सोचने का तर्क। भाग 9. न्यूरॉन डिटेक्टरों के पैटर्न। उलटा प्रक्षेपण

लेखों की इस श्रृंखला में मस्तिष्क के एक लहर मॉडल का वर्णन किया गया है जो पारंपरिक मॉडल से गंभीर रूप से भिन्न है। मैं दृढ़ता से सलाह देता हूं कि जो लोग अभी शामिल हुए हैं वे पहले भाग से पढ़ना शुरू करते हैं।

हम न्यूरॉन डिटेक्टरों के बारे में बातचीत जारी रखते हैं। मान लीजिए कि कुछ जानकारी तरंग सुरंगों के माध्यम से क्रस्टल ज़ोन पर पेश की जाती हैं। प्रक्षेपण बीम में से प्रत्येक उस क्षेत्र में स्थित न्यूरॉन्स के अक्षतंतु हैं जो इस जानकारी को भेजता है। प्रक्षेपण को प्रांतस्था के एक छोटे से क्षेत्र से हटा दिया जाता है। प्रोजेक्शन बीम के फाइबर, वास्तव में, इस खंड से गुजरने वाली तरंग पैटर्न को संचारित करते हैं। प्राप्त करने वाले कॉर्टेक्स का वह स्थान, जहाँ प्रक्षेपण गिरता है, स्वयं तरंगों का स्रोत बन जाता है। ये तरंगें कोर्टेक्स के प्राप्त क्षेत्र पर समान जानकारी ले जाती हैं क्योंकि प्रारंभिक क्षेत्र पर तरंगें होती हैं।

यदि हम एक विशिष्ट तरंग पैटर्न को उसके ग्रहणशील क्षेत्र से गुजरने के लिए पहचानने के लिए एक न्यूरॉन के वजन को समायोजित करते हैं, तो हम इसे एक डिटेक्टर में बदल देंगे जो उस समय ट्रिगर होता है जब पहचानकर्ताओं की विशेषता दिखाई देती है।

यदि हम समान तरंग पैटर्न का पता लगाने के लिए एक-दूसरे के निकट स्थित कई न्यूरॉन्स को प्रशिक्षित करते हैं, तो हमें एक न्यूरॉन डिटेक्टर नहीं, बल्कि एक डिटेक्टर पैटर्न मिलेगा। एक डिटेक्टर न्यूरॉन की एक विशेषता उत्तेजना की प्रतिक्रिया विकसित गतिविधि के आवेगों का एक पैकेट है। डिटेक्टर पैटर्न की प्रतिक्रिया एक विशिष्ट पैटर्न बनाने वाले न्यूरॉन्स के समूह की विकसित गतिविधि है। स्वाभाविक रूप से, इस तरह की प्रेरित गतिविधि का एक पैटर्न अपने विशिष्ट पहचानकर्ता को वितरित करने के लिए प्रांतस्था को प्रशिक्षित करना शुरू कर देगा।



यह पता चला है कि जब कॉर्टिकल ज़ोन कुछ संकेतों से मिलकर विवरण प्राप्त करता है, तो इसका डिटेक्टर पैटर्न उन संयोजनों पर प्रतिक्रिया करता है जो वे जानते हैं और अपनी तरंगें उत्पन्न करते हैं, जो इस क्षेत्र द्वारा मान्यता प्राप्त नए संकेतों के बारे में जानकारी रखते हैं। इस प्रकार, कॉर्टिकल ज़ोन सबसे पहले इसमें आने वाली विशिष्ट तस्वीर में सांख्यिकीय पैटर्न को प्रकट करता है और डिटेक्टर पैटर्न बनाता है जो इन पैटर्नों के अनुरूप होता है, और फिर, कुछ वर्णों में विवरण प्राप्त करते हुए, यह उन वर्णों में अपना विवरण उत्पन्न करता है जो पहले इस ज़ोन द्वारा पहचाने गए थे।

तंत्रिका विवरण के इस तरह के परिवर्तन के तर्क की तुलना मौखिक विवरण के तर्क से की जा सकती है, जो आश्चर्यजनक नहीं है, क्योंकि ये घटनाएं निकटता से संबंधित हैं। मान लीजिए हम अलग-अलग जानवर देखते हैं। हम उनमें से प्रत्येक का वर्णन सुविधाओं के एक सेट के साथ कर सकते हैं। उदाहरण के लिए, हम एक जानवर को विवरण के साथ देखते हैं: बड़े, भूरे, झबरा। यह पता नहीं है कि यह किस प्रकार का जानवर है, हम इसे कह सकते हैं कि: बड़े-भूरे-झबरा। सुविधाओं का संयोजन इस जानवर की पहचानकर्ता बनाता है। यदि यह जानवर हमारे साथ अक्सर होता है, तो हम उस पैटर्न को ठीक कर सकते हैं जो ये संकेत एक साथ मिलते हैं और इस संयोजन को अपना नाम देते हैं, उदाहरण के लिए, एक भालू। इसके अलावा, हम स्वतंत्र रूप में "भालू" की अवधारणा के साथ काम कर सकते हैं। उसी समय, हमारे पास अवसर है, यदि आवश्यक हो, तो "भालू" की अवधारणा के अनुसार बहाल करने के लिए, इसके सभी मूल संकेत।

वास्तविक दुनिया की बात करें तो “परिघटना” शब्द का इस्तेमाल करना सुविधाजनक है। अपने समुदाय में इसकी सुविधा। यह शब्द न केवल वस्तुओं, बल्कि उनके साथ होने वाली प्रक्रियाओं का भी वर्णन करता है। किसी भी चित्र को हम एक घटना कह सकते हैं। हमारे द्वारा सामना की जाने वाली प्रत्येक घटना एक विवरण को जन्म देती है। विवरण - यह न्यूरॉन्स-डिटेक्टरों की गतिविधि का एक समग्र चित्र है जो पैटर्न बनाते हैं, और उनके द्वारा उत्पन्न पहचान तरंगें।

आप न्यूरॉन डिटेक्टरों के पैटर्न को कॉल कर सकते हैं जो एक छवि पर ट्रिगर होते हैं, और इसी पहचान तरंग अवधारणा। तब हम कह सकते हैं कि किसी भी घटना का वर्णन मस्तिष्क द्वारा किया जाता है, जिसमें अवधारणाओं का वर्णन होता है। कॉर्टेक्स के प्रत्येक क्षेत्र के लिए, विवरण अवधारणाओं के अपने सेट पर आधारित है।

जब न्यूरॉन डिटेक्टर किसी नए पैटर्न की पहचान करते हैं या सुविधाओं के एक नए संयोजन को ठीक करते हैं ताकि डिटेक्टरों का एक पैटर्न जो अपनी अनूठी लहर उत्पन्न करने में सक्षम हो, तो हम एक नई अवधारणा के गठन के बारे में बात कर सकते हैं। इस अवधारणा की व्याख्या वास्तविक दुनिया की वे घटनाएं हो सकती हैं जिन्होंने संकेतों का ऐसा संयोजन बनाया है, और जिसके अनुरूप अब न्यूरॉन्स प्रतिक्रिया करते हैं।

पैटर्न का गठन। उलटा प्रक्षेपण

एक सामान्य उत्तेजना के लिए तैयार न्यूरॉन डिटेक्टरों का पैटर्न आपको पहचानकर्ता की अपनी अनूठी लहर शुरू करने की अनुमति देता है। यह छवि की मान्यता और क्या हो रहा है के विवरण में एक परामर्श अवधारणा को शामिल करने से मेल खाती है। पहचानकर्ता अद्वितीय होने के लिए, न्यूरॉन डिटेक्टरों के लिए अपने स्वयं के पैटर्न बनाने के लिए पर्याप्त है, इसके स्थान से गुजरने वाली किसी भी लहर पैटर्न के विपरीत। हम एक सरल मॉडल का वर्णन करते हैं जो इस तरह का एक पैटर्न बनाता है।

आइए हम संक्षेप में तंत्रिका अंतःक्रिया के तंत्रों का वर्णन करें। एक न्यूरॉन से दूसरे में संकेतों को प्रेषित करने का मुख्य तरीका न्यूरोट्रांसमीटर को ट्रांसमिटिंग न्यूरॉन के एक्सन टर्मिनल से सिनैप्टिक फांक में बाहर निकालना है। सिग्नल प्राप्त करने वाले न्यूरॉन की सतह पर, रिसेप्टर्स स्थित हैं जो एक विशिष्ट न्यूरोट्रांसमीटर का जवाब देते हैं, जो इसके लिए एक लिगैंड है। रिसेप्टर्स का एक हिस्सा synapses में स्थित है और synaptic प्रसारण के लिए जिम्मेदार है, synapses के बाहर का हिस्सा है और लहर गतिविधि के लिए जिम्मेदार है।

न्यूरोएक्टिव पेप्टाइड्स सहित काफी सारे न्यूरोट्रांसमीटर हैं, उनमें से पचास से अधिक हैं। सबसे आम सक्रिय न्यूरोट्रांसमीटर ग्लूटामेट है, निरोधात्मक एक गामा-एमिनोब्यूट्रिक एसिड (जीएबीए) है। सक्रिय करने या दबाने की क्षमता स्वयं न्यूरोट्रांसमीटर की संपत्ति नहीं है, लेकिन इसके साथ बातचीत करने वाले रिसेप्टर के प्रकार से निर्धारित होती है। सिग्नल ट्रांसमिशन के लिए जगह लेने के लिए, यह आवश्यक है कि अक्षतंतु द्वारा ग्रहण किए गए न्यूरोट्रांसमीटर और इसे प्राप्त करने वाले रिसेप्टर्स एक-दूसरे के अनुरूप हों।

पिछली शताब्दी के 80 के दशक के अंत तक, यह माना जाता था कि प्रत्येक न्यूरॉन अपने अक्षतंतु के सभी टर्मिनलों में एक ही मध्यस्थ को खारिज कर देता है - "डेल सिद्धांत"। लेकिन बाद में यह दिखाया गया कि न्यूरॉन्स होते हैं जो मध्यस्थों के विभिन्न संयोजनों का उपयोग करते हैं।

सिमुलेशन के लिए, हम दो काल्पनिक प्रकार के न्यूरॉन्स लेते हैं जो एक मध्यस्थ के साथ काम करते हैं, और इसे (ए) कहते हैं। न्यूरॉन्स के प्रकार के बीच का अंतर होगा जहां वे रिसेप्टर्स होंगे जो एक सामान्य मध्यस्थ (नीचे दी गई तालिका) के प्रति संवेदनशील हैं।

	synapses	सिनैप्स से परे	अक्षतंतु
टाइप 1	-	एक	एक
टाइप 2	एक	-	एक

न्यूरोट्रांसमीटर न्यूरॉन्स की विशेषताएं। रिसेप्टर संवेदनशीलता और एक्सॉन बर्स्ट

पहले प्रकार के न्यूरॉन्स के पास उनके सिनेप्स में रिसेप्टर्स नहीं होते हैं जो इस्तेमाल किए गए मध्यस्थ के प्रति संवेदनशील होते हैं। लेकिन उनके पास झिल्ली के एक्स्ट्रासिनैप्टिक भाग पर ऐसे रिसेप्टर्स होते हैं। इसका मतलब यह है कि ये न्यूरॉन्स पहले और दूसरे प्रकार के दोनों प्रकार के न्यूरॉन्स द्वारा बनाई गई गतिविधि के पैटर्न में सिनैप्टिक प्रशिक्षण के लिए सक्षम नहीं हैं, लेकिन वे यह जानने में सक्षम हैं कि तरंग गतिविधि को कैसे प्रचारित किया जाए और एक पहचान तरंग के ट्रांसमीटर हो।

अब दोनों प्रकार के न्यूरॉन्स से मिलकर कॉर्टेक्स के क्षेत्र को लें। उदाहरण के लिए, बस उन्हें यादृच्छिक रूप से फेरबदल करें। दूसरे प्रकार के इंटरसेप्टर न्यूरॉन्स की मौजूदगी कॉर्टेक्स की क्षमता को प्रभावित नहीं करेगी ताकि पहले प्रकार के न्यूरॉन्स का उपयोग करके पहचानकर्ताओं की तरंगों का संचालन करना सीख सकें।

मान लीजिए कि हमने किसी तरह कोर्टेक्स पर जगह निर्धारित की है जहां हम एक डिटेक्टर पैटर्न बनाना चाहते हैं।


अध्ययन के लिए चुना गया स्थान

मान लीजिए कि हमने प्रशिक्षण से संबंधित सभी मुद्दों को हल कर लिया है, और अब हमारा कार्य केवल प्रोटोटाइप को ठीक करना है। हम ऐसा उस तरह से करेंगे जैसे हम पहले से जानते हैं। हम दूसरे प्रकार के न्यूरॉन्स बनाएंगे, इस क्षेत्र में स्थित हैं और प्रशिक्षण में निर्बाध, यादृच्छिक स्पाइक्स की पीढ़ी में भाग लेंगे। आइए हम स्पाइक की संभावना को स्थापित करें ताकि अंतिम पैटर्न में न्यूरॉन डिटेक्टरों की आवश्यकता के रूप में कई सक्रिय न्यूरॉन्स प्राप्त करें। रैंडम स्पाइक्स चयनित क्षेत्र में स्थानीयकृत, दूसरे प्रकार के न्यूरॉन्स का एक अनूठा पैटर्न बनाएगा।

अगला, हम हेब सिद्धांत के अनुसार आगे बढ़ते हैं, दूसरे प्रकार के न्यूरॉन्स की गतिविधि का उपयोग उनके सीखने के लिए एक संकेत के रूप में करते हैं। हम उनके रिसेप्टिव फ़ील्ड पर उनके द्वारा देखे गए वेव पैटर्न के अनुसार उनके सिनैप्स के वज़न को बदलते हैं। नतीजतन, हमें न्यूरॉन डिटेक्टरों का एक पैटर्न मिलता है जो पहचानकर्ताओं के बस पारित सेट के लिए तैयार होता है। लहर पैटर्न की पुनरावृत्ति पैटर्न में सभी न्यूरॉन्स के प्रेरित सक्रियण को जन्म देगी। पहले प्रकार के न्यूरॉन्स इस पैटर्न को उठाते हैं और इसे एक नए पहचानकर्ता की प्रचार लहर में बदल देते हैं।

हमें एक बहुत ही सरल लेकिन अद्भुत परिणाम मिला। पहचानकर्ताओं का एक निश्चित संयोजन अपनी विशिष्ट पहचानकर्ता उत्पन्न कर सकता है।

अब मॉडल को थोड़ा जटिल करते हैं। एक और मध्यस्थ (बी) जोड़ें और न्यूरॉन्स (नीचे तालिका) की विशेषताओं को बदलें।

	synapses	सिनैप्स से परे	अक्षतंतु
टाइप 1	बी	एक	एक
टाइप 2	एक	बी	बी

दो न्यूरोट्रांसमीटर का उपयोग कर न्यूरॉन्स के लक्षण। रिसेप्टर संवेदनशीलता और एक्सॉन बर्स्ट

इस डिजाइन का व्यवहार बहुत अधिक दिलचस्प होगा। एक डिटेक्टर पैटर्न बनाने के बाद, दूसरे प्रकार के न्यूरॉन्स पहले प्रकार के न्यूरॉन्स के माध्यम से उसमें से एक लहर का प्रसार नहीं कर सकते हैं, क्योंकि उनके प्रकार का अक्षतंतु मध्यस्थ पहले प्रकार के न्यूरॉन्स की अति संवेदनशीलता के साथ मेल नहीं खाता है। लेकिन तब ये न्यूरॉन्स अपने पहचानकर्ता की लहर को स्वयं फैलाने में सक्षम होंगे। यह दिलचस्प है कि कॉर्टेक्स की इनपुट और आउटपुट गतिविधि को अलग किया जाएगा। अगर कहीं बाहर हम दूसरे प्रकार के न्यूरॉन्स के अक्षतंतुओं की एक आउटपुट तरंग सुरंग बनाते हैं, तो यह संपूर्ण तरंग चित्र को संचारित नहीं करेगा, जिसमें शामिल हैं, अन्य बातों के साथ, इनपुट विशेषताओं की एक भीड़, लेकिन केवल मान्यता प्राप्त अवधारणाओं से मिलकर एक विवरण को अग्रेषित करेगा।


कोर्टेक्स पर विवरण में बदलाव। 1 - चयनित प्रशिक्षण क्षेत्र, 2 - इनपुट पहचानकर्ता का उत्सर्जन करने वाला क्षेत्र, 3 - आउटपुट क्षेत्र, 4 - इनपुट तरंग सुरंग, 5 - आउटपुट तरंग सुरंग, 6 - इनपुट पहचानकर्ता तरंग, 7 - पहचानकर्ता आउटपुट तरंग

लेकिन यह सब नहीं है। उसी चयनित क्षेत्र में, हम पहले प्रकार के न्यूरॉन्स का सिनैप्टिक प्रशिक्षण आयोजित कर सकते हैं। उनके लिए, सीखने का एक संकेत उनकी अपनी तरंग गतिविधि होगी। चूंकि हम केवल मध्यस्थ (बी) के लिए पहले प्रकार के न्यूरॉन्स के सिनैप्स की संवेदनशीलता निर्धारित करते हैं, जो चित्र उन्हें लगता है कि वे बहुत ही पैटर्न का एक पैटर्न है जिसे हमने पहले दूसरे प्रकार के न्यूरॉन्स पर प्रशिक्षित किया था। उसी समय, पहले प्रकार के न्यूरॉन डिटेक्टर स्वयं एक पैटर्न में पंक्तिबद्ध होंगे जो प्रशिक्षण के समय पारित किए गए पहचानकर्ताओं की लहर को दोहराते हैं। इसका मतलब यह है कि अगर एक आने वाली लहर सुरंग के माध्यम से हम दूसरे प्रकार के न्यूरॉन्स द्वारा पहले से पता लगाए गए एक अवधारणा के पहचानकर्ता प्रांतस्था में लौटते हैं, तो चुने हुए स्थान पर फैलने से, यह पहले प्रकार के न्यूरॉन्स-डिटेक्टरों के पैटर्न की गतिविधि का कारण होगा। और जब से ये न्यूरॉन्स मूल पहचानकर्ताओं की लहर के टुकड़े के पैटर्न को दोहराते हैं, तो उनकी प्रेरित गतिविधि पहले प्रकार के न्यूरॉन्स के माध्यम से फैलने के लिए इसी पहचान तरंगों का कारण बनेगी।

इस प्रकार, हमने पीछे के प्रक्षेपण तंत्र का पुनरुत्पादन किया। हमारे मॉडल में कॉर्टेक्स दोनों दिशाओं में जानकारी संचारित करने में सक्षम है। आगे की दिशा में, विशेषताओं का एकीकरण और विवरण को अधिक सामान्य रूप से बदलने के लिए जगह लेता है। विपरीत दिशा में, समान पहचानकर्ता प्राप्त करने के बाद, कॉर्टेक्स इसके अनुरूप सभी संकेतों को पुनर्स्थापित करता है और उन्हें नीचे अनुवाद करता है, यदि, निश्चित रूप से, एक समान प्रक्षेपण कनेक्शन है।

हमें एक काफी सरल डिजाइन मिला: एक दिशा में - हमने अवधारणा को सीखा, विपरीत दिशा में - हमने संकेतों को बहाल किया। लेकिन दो-तरफ़ा संचार की यह सरलता तंत्रिका नेटवर्क के लिए एक अद्वितीय गुण है। पारंपरिक नेटवर्क वैचारिक रूप से अप्रत्यक्ष हैं, उनमें "वापस अक्षतंतु के साथ" एक संकेत शुरू करना असंभव है, और इस दोष का इलाज किसी भी चाल से नहीं किया जाता है। इसी समय, यह स्पष्ट है कि वास्तविक मस्तिष्क न केवल जानकारी को सामान्य करने में सक्षम है, विवरण को स्तर से बढ़ाकर, इसे और अधिक सारगर्भित बनाता है, बल्कि विवरण को वापस अनुवाद करते हुए, इसे हमारे द्वारा प्रस्तुत छवियों, आंतरिक भाषण और शारीरिक क्रियाओं में बदल देता है। इसलिए, यह विशेष रूप से मनभावन है कि हमारा डिजाइन हमें वास्तविक रूप से उपलब्ध तंत्र के ढांचे के भीतर रहते हुए, स्वाभाविक रूप से पीछे के प्रक्षेपण को पुन: पेश करने की अनुमति देता है।

यदि हम एक बार में दो मध्यस्थों को उत्पन्न करने के लिए एक प्रकार के न्यूरॉन्स के अक्षतंतुओं को मजबूर करते हैं, तो हमें एक ही समय में दो परतों में संबंधित पहचानकर्ताओं का वितरण मिलता है। आप उन स्थितियों की कल्पना कर सकते हैं जहां यह उपयोगी साबित होता है। सामान्य तौर पर, मध्यस्थों और रिसेप्टर्स के संयोजन कॉर्टेक्स के सबसे अप्रत्याशित व्यवहार को प्रोग्राम कर सकते हैं। यह अच्छा है कि हमारे क्रस्ट को किसी विशेष टोपोलॉजिकल सेटिंग्स की आवश्यकता नहीं है। न्यूरॉन्स किसी भी कनेक्शन योजनाओं को देखने के बारे में चिंता किए बिना, अपने वातावरण के साथ सिनैप्टिक संपर्क बनाते हैं। यह बहुत संभावना है कि इसी तरह के वास्तुशिल्प सिद्धांत भी वास्तविक क्रस्ट की विशेषता हैं।

साहित्य का इस्तेमाल किया

विस्तार

पिछले भाग:
भाग 1. न्यूरॉन
भाग 2. कारक
भाग 3. अवधारणात्मक, दृढ़ नेटवर्क
भाग 4. पृष्ठभूमि गतिविधि
भाग 5. मस्तिष्क की तरंगें
भाग 6. प्रोजेक्शन सिस्टम
भाग 7. मानव कंप्यूटर इंटरफ़ेस
भाग 8. तरंग नेटवर्क में कारकों का अलगाव

एलेक्सी रेडोज़ुबोव (2014)