مصنوعی اعصابی نیٹ ورکس کی تشکیل عام طور پر انجینئرز کرتے ہیں: ڈیزائنرز فیصلہ کرتے ہیں کہ نیٹ ورک ڈیٹا اور فیڈ بیک سے سیکھتے ہی کنکشن کی طاقتیں کیسے بدلتی ہیں۔ MIT کی طرف سے ایک نیا مطالعہ یہ دلیل دیتا ہے کہ یہ ڈیزائنر پر مبنی نقطہ نظر، چاہے طاقتور، ہمیں اس بارے میں بہت کم بتا سکتا ہے کہ دماغ اصل میں کیسے سیکھتا ہے - اور ایک متبادل کا مظاہرہ کرتا ہے جس میں نیٹ ورک خود کو منظم کرتے ہیں.

نیشنل اکیڈمی آف سائنسز (PNAS) کی کارروائیوں میں 9 اکتوبر کو شائع ہونے والے ایک مقالے میں، MIT کے McGovern Institute for Brain Research اور K. Lisa Yang Integrative Computational Neuroscience (ICoN) سینٹر کے سائنسدانوں نے ظاہر کیا ہے کہ ایک مصنوعی عصبی نیٹ ورک اپنی سیکھنے کی مشینری بنا سکتا ہے۔ بے ترتیب رابطوں سے شروع کرتے ہوئے اور صرف سادہ مقامی اصولوں پر عمل کرتے ہوئے کہ کنکشنز کو کیسے اور کب تبدیل ہونا چاہیے، نیٹ ورک نے خود کو ایک موثر معلوماتی پروسیسنگ سسٹم میں تبدیل کیا۔ For more context on this story, see our ongoing AI industry coverage.

حیاتیاتی معقولیت کیوں اہمیت رکھتی ہے۔

"موجودہ AI ٹیکنالوجی بہت اچھی طرح سے کام کر رہی ہے، لیکن یہ ضروری نہیں کہ وہ سیکھنے کا الگورتھم استعمال کرے جو دماغ استعمال کرتا ہو،" Qianli Liao، MIT پروفیسرز Tomaso Poggio اور Mark Harnett کی لیبز میں K. Lisa Yang ICoN سینٹر کے پوسٹ ڈاکیٹرل فیلو، اور ZIIT کے طالب علم کے ساتھ ساتھ تحقیق کے پہلے مصنف اور MIT کے طالب علم Lisa Yang. گان

یہ فرق نیورو سائنسدانوں کے لیے اہمیت رکھتا ہے جو AI ماڈلز کو دماغ میں کھڑکی کے طور پر استعمال کرنا چاہتے ہیں۔ جدید مشین لرننگ بیک پروپیگیشن پر انحصار کرتی ہے، ایک الگورتھم جو زیادہ تر نیورو سائنس دان حیاتیاتی اعصابی سرکٹس میں موجود ہونے کا امکان نہیں سمجھتے ہیں۔ "دماغ کے پاس کوئی بیرونی ڈیزائنر یا معمار نہیں ہے،" لیاو نے کہا۔ "دماغ کو خود کو منظم کرنا پڑتا ہے۔ اور ہمیں یہ جاننے کی ضرورت ہے کہ دماغ کو منظم کرنے کے کتنے آسان اصول ہیں۔"

ٹیم کی مرکزی دلیل یہ ہے کہ دماغ کے ماڈل کے طور پر نیٹ ورک کی قدر کا اندازہ اس حد تک ہونا چاہیے کہ وہ خود کو کس حد تک منظم کر سکتا ہے — نہ صرف اس کے کنکشن، بلکہ وہ مشینری جو ان رابطوں کو ایڈجسٹ کرتی ہے۔

خود کو منظم کرنے والا نیٹ ورک کیسے کام کرتا ہے۔

محققین نے ایسے نیٹ ورک بنائے جن کی ساخت تصادفی طور پر باہم منسلک، نیوران نما اکائیوں کی متعدد تہوں سے شروع ہوتی ہے۔ ہر پرت کے اندر، ہر یونٹ کو انہی سادہ اصولوں کے تحت کنٹرول کیا جاتا ہے کہ کنکشن کو کیسے ایڈجسٹ کیا جانا چاہیے۔ "وہ صرف اس اصول کا استعمال کرتے ہوئے ایک دوسرے کے ساتھ بات چیت کرتے ہیں، اور وہ کچھ قسم کے رویے کو فروغ دیتے ہیں،" لیاو نے وضاحت کی۔

اصول ایسے ہیں جیسے نیورو سائنسدانوں کا خیال ہے کہ سیکھنے کے دوران دماغی سرکٹس کو ری وائر کرتے ہیں - جس میں یہ کلاسک اصول بھی شامل ہے کہ "نیورون جو ایک ساتھ فائر کرتے ہیں،" یعنی بیک وقت ایکٹیویشن دو نیوران کے درمیان تعلق کو مضبوط کرتا ہے۔

جیسا کہ نیٹ ورک نے سیکھا، ان سادہ اصولوں کے مطابق خود کو جمع کرنے والے نقش ابھرے اور پھر فنکشنل سرکٹس کے لیے تعمیراتی بلاکس کے طور پر کام کیا۔ وہ محرکات تدریجی نزول سے مشابہ ایک اصلاحی حکمت عملی کا استعمال کرتے ہوئے خود کو دوبارہ منظم کرنے کے لیے آگے بڑھے — غلطی سے چلنے والا ایڈجسٹمنٹ کا عمل جو کہ جدید ترین مشین لرننگ میں بنایا گیا — لیکن بیرونی طور پر مسلط الگورتھم کے بجائے نیٹ ورک کی اپنی مقامی حرکیات سے پیدا ہوا۔

معیاری نیٹ ورکس کے مقابلے کی کارکردگی

اہم امتحان یہ تھا کہ آیا یہ خود منظم نظام حقیقت میں سیکھ سکتا ہے۔ یہ کر سکتا ہے: ٹیم نے ظاہر کیا کہ ان مقامی قوانین کے تحت چلنے والے خود کو منظم کرنے والے نیٹ ورک نے نمونوں کو پہچاننا اور تصاویر کی درجہ بندی کرنا سیکھا، جو روایتی طور پر ڈیزائن کیے گئے نیٹ ورکس کی طرح کی سطح پر کارکردگی کا مظاہرہ کرتے ہوئے جو بیک پروپیگیشن کے ذریعے تربیت یافتہ ہیں۔

سینئر مصنف Tomaso Poggio نے نتیجہ کو دو شعبوں کے درمیان ایک ممکنہ پل کے طور پر تیار کیا جو طویل عرصے سے مخالف سمتوں سے ایک ہی میکانزم کا پیچھا کر رہے ہیں۔ اگر ٹیم کی تجویز کردہ Synaptic motifs وہی ہیں جو دماغ اسے پورا کرنے کے لیے استعمال کرتا ہے جو مصنوعی نیٹ ورکس کے لیے بیک پروپیگیشن کرتا ہے، اس نے نوٹ کیا، محققین کا "مصنوعی اور قدرتی نیٹ ورکس کے درمیان بنیادی میکانزم کی سطح پر ایک مضبوط تعلق ہوگا - مشینوں اور دماغوں کے درمیان۔"

دماغی کمپیوٹر انٹرفیس سے بہتر AI تک

مضمرات دونوں سمتوں میں چلتے ہیں۔ نیورو سائنس کے لیے، ان سادہ اصولوں کو سمجھنا جن کے ذریعے سرکٹس خود کو منظم کرتے ہیں یہ واضح کر سکتے ہیں کہ سیکھنا کیسے کام کرتا ہے — اور یہ کیسے ٹوٹتا ہے۔ لیاو دماغی کمپیوٹر انٹرفیس کی طرف اشارہ کرتا ہے، جس کا مقصد ان لوگوں کے لیے مواصلات کو بحال کرنا ہے جو زبان کی صلاحیتیں کھو چکے ہیں یا مفلوج مریضوں کو مصنوعی اعضاء کو کنٹرول کرنے دیتے ہیں، ایک فیلڈ کے طور پر جہاں ان اصولوں کو جاننا ضروری ہے۔ انہوں نے کہا کہ "ان میں سے کوئی بھی نیوران نیوران کے تعامل کے پیچھے اصولوں کو جانے بغیر کام نہیں کر سکتا۔" "یہ صرف ایک سرکٹ ڈیزائن کرنے سے حاصل نہیں ہوسکتا ہے جو بہت اچھا کام کرتا ہے۔" یہی علم ایسے حالات کے علاج کو مطلع کر سکتا ہے جن میں عمر رسیدگی یا بیماری سے سیکھنے کے قواعد میں خلل پڑتا ہے۔

مشین لرننگ کے لیے، نتائج ایک غیر دریافت شدہ ڈیزائن کی جگہ تجویز کرتے ہیں۔ لیاو نے خبردار کیا ہے کہ ایک خود کو منظم کرنے والا نیٹ ورک ضروری نہیں کہ وہ طریقہ سیکھے جس طرح دماغ کرتا ہے - لیکن وہ خود تنظیم کو ایک اہم نقطہ آغاز کے طور پر تیار کرتا ہے۔ "خود تنظیم پہلا اعلیٰ سطحی فریم ورک ہے،" انہوں نے کہا۔ "ایک بار جب ہم ایک پیمائش کے طور پر خود تنظیم کے ساتھ اچھے ہو جاتے ہیں، تو ہم اگلی چیز کے بارے میں بات کر سکتے ہیں۔" گروپ کا بنیادی مقصد دماغ کو سمجھنا ہے، لیکن یہ علم بالآخر انجینئرز کو ایسے نیٹ ورکس بنانے میں مدد دے سکتا ہے جو بہتر کارکردگی کا مظاہرہ کریں یا زیادہ انسانوں کی طرح برتاؤ کریں۔

گرینولریٹی کے بارے میں بھی ایک کھلا سوال ہے۔ وہ اصول جو عصبی رابطوں کو نئی شکل دیتے ہیں جیسا کہ ایک جانور سیکھتا ہے دماغی خطوں میں مختلف ہو سکتا ہے، اور دماغ کے پختہ ہونے کے ساتھ ساتھ وہ تبدیل ہو سکتے ہیں - ایک امکان محققین کا کہنا ہے کہ نیورو سائنسدانوں کو اس سے پہلے کہ سادہ اصولوں کے ماڈلز کو مخصوص حیاتیاتی سرکٹس سے ملایا جا سکے، نقشہ بنانا چاہیے۔ یہ نقشہ سازی، بدلے میں، یہ ظاہر کر سکتی ہے کہ سیکھنے کی مشینری کہاں اور کیسے بڑھاپے یا بیماری سے متاثر ہوتی ہے، روک تھام کی حکمت عملیوں کے ساتھ ساتھ علاج کے بارے میں بھی بتاتی ہے۔

McGovern Institute for Brain Research اور K. Lisa Yang ICoN سینٹر کی طرف سے اس مطالعہ کا احاطہ MIT نیوز نے 13 اکتوبر 2026 کو کیا۔

---

Stay Ahead of AI

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

Read more AI news →