਸਕਦੀ ਹੈ ਕਿ ਸਿਖਲਾਈ ਮਸ਼ੀਨਰੀ ਕਿੱਥੇ ਅਤੇ ਕਿਵੇਂ ਬੁਢਾਪੇ ਜਾਂ ਬਿਮਾਰੀ ਦੁਆਰਾ ਵਿਘਨ ਪਾਉਂਦੀ ਹੈ, ਰੋਕਥਾਮ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਇਲਾਜਾਂ ਦੀ ਜਾਣਕਾਰੀ ਦਿੰਦੀ ਹੈ।

ਮੈਕਗਵਰਨ ਇੰਸਟੀਚਿਊਟ ਫਾਰ ਬ੍ਰੇਨ ਰਿਸਰਚ ਅਤੇ ਕੇ. ਲੀਜ਼ਾ ਯਾਂਗ ਆਈਕੋਨ ਸੈਂਟਰ ਤੋਂ ਅਧਿਐਨ, 13 ਅਕਤੂਬਰ, 2026 ਨੂੰ MIT ਨਿਊਜ਼ ਦੁਆਰਾ ਕਵਰ ਕੀਤਾ ਗਿਆ ਸੀ।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →