सोचने का तर्क। भाग 10. स्थानिक स्व-संगठन

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 इस तथ्य से आगे बढ़ते हैं कि बाहरी दुनिया की घटनाएं हमारी इंद्रियों को प्रभावित करती हैं, जिससे तंत्रिका कोशिकाओं में संकेतों का कुछ प्रवाह होता है। सीखने की प्रक्रिया में, कोर संकेतों के कुछ संयोजनों का पता लगाने की क्षमता प्राप्त करता है। डिटेक्टर न्यूरॉन्स होते हैं जिनके सिंटैप्टिक वेट का पता चला घटना के अनुरूप गतिविधि पैटर्न से जुड़ा होता है। कॉर्टिकल न्यूरॉन्स अपने स्थानीय वातावरण की निगरानी करते हैं, अपने स्थानीय ग्रहणशील क्षेत्र का निर्माण करते हैं। न्यूरॉन्स के ग्रहणशील क्षेत्रों की जानकारी या तो स्थलाकृतिक प्रक्षेपण के माध्यम से आती है, या पहचानने वालों की तरंगों के प्रसार के माध्यम से जो अद्वितीय पैटर्न ले जाती है जो पहले से पहचानी गई विशेषताओं के अनुरूप होती है। डिटेक्टर न्यूरॉन्स जो सुविधाओं के एक ही संयोजन का जवाब देते हैं वे डिटेक्टर पैटर्न बनाते हैं। इन पैटर्नों की पहचान पहचानकर्ताओं की अनूठी तरंगों को परिभाषित करती है कि ये पैटर्न जब ट्रिगर गतिविधि की स्थिति में होते हैं।



1952 में एलन ट्यूरिंग ने द केमिकल फ़ाउंडेशन ऑफ़ मॉर्फोजेनेसिस (ट्यूरिंग एएम, 1952) नामक एक काम प्रकाशित किया, जो कि इस मामले के आत्म-संगठन के लिए समर्पित है। उनके द्वारा तैयार किए गए मूल सिद्धांत ने कहा कि वैश्विक आदेश स्थानीय बातचीत द्वारा निर्धारित किया जाता है। अर्थात्, पूरे सिस्टम के संरचनात्मक संगठन को प्राप्त करने के लिए, एक निश्चित वैश्विक योजना होना आवश्यक नहीं है, लेकिन आप सिस्टम को बनाने वाले तत्वों की करीबी बातचीत के लिए नियमों को स्थापित करने के लिए पूरी तरह से खुद को सीमित कर सकते हैं।

न्यूरॉन्स को अलगाव में प्रशिक्षित नहीं किया जाता है, लेकिन उनके पर्यावरण की गतिविधि को ध्यान में रखा जाता है। इस गतिविधि के लिए लेखांकन के नियम प्रांतस्था के स्व-संगठन का निर्धारण करते हैं। स्व-संगठन का मतलब है कि प्रशिक्षण के दौरान न केवल तंत्रिका पैटर्न का पता लगाने का गठन किया जाता है, बल्कि ये पैटर्न कुछ स्थानिक संरचनाओं में होते हैं जिनका अपना विशिष्ट अर्थ होता है।

अपने आप को व्यवस्थित करने का सबसे स्पष्ट तरीका निकटता की डिग्री से संरचना करना है। न्यूरॉन्स को इस तरह से प्रशिक्षित करना संभव है कि अवधारणाओं के अनुरूप पैटर्न जो एक निश्चित अर्थ में करीब हैं, कंधे से कंधा मिलाकर कोर्टेक्स के स्थान पर दिखाई देते हैं। बाद में हम देखेंगे कि मस्तिष्क में निहित कई महत्वपूर्ण कार्यों के कार्यान्वयन के लिए ऐसा प्लेसमेंट आवश्यक होगा। इस बीच, केवल उन तंत्रों को देखें जो इस तरह के एक संगठन प्रदान कर सकते हैं।

एक अस्पष्ट प्रश्न यह है कि अवधारणाओं की निकटता को कैसे मापा जाए। एक दृष्टिकोण इस तथ्य से संबंधित है कि किसी भी अवधारणा की तुलना एक निश्चित विवरण के साथ की जा सकती है। उदाहरण के लिए, घटना का वर्णन एक वेक्टर हो सकता है जिसके घटक घटना में कुछ संकेतों की गंभीरता दिखाते हैं। सुविधाओं का सेट जिसमें विवरण बनाए रखा जाता है, एक वर्णनात्मक आधार बनाता है। इस मामले में, निकटता का एक उचित उपाय विवरणों की निकटता है। दो परिघटनाओं का वर्णन जितना करीब है, ये उतनी ही घटनाएँ एक-दूसरे के लिए हैं। कार्य के आधार पर, जो निकटता माप का उपयोग करके आगे हल किया जाता है, आप एक या अन्य गणना एल्गोरिदम चुन सकते हैं। निकटता की माप वस्तुओं के बीच की दूरी की अवधारणा से निकटता से संबंधित है। एक को दूसरे में और इसके विपरीत में गिना जा सकता है।

एक और दृष्टिकोण घटना की अस्थायी निकटता है। यदि दो घटनाएं एक साथ होती हैं, लेकिन अलग-अलग विवरण हैं, तो आप अभी भी उनकी निश्चित निकटता के बारे में बात कर सकते हैं। जितनी अधिक बार घटनाएं एक साथ होती हैं, उतनी ही उनकी निकटता की व्याख्या की जा सकती है।

वास्तव में, ये दोनों दृष्टिकोण विरोधाभासी नहीं हैं, बल्कि एक दूसरे के पूरक हैं। यदि दो घटनाएं अक्सर एक साथ होती हैं, तो हमें यह निष्कर्ष निकालना चाहिए कि एक घटना है जो इस संगतता की प्राप्ति है। यह नई घटना अपने आप में एक संकेत हो सकती है जो दोनों प्रारंभिक घटनाओं का वर्णन करती है। अब इन घटनाओं का वर्णन में एक आम है, और इसलिए, वर्णनात्मक दृष्टिकोण में निकटता। हम निकटता को कहते हैं, जो वर्णनात्मक और लौकिक निकटता, सामान्यीकृत निकटता दोनों को ध्यान में रखता है।

कल्पना कीजिए कि आप विभिन्न कोणों से किसी वस्तु को देख रहे हैं। शायद ये प्रजाति वर्णनात्मक शब्दों में पूरी तरह से अलग होगी, लेकिन फिर भी, किसी अन्य अर्थ में उनकी निकटता से इनकार नहीं किया जा सकता है। अस्थायी निकटता इस अन्य अर्थ की एक संभावित अभिव्यक्ति है। थोड़ी देर बाद, हम इस विषय को और अधिक गहराई से विकसित करेंगे, लेकिन अब हम केवल अवधारणाओं की निकटता का निर्धारण करते समय दोनों दृष्टिकोणों को ध्यान में रखना चाहते हैं।

समझने के लिए सबसे सरल तंत्रिका नेटवर्क, जो वर्णनात्मक निकटता की डिग्री के अनुसार अच्छी तरह से स्व-संगठन को दिखाता है, कोहेनन का आत्म-व्यवस्थित मानचित्र (नीचे आंकड़ा) है।



मान लीजिए कि हमारे पास एक वेक्टर द्वारा दिया गया इनपुट है । न्यूरॉन्स की द्वि-आयामी जाली है। प्रत्येक न्यूरॉन एक इनपुट वेक्टर से जुड़ा होता है। , यह रिश्ता वजन के सेट से निर्धारित होता है । सबसे पहले, हम यादृच्छिक छोटे वजन के साथ नेटवर्क शुरू करते हैं। एक इनपुट सिग्नल की आपूर्ति करके, प्रत्येक न्यूरॉन के लिए एक रैखिक योजक के रूप में इसकी गतिविधि के स्तर को निर्धारित करना संभव है। न्यूरॉन लें जो उच्चतम गतिविधि दिखाएगा और इसे विजेता न्यूरॉन कहेगा। अगला, हम अपना वजन उस छवि की दिशा में ले जाते हैं, जहां यह समान था। इसके अलावा, हम इसके सभी पड़ोसियों के लिए एक समान प्रक्रिया करते हैं। हम इस बदलाव को कमजोर करेंगे क्योंकि हम जीतने वाले न्यूरॉन से दूर चले जाते हैं।



यहाँ - सीखने की गति जो समय के साथ गिरती है, क्या टोपोलॉजिकल पड़ोस का आयाम है (n पर निर्भरता बताती है कि यह समय के साथ घटता भी है)।

पड़ोस के आयाम को चुना जा सकता है, उदाहरण के लिए, गॉसियन फ़ंक्शन द्वारा:



जहाँ - सही न्यूरॉन के बीच की दूरी और जीतने वाले न्यूरॉन ।


गॉस फंक्शन

जैसा कि आप सीखते हैं, ऐसे स्व-आयोजन मानचित्र पर, ज़ोन आवंटित किए जाएंगे जो प्रशिक्षण छवियों को वितरित करने के तरीके के अनुरूप हैं। यही है, नेटवर्क स्वयं निर्धारित करेगा जब एक दूसरे के समान चित्र इनपुट स्ट्रीम में मिलते हैं, और उनके लिए मानचित्र पर करीब प्रतिनिधित्व बनाते हैं। इसी समय, जितनी अधिक छवियां भिन्न होती हैं, उतना ही उनका प्रतिनिधित्व एक दूसरे से अलग स्थित होगा। नतीजतन, यदि सीखने का परिणाम उचित रूप से रंगीन है, तो यह कुछ ऐसा दिखेगा जैसा नीचे दिए गए चित्र में दिखाया गया है।


कोहनन मैप लर्निंग आउटकम

कोहनन मानचित्र एक टोपोलॉजिकल पड़ोस के आयाम फ़ंक्शन का उपयोग करते हैं, जो सुझाव देता है कि न्यूरॉन्स, synapses के माध्यम से बातचीत के अलावा, आसपास की गतिविधि की प्रकृति के बारे में अतिरिक्त जानकारी का आदान-प्रदान कर सकते हैं, और यह जानकारी उनके synaptic सीखने के पाठ्यक्रम को प्रभावित कर सकती है। अतिरिक्त जानकारी के हस्तांतरण की आवश्यकता हमारे मॉडल में पहले उत्पन्न हुई थी। एक्स्ट्रासिनैप्टिक रिसेप्टर्स के प्रशिक्षण का वर्णन करते हुए, हमने न्यूरॉन्स द्वारा कुछ प्रकार की पर्यावरण गतिविधि के ज्ञान के आधार पर नियम पेश किए। उदाहरण के लिए, गतिविधि के सामान्य स्तर के ज्ञान ने हमें प्रशिक्षण की आवश्यकता और इसे मना करने के बारे में दोनों निर्णय लेने की अनुमति दी।

एक निश्चित जैविक निश्चितता के ढांचे के भीतर मॉडल के निर्माण में बने रहने के लिए, हम यह दिखाने की कोशिश करेंगे कि वास्तविक कॉर्टेक्स में कौन से तंत्र अतिरिक्त जानकारी की गणना और संचार के लिए जिम्मेदार हो सकते हैं जो अक्षतंतु संकेतों में एन्कोडेड नहीं है।

मस्तिष्क की मात्रा का लगभग 40 प्रतिशत ग्लिअल कोशिकाओं द्वारा कब्जा कर लिया जाता है। उनकी कुल संख्या कहीं-कहीं परिमाण के क्रम से न्यूरॉन्स की संख्या से अधिक है। परंपरागत रूप से, बहुत सारे सेवा कार्यों को glial कोशिकाओं को सौंपा जाता है। वे तीन आयामी रूपरेखा बनाते हैं, जो न्यूरॉन्स के बीच की जगह को भरते हैं। माध्यम के होमियोस्टैसिस को बनाए रखने में भाग लेते हैं। मस्तिष्क की टोपोलॉजी के गठन में शामिल तंत्रिका तंत्र के विकास की प्रक्रिया में। श्वान कोशिकाएं और ऑलिगोडेंड्रोसाइट्स बड़े अक्षतंतुओं के myelination के लिए जिम्मेदार हैं, जो तंत्रिका आवेगों के संचरण के कई त्वरण की ओर जाता है।

चूँकि glial cells क्रिया क्षमता उत्पन्न नहीं करते हैं, वे सीधे सूचना सहभागिता में भाग नहीं लेते हैं। लेकिन इसका मतलब यह नहीं है कि वे पूरी तरह से सूचना कार्यों से रहित हैं। उदाहरण के लिए, प्लाज्मा एस्ट्रोसाइट्स ग्रे पदार्थ में स्थित होते हैं और इनमें कई अत्यधिक शाखाएं होती हैं। ये प्रक्रियाएं आस-पास के synapses को घेरती हैं और उनके काम (नीचे का आंकड़ा) को प्रभावित करती हैं।


एस्ट्रोसाइट और सिनैप्स (फ़ील्ड्स, 2004)

उदाहरण के लिए, निम्नलिखित तंत्र का वर्णन किया गया है (आरडी फील्ड्स, बी। स्टीवंस-ग्राहम, 2002)। एक न्यूरॉन के सक्रियण से अक्षतंतु से एटीपी अणुओं की रिहाई होती है। एटीपी (एडेनोसिन ट्राइफॉस्फेट) एक न्यूक्लियोटाइड है जो पूरे शरीर में एक अत्यंत महत्वपूर्ण भूमिका निभाता है, इसका मुख्य कार्य ऊर्जा प्रक्रियाओं को सुनिश्चित करना है। लेकिन इसके अलावा, एटीपी एक संकेत पदार्थ के रूप में भी कार्य करने में सक्षम है। इसके प्रभाव के तहत, एस्ट्रोसाइट में कैल्शियम की गति शुरू हो जाती है। यह, बदले में, इस तथ्य की ओर जाता है कि ज्योतिषी अपना एटीपी जारी करता है। नतीजतन, इस तरह के एक राज्य को पड़ोसी एस्ट्रोसाइट्स में प्रेषित किया जाता है, जो इसे आगे भी प्रसारित करते हैं। इस मामले में, एस्ट्रोसाइट द्वारा कैल्शियम का अवशोषण इस तथ्य की ओर जाता है कि यह सिनेप्स को प्रभावित करना शुरू कर देता है जिसके साथ यह संपर्क में है। एस्ट्रोकाइट्स दोनों समान मध्यस्थ की रिहाई के कारण सिनैप्स प्रतिक्रिया को बढ़ाने में सक्षम हैं, और इसके अवशोषण या न्यूरोट्रांसमीटर-बाध्यकारी प्रोटीन की रिहाई के कारण इसे कमजोर कर रहे हैं। इसके अलावा, एस्ट्रोसाइट्स सिग्नलिंग अणुओं को स्रावित करने में सक्षम हैं जो एक अक्षतंतु द्वारा एक मध्यस्थ की रिहाई को नियंत्रित करते हैं। एस्ट्रोसाइट्स के प्रभाव को ध्यान में रखते हुए, न्यूरॉन्स के बीच सिग्नल ट्रांसमिशन की अवधारणा को त्रिपक्षीय सिंक कहा जाता है।

एस्ट्रोसाइट्स और न्यूरॉन्स की ऐसी बातचीत विशिष्ट सूचनात्मक छवियों को प्रसारित नहीं करती है, लेकिन यह एक तंत्र की भूमिका के लिए बहुत उपयुक्त है जो "गतिविधि क्षेत्र" के प्रसार को सुनिश्चित करता है, जो सिनेप्स के सीखने को नियंत्रित कर सकता है और इस प्रकार नए डिटेक्टर पैटर्न के लिए स्थानिक निर्देशांक निर्धारित करता है।

एस्ट्रोसाइट्स के अलावा, इंटरसेलुलर मैट्रिक्स भी सिनेप्स के व्यवहार को प्रभावित करता है। मैट्रिक्स मस्तिष्क कोशिकाओं द्वारा उत्पादित अणुओं का एक समूह है और अंतरकोशिकीय स्थान को भरता है। एक लेख (Dityatev A., Schachner M., Sonderegger P., 2010) में यह दिखाया गया था कि मैट्रिक्स की संरचना में बदलाव से सिनैप्टिक प्लास्टिसिटी की प्रकृति, यानी न्यूरॉन्स के प्रशिक्षण पर असर पड़ता है।

न्यूरॉन्स की आवेग गतिविधि एक बिंदु स्थानिक पैटर्न बनाती है जो गतिशील रूप से बदलती है, जानकारी प्रवाहित होती है। यह गतिविधि आसपास के ग्लियाल और मैट्रिक्स वातावरण की स्थिति को इस तरह से बदल देती है कि सामान्यीकृत गतिविधि का एक क्षेत्र जैसा कुछ बनाया जाता है (नीचे आंकड़ा)।


बिंदु गतिविधि और गतिविधि क्षेत्र

गतिविधि का क्षेत्र, एक तरफ, बिंदु गतिविधि को मिटा देता है, एक ऐसा क्षेत्र बनाता है जो सक्रिय न्यूरॉन्स की सीमाओं से परे फैली हुई है, दूसरी ओर, जड़ता है और आवेग गतिविधि के समाप्ति के बाद कुछ समय तक मौजूद है।

यदि इस गतिविधि क्षेत्र के अंदर हम वर्तमान छवि को खिलाया जा रहा है की एक डिटेक्टर बनाते हैं, तो यह समान डिटेक्टरों के आसपास के क्षेत्र में होगा। एक ही समय में, समानता ग्रहणशील क्षेत्र में दोनों समानता हो सकती है, और समय में घटनाओं के संयोजन के कारण उत्पन्न होने वाली समानता।

वास्तविक मस्तिष्क में, प्राथमिक दृश्य प्रांतस्था के लिए स्थानिक संगठन का सबसे अच्छा अध्ययन किया जाता है। रेटिना में भी शुरू होने वाले परिवर्तनों के कारण, प्राथमिक कॉर्टेक्स पर एक संकेत प्राप्त होता है, जिसमें मुख्य जानकारी मूल छवि में वस्तुओं के आकृति का वर्णन करने वाली रेखाएं होती हैं। प्राथमिक दृश्य प्रांतस्था के न्यूरॉन्स मुख्य रूप से इन रेखाओं के छोटे टुकड़ों को अपने ग्रहणशील क्षेत्रों से गुजरते हुए देखते हैं। यह आश्चर्य की बात नहीं है कि इस क्षेत्र में न्यूरॉन्स का एक महत्वपूर्ण हिस्सा विभिन्न कोणों पर चलने वाली लाइनों के डिटेक्टर हैं।

यह प्रायोगिक रूप से पता चला था कि एक-दूसरे के नीचे स्थित न्यूरॉन्स एक ही उत्तेजना के प्रति प्रतिक्रिया करते हैं। ऐसे न्यूरॉन्स के एक समूह को आमतौर पर कॉर्टिकल मिनी कॉलम कहा जाता है। वर्नोन माउंटकैसल (डब्ल्यू। माउंटकैसल, जे। एडेलमैन, 1981) ने परिकल्पना को आगे बढ़ाया कि मस्तिष्क के लिए, कोर्टिकल कॉलम सूचना प्रसंस्करण की मुख्य संरचनात्मक इकाई है।

इससे पहले, डिटेक्टर न्यूरॉन्स के पैटर्न के बारे में बोलते हुए, हमने उन्हें एक निश्चित स्थानीय क्षेत्र में वितरित न्यूरॉन्स के समूहों के रूप में चित्रित किया। यह इस तथ्य का परिणाम था कि जब मॉडलिंग, और, तदनुसार, छवियों को तैयार करने के लिए, फ्लैट तंत्रिका नेटवर्क का उपयोग किया गया था। असली पपड़ी तीन आयामी है। कॉर्टेक्स का थोक हमारी पहचान और लहरों के प्रसार के प्रसार की चर्चा को प्रभावित नहीं करता है। त्रि-आयामी क्रस्ट में, तरंगें ठीक उसी तरह से फैलती हैं, जैसे फ्लैट में। लेकिन बल्क कॉर्टेक्स में, कुछ भी हमें न्यूरॉन डिटेक्टरों की व्यवस्था करने से रोकता है जो एकल पैटर्न बनाते हैं, एक दूसरे के नीचे। यह व्यवस्था न तो किसी से ज्यादा खराब है और न ही बेहतर है। एक पैटर्न के लिए मुख्य आवश्यकता इसके पैटर्न की यादृच्छिकता है। चूंकि न्यूरॉन कनेक्शन यादृच्छिक रूप से वितरित किए जाते हैं, उसी कॉर्टिकल कॉलम में लंबवत स्थित न्यूरॉन्स को एक यादृच्छिक पैटर्न माना जा सकता है। डिटेक्टर पैटर्न के स्थान का निर्धारण करते समय ऐसी ऊर्ध्वाधर व्यवस्था काफी सुविधाजनक है। एक स्थानीय क्षेत्र को परिभाषित करना आवश्यक नहीं है, बल्कि उस स्थिति को इंगित करें जिस पर आप एक पैटर्न बनाना चाहते हैं। स्थिति का विकल्प, उदाहरण के लिए, जहां गतिविधि क्षेत्र एक निश्चित पड़ोस के सभी मुफ्त कॉलमों के लिए अधिकतम हो सकता है। यह माना जा सकता है कि वास्तविक कॉर्टेक्स के कॉर्टिकल मिनिकोलर्स हमारे मॉडल में वर्णित डिटेक्टर पैटर्न हैं।

पारंपरिक कॉर्टिकल मॉडल के लिए जो लहर की तरंगों को ध्यान में नहीं रखते हैं, इस तथ्य की व्याख्या कि एक ही उत्तेजना के लिए मिनीकोलमेंट के सभी न्यूरॉन्स एक निश्चित कठिनाई प्रस्तुत करते हैं। एक को यह मान लेना है कि यह या तो दोष सहिष्णुता सुनिश्चित करने के लिए दोहराव है, या एक उत्तेजना को जवाब देने वाले न्यूरॉन्स को इकट्ठा करने का प्रयास है, लेकिन इसे सामान्य ग्रहणशील क्षेत्र के विभिन्न पदों में निर्धारित करने के लिए कॉन्फ़िगर किया गया है। उत्तरार्द्ध को सरल कोशिकाओं के विमानों के उपयोग के माध्यम से नियोकोगनिट्रॉन में खेला गया था। लहर मॉडल आपको इसे एक अलग दृष्टिकोण से देखने की अनुमति देता है। यह माना जा सकता है कि कॉर्टिकल मिनी-कॉलम का कार्य विशेषता उत्तेजना को पहचानना और संबंधित तरंग पहचानकर्ता को लॉन्च करना है। फिर, कई दर्जन न्यूरॉन्स जो एक मिनी-कॉलम बनाते हैं और एक साथ प्रतिक्रिया करते हैं, यह तरंग को ट्रिगर करने का तंत्र है, अर्थात् डिटेक्टर पैटर्न।

वास्तविक दृश्य कॉर्टेक्स में ओरिएंटेशन कॉलम का संगठन तथाकथित "टॉप्स" ("पिनव्हील") बनाता है। इस तरह के "कताई शीर्ष" (नीचे चित्रा (बी)) में एक केंद्र होता है, जहां विभिन्न झुकावों के स्तंभ अभिसरण करते हैं, और पूंछ को मोड़ते हैं, जो पसंदीदा उत्तेजना में एक चिकनी बदलाव की विशेषता है। एक कताई शीर्ष एक अतिपरिवर्तन बनाता है। कॉर्टेक्स (नीचे आंकड़ा (ए)) का एक ओरिएंटेशन मैप बनाते हुए, विभिन्न हाइपरलूमों की पूंछ एक दूसरे में गुजरती हैं।


ऑप्टिकल विधि द्वारा प्राप्त वास्तविक कॉर्टेक्स में ओरिएंटेशन कॉलम का वितरण (निकोल्स जे।, मार्टिन आर।, वालस बी।, फूच पी।, 2003)

उदाहरण के रूप में दृश्य कॉर्टेक्स का उपयोग करना, अभिविन्यास कॉलम के वास्तविक वितरण और गतिविधि क्षेत्र का उपयोग करके सिमुलेशन परिणाम की तुलना करना सुविधाजनक है।

हम विभिन्न कोणों पर कॉर्टेक्स के टुकड़े के लिए लाइनें लगाएंगे। डिटेक्टर न्यूरॉन्स की गतिविधि को लागू छवि और डिटेक्टर पर छवि के बीच कोण के कोसाइन के रूप में माना जाएगा।



सूचकांक के साथ न्यूरॉन क्रस्ट पर निर्देशांक है । गतिविधि क्षेत्र मूल्य न्यूरॉन से निर्देशांक के साथ बिंदु पर उदाहरण के लिए, गाऊसी वितरण के माध्यम से प्रतिनिधित्व किया जा सकता है:



कोर्टेक्स के प्रत्येक बिंदु पर, गतिविधि क्षेत्र का कुल मूल्य लिखा जा सकता है:



हम नए डिटेक्टरों को ऐसी मुक्त स्थिति में रखेंगे, जिसके लिए मूल्य अधिकतम हो। इस तरह के प्रशिक्षण का परिणाम नीचे दिए गए आंकड़े में दिखाया गया है।


डिटेक्टर प्रशिक्षण परिणाम (बाएं), गतिविधि क्षेत्र (दाएं)

जैसा कि आप देख सकते हैं, सिमुलेशन परिणाम वास्तविक वितरण के समान है। लेकिन यह ध्यान दिया जाना चाहिए कि उपरोक्त उदाहरण बहुत सशर्त है। एक वास्तविक क्रस्ट में, प्रत्येक स्तंभ अपने पड़ोसियों के सापेक्ष थोड़ा पक्षपाती है और छवि का थोड़ा अलग टुकड़ा है। यह एक ही अभिविन्यास से जुड़े डिटेक्टरों से पूंछ बनाता है। लेकिन एक ही समय में, ऐसे डिटेक्टरों की उत्तेजना अलग-अलग ग्रहणशील क्षेत्रों के आधार पर अलग-अलग छवियां होती हैं।

हमारे चारों ओर की दुनिया में पदार्थ के आत्म-संगठन के साथ पपड़ी के स्थानिक स्व-संगठन की तुलना की जा सकती है। परमाणु, अणु, वस्तु, ग्रह, तारे, आकाशगंगाएँ, ब्रह्मांड - यह सब चार मूलभूत अंतः क्रियाओं के अस्तित्व का परिणाम है। यह गुरुत्वाकर्षण, विद्युत चुम्बकीय, मजबूत और कमजोर इंटरैक्शन के बारे में बात करने के लिए प्रथागत है। पदार्थ के कण स्वयं के चारों ओर क्षेत्र बनाते हैं जो परस्पर क्रियाओं के अनुरूप होते हैं। सजातीय क्षेत्रों को जोड़ा जाता है और परिणामी क्षेत्र का निर्माण होता है। परिणामस्वरूप क्षेत्र कणों को प्रभावित करते हैं, उनके व्यवहार का निर्धारण करते हैं। कहीं न कहीं यही बात दिमाग के साथ है। ऐसा लगता है कि पपड़ी विभिन्न गुणों के साथ कई प्रकार के क्षेत्र बना सकती है। प्रत्येक क्षेत्र का न्यूरॉन्स के व्यवहार पर अपना प्रभाव होता है। इन इंटरैक्शन की समग्रता, उदाहरण के लिए, प्रशिक्षण synapses के लिए एल्गोरिथ्म निर्धारित कर सकती है और इस तरह न्यूरॉन डिटेक्टरों के स्थानिक संगठन।

यह देखना आसान है कि सामान्यीकृत निकटता द्वारा स्थानिक समूहन में एक आंतरिक विरोधाभास होता है। इस संबंध में, एक चुटकुला याद किया जाता है। किसी तरह, शेर ने जानवरों को सुंदर और स्मार्ट में विभाजित करने का फैसला किया। और अब एक भिखारी बंदर है: "और अब मैं क्या फाड़ूंगा?" कठिनाइयाँ तब उत्पन्न होती हैं जब एक रखा गया अवधारणा अन्य अवधारणाओं के करीब होता है जो एक दूसरे से दूरस्थ होते हैं।उदाहरण के लिए, यदि हम पुस्तकालय के समतल पर किताबें बिछाते हैं, तो हम उन्हें शैली से और लेखक द्वारा और मूल की भाषा से और पाठकों की रेटिंग के आधार पर समूहबद्ध करना चाहेंगे। लेकिन अगर केवल एक पुस्तक है, तो एक निश्चित समस्या उत्पन्न होती है।

प्रांतस्था के स्व-संगठन की प्रक्रिया में, यह पता चल सकता है कि एक और एक ही अवधारणा कॉर्टेक्स के विभिन्न स्थानों में स्थित कई अन्य लोगों के लिए एक सामान्यीकृत अर्थ में करीब है। यह समझ में नहीं आता है कि डिटेक्टर पैटर्न को एक समझौता में रखने के लिए, एक निश्चित समतावादी जगह खोजने की कोशिश कर रहा है। सबसे पहले, ऐसी जगह नहीं हो सकती है, और दूसरी बात, यह "समान रूप से पास" के सिद्धांत का पूरी तरह से उल्लंघन करेगा। ऐसा करने के लिए और कुछ नहीं है, लेकिन कई डिटेक्टर पैटर्न बनाएं, प्रत्येक गतिविधि क्षेत्र के अपने स्थानीय अधिकतम के करीब है।

पहली नज़र में, विभिन्न स्थानों में एक ही अवधारणा का दोहराव बदसूरत दिखता है। जानकारी के साथ काम करते समय, आप हमेशा इसके एकीकरण में आना चाहते हैं, छिड़काव नहीं। लेकिन हमारा तंत्रिका नेटवर्क मॉडल आपको उन विरोधाभासों को दूर करने की अनुमति देता है जो उत्पन्न हुए हैं। डिटेक्टर पैटर्न में से प्रत्येक, हालांकि यह प्रांतस्था के विभिन्न स्थानों में बनाया गया है, समान पहचानकर्ताओं की लहर पर प्रशिक्षित किया जाता है। इसके अलावा, अगर हम दो-स्तरीय डिज़ाइन लेते हैं, तो एक स्तर सामान्य पहचानकर्ता के तरंग पैटर्न के एक टुकड़े पर खुद को ठीक करता है। इसका मतलब है कि विभिन्न स्थानों में बिखरे हुए डिटेक्टर पैटर्न एक समान पहचानकर्ता के साथ एक समान अवधारणा में परस्पर जुड़े हुए हैं।

अवधारणाओं का यह व्यवहार पहले घोषित द्वैतवाद का परिणाम है। एक अवधारणा एक पैटर्न और एक लहर दोनों है। पैटर्न एक लहर उत्पन्न करते हैं, एक लहर पैटर्न को सक्रिय करती है। एक अवधारणा से संबंधित पैटर्नों की स्थानिक स्थिति अन्य अवधारणाओं के निकटता के माध्यम से अवधारणा की विशेषता है। कोर्टेक्स पर पैटर्न की स्थिति, वास्तव में, इसी घटना के गुणों और विशेषताओं के बारे में बहुत कुछ कहती है। लेकिन अगर कोई क्षेत्र कोहेनन के नक्शे में एक अवधारणा से मेल खाता है, जैसा कि "विजेता सब कुछ लेता है" प्रतिमान से निकलता है, तो हमारे मॉडल में हम न केवल एक समृद्ध विवरण दे सकते हैं, बल्कि द्वंद्ववाद के कारण घटकों की एकता भी बनाए रख सकते हैं।

"समान पास" के सिद्धांत पर स्व-संगठन छाल के लिए अपने आप में एक अंत नहीं है। बाद में हम दिखाएंगे कि मस्तिष्क के काम करने के लिए सबसे महत्वपूर्ण एल्गोरिदम को बस ऐसे संगठन की आवश्यकता है और इसके बाहर व्यावहारिक रूप से अवास्तविक हैं।

और अब यह बहुत अधिक शारीरिक समानता नहीं है। क्वांटम भौतिकी का मूल विचार यह है कि एक क्वांटम प्रणाली किसी भी संभावित राज्यों में नहीं हो सकती है, लेकिन केवल कुछ में जो इसके लिए स्वीकार्य हैं। इस मामले में, क्वांटम सिस्टम कोई निश्चित मूल्य नहीं लेता है जब तक कि माप नहीं लेता है। केवल माप के परिणामस्वरूप सिस्टम इसे अनुमत राज्यों में से एक में गुजरता है। माप से तात्पर्य किसी भी बाहरी संपर्क से है जो क्वांटम प्रणाली को स्वयं प्रकट करता है।

क्वांटम भौतिकी में, एक जटिल-मूल्यवान फ़ंक्शन पेश किया जाता है जो किसी वस्तु की शुद्ध स्थिति का वर्णन करता है, जिसे तरंग फ़ंक्शन कहा जाता है। सबसे आम कोपेनहेगन व्याख्या में, यह फ़ंक्शन शुद्ध राज्यों में से एक में एक वस्तु का पता लगाने की संभावना से जुड़ा हुआ है (लहर फ़ंक्शन के मापांक का वर्ग संभावना घनत्व है)। एक हैमिल्टन प्रणाली एक गतिशील प्रणाली है जो बिना किसी अपव्यय के शारीरिक प्रक्रियाओं का वर्णन करती है। जब तक क्वांटम सिस्टम बातचीत नहीं करता है, तब तक यह हैमिल्टन है। समय और स्थान में इस तरह की प्रणाली के व्यवहार का वर्णन इसकी तरंग फ़ंक्शन के विकास का वर्णन करना संभव है। यह विकास श्रोडिंगर समीकरण द्वारा निर्धारित किया जाता है।



कहाँ -हैमिल्टनियन सिस्टम की कुल ऊर्जा का परिचालक है। इसका स्पेक्ट्रम संभावित राज्यों का एक सेट है जिसमें माप के बाद सिस्टम समाप्त हो सकता है।

जब एक माप होता है, तो क्वांटम सिस्टम अनुमत राज्यों में से एक को स्वीकार करता है। इसे तरंग फ़ंक्शन की कमी या पतन कहा जाता है। माप के दौरान, सिस्टम अलग होना बंद हो जाता है, और इसकी ऊर्जा को संरक्षित नहीं किया जा सकता है, क्योंकि डिवाइस के साथ ऊर्जा का आदान-प्रदान होता है।

मापन के क्षण में क्वांटम प्रणाली क्या स्थिति लेगी, यह संयोग की बात है। लेकिन प्रत्येक राज्य को चुनने की संभावना समान नहीं है, यह इस राज्य से जुड़े तरंग फ़ंक्शन के मूल्य से निर्धारित होता है।

हमारे मॉडल में, कॉर्टेक्स की स्थितियों में डिटेक्टर पैटर्न बनाए जाते हैं, जहां एक नई अवधारणा और मौजूदा लोगों की अवधारणाओं का एक वर्णनात्मक या अस्थायी निकटता देखी जाती है। यह उन स्थानों का एक समूह बनाता है जो किसी दिए गए स्थिति में एक अवधारणा की संभावना का वर्णन करते हैं। इसकी तुलना एक क्वांटम प्रणाली के कुल ऊर्जा हैमिल्टन के स्पेक्ट्रम से की जा सकती है। तरंग फ़ंक्शन के विकास के साथ पहचानकर्ताओं की तरंगों के प्रसार की तुलना की जा सकती है। विवरण, जो पहचानकर्ता को वहन करता है, पैटर्न की गतिविधि में जाता है। इसके अलावा, हम दिखाते हैं कि इस मामले में, सभी पैटर्न सक्रिय नहीं हैं, लेकिन केवल वे ही हैं जो कि जो हो रहा है उसके संदर्भ में संगत चित्र का वर्णन कर सकते हैं। इस समय, हमारा सिस्टम संभावित अनुमत राज्यों में से एक में चला जाता है, जो लहर फ़ंक्शन के पतन से दृढ़ता से मिलता जुलता है।

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
भाग 9. न्यूरॉन डिटेक्टरों के पैटर्न। उलटा प्रक्षेपण

एलेक्सी रेडोज़ुबोव (2014)