செயற்கை நரம்பியல் நெட்வொர்க்குகள் பொதுவாக பொறியாளர்களால் வடிவமைக்கப்படுகின்றன: தரவு மற்றும் பின்னூட்டங்களில் இருந்து நெட்வொர்க் கற்றுக் கொள்ளும் போது இணைப்பு பலம் எவ்வாறு மாறுகிறது என்பதை வடிவமைப்பாளர்கள் தீர்மானிக்கிறார்கள். எம்ஐடியின் ஒரு புதிய ஆய்வு, இந்த வடிவமைப்பாளர்-உந்துதல் அணுகுமுறை, எவ்வளவு சக்தி வாய்ந்ததாக இருந்தாலும், மூளை உண்மையில் எவ்வாறு கற்றுக்கொள்கிறது என்பதைப் பற்றி நமக்குச் சிறிது கூறலாம் - மற்றும் நெட்வொர்க்குகள் தங்களை ஒழுங்கமைக்கும் மாற்றீட்டை நிரூபிக்கிறது.
நேஷனல் அகாடமி ஆஃப் சயின்ஸின் (PNAS) செயல்முறைகளில் அக்டோபர் 9 ஆம் தேதி வெளியிடப்பட்ட ஒரு கட்டுரையில், MIT இன் McGovern Institute for Brain Research மற்றும் K. Lisa Yang Integrative Computational Neuroscience (ICoN) மையத்தின் விஞ்ஞானிகள், ஒரு செயற்கை நரம்பியல் நெட்வொர்க் அதன் சொந்த கற்றல் இயந்திரத்தை உருவாக்க முடியும் என்பதைக் காட்டுகிறது. சீரற்ற இணைப்புகளில் இருந்து தொடங்கி, இணைப்புகள் எப்படி எப்போது மாற வேண்டும் என்பது பற்றிய எளிய உள்ளூர் விதிகளை மட்டும் பின்பற்றி, நெட்வொர்க் தன்னை ஒரு பயனுள்ள தகவல்-செயலாக்க அமைப்பாக மாற்றிக்கொண்டது. For more context on this story, see our ongoing more AI stories.
ஏன் உயிரியல் நம்பகத்தன்மை முக்கியமானது
"தற்போதைய AI தொழில்நுட்பம் நன்றாக வேலை செய்கிறது, ஆனால் அது மூளையால் பயன்படுத்தப்படும் கற்றல் வழிமுறையைப் பயன்படுத்த வேண்டிய அவசியமில்லை" என்று MIT பேராசிரியர்களான Tomaso Poggio மற்றும் Mark Harnett ஆகியோரின் ஆய்வகங்களில் K. Lisa Yang ICON சென்டர் முதுகலை உதவியாளர் Qianli Liao கூறினார். யூலு கன்.
AI மாதிரிகளை மூளைக்குள் ஜன்னல்களாகப் பயன்படுத்த விரும்பும் நரம்பியல் விஞ்ஞானிகளுக்கு இந்த வேறுபாடு முக்கியமானது. நவீன இயந்திரக் கற்றல் பின்-பிரச்சாரத்தை நம்பியுள்ளது, பெரும்பாலான நரம்பியல் விஞ்ஞானிகள் உயிரியல் நரம்பியல் சுற்றுகளில் இருக்க வாய்ப்பில்லை என்று கருதுகின்றனர். "மூளைக்கு வெளிப்புற வடிவமைப்பாளர் அல்லது கட்டிடக் கலைஞர் இல்லை" என்று லியாவ் கூறினார். "மூளை தன்னை ஒழுங்கமைக்க வேண்டும். மேலும் எளிய விதிகள் மூளையை எவ்வாறு ஒழுங்கமைக்கப் போகிறது என்பதை நாம் அறிந்து கொள்ள வேண்டும்."
குழுவின் மைய வாதம் என்னவென்றால், மூளையின் மாதிரியாக ஒரு நெட்வொர்க்கின் மதிப்பு அது தன்னை எந்த அளவிற்கு ஒழுங்கமைக்க முடியும் என்பதன் மூலம் தீர்மானிக்கப்பட வேண்டும் - அதன் இணைப்புகள் மட்டுமல்ல, அந்த இணைப்புகளை சரிசெய்யும் இயந்திரங்கள்.
சுய-ஒழுங்குபடுத்தும் நெட்வொர்க் எவ்வாறு செயல்படுகிறது
ஆராய்ச்சியாளர்கள் நெட்வொர்க்குகளை உருவாக்கினர், அதன் அமைப்பு தோராயமாக ஒன்றோடொன்று இணைக்கப்பட்ட, நியூரான் போன்ற அலகுகளின் பல அடுக்குகளாகத் தொடங்குகிறது. ஒவ்வொரு லேயருக்குள்ளும், ஒவ்வொரு யூனிட்டும் இணைப்புகளை எவ்வாறு சரிசெய்ய வேண்டும் என்பதற்கான அதே எளிய விதிகளால் நிர்வகிக்கப்படுகிறது. "அவர்கள் அந்த விதியைப் பயன்படுத்தி ஒருவருக்கொருவர் தொடர்பு கொள்கிறார்கள், மேலும் அவர்கள் சில வகையான நடத்தைகளை உருவாக்குகிறார்கள்," லியாவ் விளக்கினார்.
நரம்பியல் அறிவியலாளர்கள் கற்றலின் போது மூளைச் சுற்றுகளை மாற்றியமைக்கும் வகையிலான விதிகள் - "ஒன்றாகச் சுடும் நியூரான்கள் ஒன்றாக இணைக்கப்படுகின்றன," அதாவது ஒரே நேரத்தில் செயல்படுத்துவது இரண்டு நியூரான்களுக்கு இடையேயான தொடர்பை பலப்படுத்துகிறது.
நெட்வொர்க் கற்றுக்கொண்டது போல, இந்த எளிய விதிகளின்படி சுய-அசெம்பிளிங் மையக்கருத்துகள் வெளிப்பட்டன, பின்னர் செயல்பாட்டு சுற்றுகளுக்கான கட்டுமானத் தொகுதிகளாக செயல்பட்டன. அந்த மையக்கருத்துகள் சாய்வு வம்சாவளியை ஒத்த ஒரு தேர்வுமுறை உத்தியைப் பயன்படுத்தி தங்களை மறுசீரமைத்துக் கொண்டன - பெரும்பாலான நவீன இயந்திர கற்றலில் கட்டமைக்கப்பட்ட பிழை-உந்துதல் சரிசெய்தல் செயல்முறை - ஆனால் வெளிப்புறமாக திணிக்கப்பட்ட அல்காரிதம் அல்லாமல் நெட்வொர்க்கின் சொந்த உள்ளூர் இயக்கவியலில் இருந்து எழுகிறது.
தரநிலை நெட்வொர்க்குகளுடன் ஒப்பிடக்கூடிய செயல்திறன்
இந்த சுய-ஒழுங்கமைக்கப்பட்ட அமைப்பு உண்மையில் கற்றுக்கொள்ள முடியுமா என்பது முக்கியமான சோதனை. இது சாத்தியம்: இந்த உள்ளூர் விதிகளால் நிர்வகிக்கப்படும் ஒரு சுய-ஒழுங்குபடுத்தும் நெட்வொர்க் பேட்டர்ன்களை அடையாளம் காணவும் படங்களை வகைப்படுத்தவும் கற்றுக்கொண்டது, பின்-பரப்பு மூலம் பயிற்சியளிக்கப்பட்ட வழக்கமாக வடிவமைக்கப்பட்ட நெட்வொர்க்குகளைப் போலவே செயல்படும்.
மூத்த எழுத்தாளர் டோமாஸோ போஜியோ, நீண்ட காலமாக ஒரே மாதிரியான வழிமுறைகளை எதிரெதிர் திசைகளில் இருந்து துரத்திக் கொண்டிருக்கும் இரண்டு துறைகளுக்கு இடையே ஒரு சாத்தியமான பாலமாக முடிவை வடிவமைத்தார். செயற்கை நெட்வொர்க்குகளுக்கு பின்-பிரசாரம் செய்வதை மூளை பயன்படுத்துவதை குழு முன்மொழிந்தால், ஆராய்ச்சியாளர்கள் "செயற்கை மற்றும் இயற்கை நெட்வொர்க்குகளுக்கு இடையேயான அடிப்படை வழிமுறைகளின் மட்டத்தில் - இயந்திரங்கள் மற்றும் மூளைகளுக்கு இடையே ஒரு வலுவான தொடர்பைக் கொண்டிருப்பார்கள்" என்று அவர் குறிப்பிட்டார்.
மூளை-கணினி இடைமுகங்களிலிருந்து சிறந்த AI வரை
தாக்கங்கள் இரு திசைகளிலும் இயங்குகின்றன. நரம்பியல் அறிவியலுக்கு, சுற்றுகள் சுய-ஒழுங்கமைக்கும் எளிய விதிகளைப் புரிந்துகொள்வது கற்றல் எவ்வாறு செயல்படுகிறது - மற்றும் அது எவ்வாறு உடைகிறது என்பதை தெளிவுபடுத்துகிறது. லியாவோ மூளை-கணினி இடைமுகங்களைச் சுட்டிக் காட்டுகிறார், இது மொழித் திறன்களை இழந்தவர்களுக்கான தகவல்தொடர்புகளை மீட்டெடுப்பதை நோக்கமாகக் கொண்டுள்ளது அல்லது செயலிழந்த நோயாளிகள் செயற்கை உறுப்புகளைக் கட்டுப்படுத்த அனுமதிக்கிறார்கள், இந்த விதிகளை அறிந்து கொள்வது அவசியம். "நியூரான்-நியூரான் இடைவினைகளுக்குப் பின்னால் உள்ள விதிகளை அறியாமல் இவை எதுவும் செயல்பட முடியாது," என்று அவர் கூறினார். "அது நன்றாக வேலை செய்யும் ஒரு சுற்று வடிவமைப்பதன் மூலம் அடைய முடியாது." வயதான அல்லது நோயால் கற்றல் விதிகள் சீர்குலைந்த நிலைகளுக்கான சிகிச்சைகளை அதே அறிவு தெரிவிக்கலாம்.
இயந்திர கற்றலுக்கு, கண்டுபிடிப்புகள் குறைவாக ஆராயப்படாத வடிவமைப்பு இடத்தை பரிந்துரைக்கின்றன. ஒரு சுய-ஒழுங்குபடுத்தும் நெட்வொர்க் மூளை எவ்வாறு கற்றுக்கொள்கிறது என்று அவசியமில்லை என்று லியாவோ எச்சரிக்கிறார் - ஆனால் அவர் சுய-அமைப்பை ஒரு முக்கியமான தொடக்க புள்ளியாக வடிவமைக்கிறார். "சுய அமைப்பு என்பது முதல் உயர்மட்ட கட்டமைப்பாகும்," என்று அவர் கூறினார். "சுய அமைப்பினை ஒரு நடவடிக்கையாகக் கொண்டு நாம் நன்றாக இருந்தால், அடுத்த விஷயத்தைப் பற்றி பேசலாம்." குழுவின் முக்கிய நோக்கம் மூளையைப் புரிந்துகொள்வதாகும், ஆனால் அறிவு இறுதியில் பொறியாளர்களுக்கு சிறப்பாக செயல்படும் அல்லது மனிதனைப் போன்ற வழிகளில் செயல்படும் நெட்வொர்க்குகளை உருவாக்க உதவும்.
கிரானுலாரிட்டி பற்றிய ஒரு திறந்த கேள்வியும் உள்ளது. ஒரு விலங்கு கற்றுக் கொள்ளும் நரம்பியல் இணைப்புகளை மறுவடிவமைக்கும் விதிகள் மூளைப் பகுதிகளில் வேறுபடலாம், மேலும் அவை மூளை முதிர்ச்சியடையும் போது மாறக்கூடும் - ஒரு சாத்தியக்கூறுகள் நரம்பியல் விஞ்ஞானிகள் குறிப்பிட்ட உயிரியல் சுற்றுகளுடன் பொருந்துவதற்கு முன் நரம்பியல் விஞ்ஞானிகள் வரைபடத்தை உருவாக்க வேண்டும் என்று கூறுகின்றனர். அந்த மேப்பிங், முதுமை அல்லது நோயால் கற்றல் இயந்திரம் எங்கு, எப்படி சீர்குலைகிறது என்பதை வெளிப்படுத்தலாம், தடுப்பு உத்திகள் மற்றும் சிகிச்சைகள் ஆகியவற்றை தெரிவிக்கலாம்.
McGovern Institute for Brain Research மற்றும் K. Lisa Yang ICON மையத்தின் ஆய்வு, அக்டோபர் 13, 2026 அன்று MIT செய்திகளால் வெளியிடப்பட்டது.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
