एआई और न्यूरोसाइंस कैसे एक दूसरे को आगे बढ़ाते हैं

एआई और मस्तिष्क विज्ञान का संयोजन दोनों क्षेत्रों के लिए लाभ का वादा करता है

Cetan Pandarinah लकवाग्रस्त अंगों वाले लोगों को एक रोबोटिक हाथ की मदद से वस्तुओं को संचालित करने का अवसर देना चाहता है, जैसे कि प्राकृतिक रूप से अपने साथ। इस लक्ष्य को प्राप्त करने के लिए, उन्होंने पक्षाघात वाले लोगों में मस्तिष्क गतिविधि के रिकॉर्ड एकत्र किए। उनकी आशा, जो कई शोधकर्ता साझा करते हैं, यह है कि न्यूरॉन्स में विद्युत गतिविधि के पैटर्न को स्थापित करना संभव है जो हाथ की गति को नियंत्रित करते हैं ताकि ये निर्देश फिर कृत्रिम अंग को प्रस्तुत किए जा सकें। यह मूलत: विचार का वाचन है।

अटलांटा पांडरीन में जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी में एक बायोमेडिकल इंजीनियर ने कहा, "यह इन मस्तिष्क संकेतों को समझना बहुत मुश्किल है।" समस्या के समाधान की तलाश में, उन्होंने एआई की ओर रुख किया। उन्होंने एक कृत्रिम तंत्रिका नेटवर्क - कंप्यूटर वास्तुकला, जिसमें से विचार को मस्तिष्क से उधार लिया गया था, को प्रशिक्षित करने के लिए मस्तिष्क गतिविधि की अपनी रिकॉर्डिंग का उपयोग किया, और इससे पहले कि यह डेटा को पुन: पेश करने का कार्य निर्धारित करे।

मस्तिष्क में न्यूरॉन्स के एक छोटे समूह पर रिकॉर्ड बनाए गए थे - मानव हाथों की गति को नियंत्रित करने वाले 10-100 मिलियन न्यूरॉन्स में से लगभग 200। इस तरह के एक छोटे से नमूने को समझ में लाने के लिए, कंप्यूटर को ऐसे पैटर्न खोजने पड़ते थे जो शोधकर्ता छिपे हुए कारकों को कहते हैं जो रिकॉर्ड की गई मस्तिष्क गतिविधि के समग्र व्यवहार को नियंत्रित करते हैं। इस अध्ययन में तंत्रिका गतिविधि की अस्थायी गतिशीलता का पता चला, जो पिछले तरीकों की तुलना में हाथ आंदोलन के निर्देशों का अधिक सटीक सेट उत्पन्न करता है। पंडरीनाख बताते हैं, "अब हम निकटतम मिलीसेकंड के लिए कह सकते हैं कि प्रायोगिक जानवर इस सटीक कोण पर जाने की कोशिश कर रहा है," यह वही है जो हमें रोबोट के हाथ को नियंत्रित करने के लिए पता होना चाहिए। "

उनका काम एआई और संज्ञानात्मक विज्ञान के बीच बढ़ती बातचीत का सिर्फ एक उदाहरण है। AI, बड़े, जटिल डेटा सेट में पैटर्न की पहचान करने की क्षमता के साथ, पिछले दशक में उल्लेखनीय प्रगति की है, विशेष रूप से उस प्रक्रिया का अनुकरण करते हुए जिसके द्वारा मस्तिष्क कुछ गणना करता है। एएनएन, मस्तिष्क को बनाने वाले न्यूरॉन्स के नेटवर्क के समान, कंप्यूटर को अन्य छवियों से एक बिल्ली की छवि को भेद करने की क्षमता देता है, मानव रहित वाहनों को चलाने के लिए पर्याप्त सटीकता के साथ पैदल चलने वालों की पहचान करता है, और भाषण को पहचानता है और इसका जवाब देता है। अब संज्ञानात्मक विज्ञान एआई की शक्ति से लाभ उठाना शुरू कर रहा है, दोनों विकासशील और परीक्षण विचारों के लिए एक मॉडल के रूप में कि मस्तिष्क कैसे गणना करता है, और पंडरीनाख द्वारा किए गए अध्ययनों में प्राप्त जटिल डेटा सरणियों के प्रसंस्करण के लिए एक उपकरण के रूप में। "प्रौद्योगिकी ने अपने विकास में एक पूर्ण क्रांति की है और अब यह समझने के लिए लागू किया जा रहा है कि मस्तिष्क खुद कैसे काम करता है," वे कहते हैं [ चेतन पंडरीनाथ पब। ]। यह पारस्परिक प्रवर्धन चक्र जारी रहने की संभावना है। चूंकि एआई न्यूरोसाइंटिस्टों को यह अनुमान लगाने की अनुमति देता है कि मस्तिष्क कैसे गणना करता है, उनके आगे के शोध से उन मशीनों को जन्म दिया जा सकता है जो मानव बुद्धि के अधिक पर ले जा सकते हैं।

स्वाभाविक रूप से, दो विषयों को एक साथ जोड़ते हैं, यूनिवर्सिटी कॉलेज लंदन के गैट्सबी के डिपार्टमेंट ऑफ कम्प्यूटेशनल न्यूरोबायोलॉजी में न्यूरोसाइंटिस्ट-सिद्धांतवादी और मशीन लर्निंग शोधकर्ता मनीष सहानी कहते हैं। “हम उसी चीज का प्रभावी ढंग से अध्ययन करते हैं। एक मामले में, हम पूछते हैं कि गणितीय रूप से इस सीखने की समस्या को कैसे हल किया जाए, ताकि इसे एक मशीन में प्रभावी ढंग से लागू किया जा सके। एक अन्य मामले में, हम एकमात्र सबूत देख रहे हैं कि एक समस्या को हल किया जा सकता है, मस्तिष्क है [[ मनेश सहनी पब। ]।

डेटा के साथ काम करें

एआई तरीके न केवल मॉडल बनाने और विचारों को उत्पन्न करने के लिए उपयोगी हैं, बल्कि प्रसंस्करण डेटा के उपकरण के रूप में भी हैं। "सुहानी कहते हैं," तंत्रिका डेटा बहुत जटिल है, और इसलिए हम अक्सर मशीन सीखने के तरीकों का इस्तेमाल करते हैं ताकि उनमें संरचना का पता लगाया जा सके। मशीन लर्निंग की मुख्य शक्ति उन पैटर्नों को पहचानना है जो बहुत सूक्ष्म हो सकते हैं या लोगों के पता लगाने के लिए बहुत बड़े डेटासेट में छिपे होते हैं।

कार्यात्मक चुंबकीय अनुनाद इमेजिंग, उदाहरण के लिए, हर घंटे या 1-2 घंटे के लिए संभावित 1-2 मिलीमीटर के संकल्प के साथ पूरे मस्तिष्क में गतिविधि की छवियां उत्पन्न करता है। कनेक्टिकट के येल विश्वविद्यालय के संज्ञानात्मक न्यूरोसाइंटिस्ट निकोलस तुर्क-ब्राउन कहते हैं, "संज्ञानात्मक न्यूरोबायोलॉजी का कार्य यह है कि छवियों में एक उपयोगी संकेत कैसे पाया जाए, जो बहुत बड़ी है,"। तुर्क-ब्राउन डेटा विज्ञान और तंत्रिका विज्ञान [ निकोलस बी तुर्क-ब्राउन पब] के चौराहे पर नए विचारों की तलाश में कई परियोजनाओं में से एक की ओर जाता है । ]।

इस डेटा का विश्लेषण करने के लिए एक मशीन का उपयोग अनुसंधान को गति देता है। "यह एक बहुत बड़ा बदलाव है कि कैसे न्यूरोबायोलॉजिकल शोध किया जाता है," सैन फ्रांसिस्को, कैलिफोर्निया में Google ब्रेन टीम के लिए एक तंत्रिका कैलकुलेटर डेविड सुसिलो ने कहा। "स्नातक छात्रों को अनावश्यक दिनचर्या के काम करने की आवश्यकता नहीं है - वे बड़े मुद्दों पर ध्यान केंद्रित कर सकते हैं। आप बहुत कुछ स्वचालित कर सकते हैं और अधिक सटीक परिणाम प्राप्त कर सकते हैं। ”

भावनाओं का पुनरुत्पादन

एक कृत्रिम प्रणाली बनाना जो मस्तिष्क के डेटा को पुन: उत्पन्न करेगा, स्टैनफोर्ड विश्वविद्यालय में वू त्साई इंस्टीट्यूट ऑफ न्यूरोसाइंस के कम्प्यूटेशनल न्यूरोसाइंटिस्ट डैनियल यामिन द्वारा लिया गया दृष्टिकोण था। 2014 में, जब कैम्ब्रिज में मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में अपने डॉक्टरेट की उपाधि प्राप्त करने के बाद यामिन्स, और उनके सहयोगियों ने एक बंदर की मस्तिष्क गतिविधि की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित किया, जब उसने कुछ वस्तुओं [ यमिन्स, डीएलके एट अल।, 2014 ] को मान्यता दी। मनुष्यों और बंदरों में वस्तुओं की पहचान मस्तिष्क प्रणाली द्वारा की जाती है जिसे वेंट्रल विज़ुअल फ्लो कहा जाता है, जिसमें दो मुख्य वास्तु विशेषताएं हैं। सबसे पहले, यह रेटिनोटोपी है , जिसका अर्थ है कि मस्तिष्क में दृश्य प्रसंस्करण मार्ग इस तरह से व्यवस्थित किए जाते हैं कि आंख दृश्य जानकारी प्राप्त करती है। दूसरे, प्रणाली पदानुक्रमित है; प्रांतस्था के कुछ क्षेत्रों में एक परत से तेजी से जटिल कार्य होते हैं जो केवल वस्तुओं के समोच्च को एक उच्च परत की पहचान करता है जो एक संपूर्ण वस्तु को पहचानता है, जैसे कि कार या चेहरा। ऊपरी परत कैसे काम करती है, इसका विवरण अज्ञात है, लेकिन परिणामस्वरूप, मस्तिष्क विभिन्न पदों पर, अलग-अलग प्रकाश व्यवस्था की परिस्थितियों में, जब इसकी अलग-अलग दूरी के कारण इसका आकार अलग-अलग होता है, और तब भी जब यह आंशिक रूप से छिपा होता है। कंप्यूटर अक्सर ऐसी कठिनाइयों का सामना नहीं कर सकते।

जैमिन और उनके सहयोगियों ने मस्तिष्क के समान ही रेटिनोटोपिक पदानुक्रमित वास्तुकला के अनुसार अपने गहन शिक्षण तंत्रिका नेटवर्क का निर्माण किया, और इसे 64 वस्तुओं की हजारों छवियां दिखाईं जो आकार और स्थिति जैसी विशेषताओं में भिन्न थीं। जब नेटवर्क ने वस्तुओं को पहचानना सीखा, तो इसने तंत्रिका गतिविधि के कई संभावित पैटर्न विकसित किए। शोधकर्ताओं ने तब इन कंप्यूटर पैटर्नों की तुलना ऐसे समय में बंदर न्यूरॉन्स पर दर्ज किए गए पैटर्न के साथ की जब वे एक समान कार्य कर रहे थे। यह पता चला कि उन नेटवर्क विकल्पों में सबसे अच्छी तरह से पहचाने जाने वाले ऑब्जेक्ट्स में गतिविधि पैटर्न थे जो बंदर मस्तिष्क पैटर्न के सबसे करीब थे। "हमने पाया कि तंत्रिका संरचना नेटवर्क की संरचना में सिम्युलेटेड है," जामिन्स कहते हैं। शोधकर्ताओं ने अपने नेटवर्क के क्षेत्रों की तुलना लगभग 70% सटीकता के साथ मस्तिष्क के क्षेत्रों के साथ करने में सक्षम थे।

परिणामों ने पुष्टि की कि मस्तिष्क के दृश्य तंत्र में मान्यता प्रक्रिया के लिए उदर दृश्य प्रवाह की वास्तुकला बहुत महत्वपूर्ण है। 2018 में, जैमिंस और उनके सहयोगियों ने श्रवण प्रांतस्था की खोज करके एक समान सफलता हासिल की, जिसके लिए उन्होंने एक गहन शिक्षण तंत्रिका नेटवर्क बनाया जो कि 2 सेकंड के क्लिप में मनुष्यों [ केल, एजेईई) के समान सटीकता के साथ शब्दों और संगीत की पहचान कर सकता है । 2018 ]। इससे शोधकर्ताओं को यह निर्धारित करने में मदद मिली कि मस्तिष्क प्रांतस्था के कौन से क्षेत्र भाषण पहचान करते हैं और जो संगीत को पहचानते हैं - मस्तिष्क की श्रवण प्रणाली को समझने में एक नया कदम।

न्यूरोसाइंटिस्ट अभी भी यह समझने से दूर हैं कि मस्तिष्क जैज और रॉक संगीत के बीच अंतर करने के रूप में इस तरह के काम को कैसे संभालता है, लेकिन मशीन लर्निंग उन्हें उन मॉडलों का निर्माण करने का अवसर देता है जिनके साथ इन मुद्दों का पता लगाने के लिए। अगर शोधकर्ता ऐसी प्रणाली बना सकते हैं जो मस्तिष्क के समान काम करती है, तो जैमिन्स कहते हैं, उनकी संरचना इस बात पर विचार कर सकती है कि मस्तिष्क ऐसी समस्याओं को कैसे हल करता है। यह महत्वपूर्ण है क्योंकि वैज्ञानिक अक्सर इस पर काम करने की परिकल्पना नहीं करते हैं कि मस्तिष्क कैसे काम करता है [ डैनियल यामिन्स पब। ]।

शोधकर्ताओं ने एक परिकल्पना का निर्माण करने के बाद, इसका परीक्षण करने के लिए अगला कदम है। एआई मॉडल के मापदंडों को बदलकर, आप मस्तिष्क की गतिविधि का एक विचार प्राप्त कर सकते हैं, और देख सकते हैं कि किसी विशिष्ट कार्य के लिए कौन से कारक महत्वपूर्ण हो सकते हैं। शोधकर्ता नैतिक विचारों से सीमित हैं कि वे एक स्वस्थ मानव मस्तिष्क में प्रक्रियाओं के साथ कितना हस्तक्षेप कर सकते हैं। इसलिए, मनुष्यों में तंत्रिका गतिविधि की कई रिकॉर्डिंग उन लोगों के दिमाग पर बनाई जाती हैं जो मिर्गी से पीड़ित हैं और जिन्हें मस्तिष्क के ऊतकों को हटाने की आवश्यकता है। यह इस तथ्य के कारण है कि मस्तिष्क के ऊतकों में इलेक्ट्रोड के आरोपण की अनुमति है, जिसे किसी भी मामले में हटा दिया जाएगा। प्रायोगिक जानवर शोधकर्ताओं को अधिक आक्रामक प्रक्रियाओं का उपयोग करने की अनुमति देते हैं, लेकिन विशेष रूप से भाषण में मानव व्यवहार के रूप हैं, जिन्हें अन्य प्रजातियों द्वारा पुन: प्रस्तुत नहीं किया जा सकता है। एआई सिस्टम जो मानव व्यवहार की नकल कर सकते हैं और नैतिक समस्याओं को पैदा किए बिना किसी भी तरह के प्रभाव के अधीन हो सकते हैं, मस्तिष्क को कैसे काम करता है इसका अध्ययन करने के लिए वैज्ञानिकों को अतिरिक्त उपकरण प्रदान करेंगे। उदाहरण के लिए, शोधकर्ता भाषण को पुन: पेश करने के लिए एक नेटवर्क सिखा सकते हैं, और फिर यह जांचने के लिए इसे नीचा दिखा सकते हैं कि यह कैसे एक्सपोज़र से संबंधित है (भावनाओं के तंत्रिका नेटवर्क मॉडलिंग का एक और दिलचस्प उदाहरण - संख्याओं की भावनाओं को इस प्रकाशन में हैबे - अनुवादक के नोट पर दिया गया है)।

सामान्य विचार

कंप्यूटर और संज्ञानात्मक विज्ञान कुछ महत्वपूर्ण प्रश्नों को हल करते हैं, और यह समझने के लिए कि इनमें से किसी भी क्षेत्र में उन्हें कैसे उत्तर दिया जाए, दोनों क्षेत्रों में प्रगति कर सकते हैं। इन सवालों में से एक है कि प्रशिक्षण वास्तव में कैसा चल रहा है? तंत्रिका नेटवर्क मुख्य रूप से पर्यवेक्षित शिक्षण - एक शिक्षक के साथ प्रशिक्षण को पूरा करता है। उदाहरण के लिए, छवि पहचान के लिए, उन्हें ImageNet डेटाबेस से प्राप्त चित्रों का उपयोग करके प्रशिक्षित किया जा सकता है, जिसमें 14 मिलियन से अधिक वस्तुओं की तस्वीरें हैं जिन्हें लोगों द्वारा वर्गीकृत और एनोटेट किया गया है। प्रशिक्षण के दौरान, नेटवर्क एक सांख्यिकीय विवरण बनाता है कि समान लेबल वाली छवियां सामान्य रूप से क्या हैं - उदाहरण के लिए, "बिल्ली"। जब नेटवर्क एक नई छवि पेश करते हैं, तो यह समान संख्यात्मक विशेषताओं की उपस्थिति के लिए जाँच की जाती है, अगर कोई मैच होता है, तो छवि बिल्ली द्वारा घोषित की जाती है।

जाहिर है, यह नहीं है कि बच्चे कैसे सीखते हैं, सेंटर फॉर ब्रेन, माइंड एंड मशीन्स के एक न्यूरल कैलकुलस विशेषज्ञ टॉमसो पोगियो कहते हैं, जो मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी का हिस्सा है। "एक बच्चा जीवन के पहले दो वर्षों में लगभग एक बिलियन चित्र देखता है," वे कहते हैं। लेकिन इनमें से केवल कुछ छवियों को किसी तरह लेबल या नाम दिया गया है। "हम अभी तक यह नहीं जानते हैं कि इससे कैसे निपटना है," पोगियो कहते हैं, "और कैसे ऐसी मशीनें बनाई जाएं जो मुख्य रूप से अनटैग डेटा से सीखती हैं।"

उनकी प्रयोगशाला परियोजना के प्रारंभिक चरण में है, जो तंत्रिका नेटवर्क को बिना शिक्षक के प्रशिक्षण देने की अनुमति दे सकती है, जो असंगत वीडियो में पैटर्न ढूंढ सकती है। "हम जानते हैं कि जानवर और इंसान ऐसा कर सकते हैं," पोगियो कहते हैं। - "सवाल है, कैसे?"

जैमिन एक गेम में बच्चों की तरह व्यवहार करने वाले कार्यक्रमों को विकसित करके शिक्षक रहित शिक्षा के मुद्दे को संबोधित करते हैं, यादृच्छिक बातचीत के माध्यम से अपने परिवेश का साक्षात्कार करते हैं, और धीरे-धीरे दुनिया कैसे काम करती है इसकी समझ विकसित करते हैं। अनिवार्य रूप से, वह इस उम्मीद में पर्यावरण का पता लगाने के लिए कंप्यूटर को प्रेरित करने की जिज्ञासा रखता है कि व्यवहार के नए पैटर्न सामने आएंगे।

एक और अनसुलझा मुद्दा यह है कि क्या बुद्धि के कुछ पहलू "स्थापित" हैं। उदाहरण के लिए, लोगों को संभवतः मान्यता का सामना करने के लिए तैयार किया जाता है, बच्चे जीवन के पहले घंटों से ऐसा करते हैं। शायद, पोगियो का सुझाव है, हमारे जीन इस कार्य के त्वरित और प्रारंभिक सीखने के लिए एक तंत्र को कूटबद्ध करते हैं। निर्णय लेना कि क्या यह विचार सही है, वैज्ञानिकों को मशीनों को सीखने में मदद करने का एक तरीका विकसित करने की अनुमति दे सकता है। अन्य शोधकर्ता नैतिकता की तंत्रिका नींव का अध्ययन कर रहे हैं। "लोग 'बुराई' कारों से डरते हैं," पोगियो कहते हैं। "हमें शायद यह समझने की ज़रूरत है कि अगर हम अच्छी कारों, नैतिक मशीनों का निर्माण करना चाहते हैं तो हमारा नैतिक व्यवहार कैसे होगा।" [ टोमासो पोग्गिओ पब ]

जैमिन्स कहते हैं कि यह समझना मुश्किल है कि अकेले तंत्रिका विज्ञान कैसे बिना शिक्षक के सीखने का काम कर सकता है। "यदि आपके पास कोई एआई समाधान नहीं है, अगर आपके पास कृत्रिम रूप से काम करने वाला कुछ भी नहीं है, तो आपके पास एक मस्तिष्क मॉडल नहीं हो सकता है," वे कहते हैं। शायद, उनका मानना ​​है कि एआई वैज्ञानिक एक या एक से अधिक समाधानों के साथ आएंगे जो कि तंत्रिका विज्ञानी परीक्षण कर सकते हैं।

इन पहेलियों का उत्तर अधिक बुद्धिमान मशीनें बनाने में मदद करेगा जो उनके वातावरण में सीखने में सक्षम होंगे, और जो मानव क्षमताओं के साथ कंप्यूटर की गति और प्रसंस्करण शक्ति को जोड़ सकते हैं। डेटा प्रोसेसिंग और कंप्यूटर पर अनुकरण करने की क्षमता पहले से ही मस्तिष्क विज्ञान में परिणाम ला रही है, और यह केवल प्रगति करेगा। "एआई न्यूरोसाइंस पर भारी प्रभाव डालेगा," सुसिलो कहते हैं, "और मैं इसमें शामिल होना चाहता हूं।"

अनुवादक द्वारा टिप्पणी । हबर श्रोताओं की बारीकियों को देखते हुए, जिसमें तंत्रिका नेटवर्क या गहन सीखने जैसे मुद्दों की व्याख्या की आवश्यकता नहीं होती है, अनुवाद कुछ संक्षिप्तीकरणों के साथ किया गया था जो कि लेख को समझने के लिए आवश्यक नहीं हैं।