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।
याद रखने के समय मस्तिष्क के साथ होने वाले परिवर्तनों को एनग्राम कहा जाता है। दूसरे शब्दों में, एक एनग्राम मेमोरी का एक निशान है। यह काफी स्वाभाविक है कि एनग्राम की प्रकृति को समझना सभी शोधकर्ताओं द्वारा सोच की प्रकृति का अध्ययन करने में एक महत्वपूर्ण कार्य के रूप में माना जाता है।
इस कार्य की कठिनाई क्या है? यदि आप एक नियमित पुस्तक या बाहरी कंप्यूटर ड्राइव लेते हैं, तो इन दोनों को मेमोरी कहा जा सकता है। दोनों जानकारी संग्रहीत करते हैं। लेकिन स्टोर करने के लिए पर्याप्त नहीं है। उपयोगी बनने के लिए जानकारी के लिए, आपको इसे पढ़ने और इसे संचालित करने का तरीका जानने में सक्षम होना चाहिए। और यहां यह पता चला है कि सूचना भंडारण का रूप अपने प्रसंस्करण के सिद्धांतों से निकटता से संबंधित है। एक बड़े पैमाने पर दूसरे को निर्धारित करता है।
मानव मेमोरी न केवल विविध छवियों की एक विस्तृत श्रृंखला को संग्रहीत करने की क्षमता है, बल्कि एक उपकरण भी है जो आपको एक प्रासंगिक मेमोरी को जल्दी से ढूंढने और पुन: पेश करने की अनुमति देता है। इसके अलावा, हमारी स्मृति के मनमाने अंशों के साहचर्य तक पहुँच के अलावा, हम यह भी जानते हैं कि कैसे कालानुक्रमिक श्रृंखलाओं में यादों को जोड़ना है, एक छवि नहीं, बल्कि घटनाओं का एक क्रम पुन: पेश करना।
वाइल्डर ग्रेव्स पेनफील्ड ने कॉर्टेक्स के कार्यों के अध्ययन में उनके योगदान के लिए अच्छी तरह से योग्य पहचान अर्जित की। मिर्गी के इलाज में लगे होने के कारण, उन्होंने खुले मस्तिष्क के संचालन के लिए एक तकनीक विकसित की, जिसके दौरान विद्युत उत्तेजना का उपयोग किया गया, जो मिर्गी के फोकस को स्पष्ट करने की अनुमति देता है। इलेक्ट्रोड के साथ मस्तिष्क के विभिन्न हिस्सों को उत्साहित करते हुए, पेनफील्ड ने जागरूक रोगियों की प्रतिक्रिया दर्ज की। इससे मस्तिष्क प्रांतस्था (पेनफील्ड, 1950) के कार्यात्मक संगठन का विस्तृत विचार प्राप्त करना संभव हो गया। कुछ क्षेत्रों के उत्तेजना, मुख्य रूप से लौकिक लोब, रोगियों में ज्वलंत यादें पैदा करते हैं, जिसमें अतीत की घटनाएं काफी विस्तार से सामने आती हैं। इसके अलावा, एक ही स्थान की बार-बार की उत्तेजना ने समान यादों को जन्म दिया।
कई कार्यों के प्रांतस्था में पैनफिल द्वारा प्रकट किए गए स्पष्ट स्थानीयकरण ने स्मृति के समान स्पष्ट स्थानीयकृत निशान की खोज की। इसके अलावा, कंप्यूटर का आगमन और, तदनुसार, कंप्यूटर जानकारी के भौतिक मीडिया को कैसे व्यवस्थित किया जाता है, इस विचार ने मस्तिष्क संरचनाओं में कुछ इसी तरह की खोज को उत्तेजित किया।
1969 में, जेरी लेथविन ने कहा: "अगर मानव मस्तिष्क में विशिष्ट न्यूरॉन्स होते हैं, और वे विभिन्न वस्तुओं के अद्वितीय गुणों को कूटबद्ध करते हैं, तो, सिद्धांत रूप में, कहीं न कहीं मस्तिष्क में एक न्यूरॉन होना चाहिए, जिसके साथ हम अपनी दादी को पहचानते हैं और याद करते हैं।" जब "मेमोरी डिवाइस के बारे में बात की जाती है तो" दादी का न्यूरॉन "शब्द बिगड़ जाता है और अक्सर पॉप हो जाता है। इसके अलावा, प्रत्यक्ष प्रयोगात्मक सबूत पाए गए थे। न्यूरॉन्स का पता चला है जो कुछ छवियों का जवाब देते हैं, उदाहरण के लिए, किसी विशिष्ट व्यक्ति या विशिष्ट घटना को स्पष्ट रूप से पहचानना। सच है, अधिक विस्तृत अध्ययनों में यह पता चला कि "विशिष्ट" न्यूरॉन्स न केवल एक चीज का जवाब देते हैं, बल्कि समान छवियों के अर्थ में समूहों के लिए भी। तो, यह पता चला कि जेनिफर एनिस्टन को जवाब देने वाले न्यूरॉन ने लीजा कुडरो पर भी प्रतिक्रिया व्यक्त की, जिन्होंने टेलीविजन श्रृंखला फ्रेंड्स में एनिस्टन के साथ अभिनय किया, और ल्यूक स्काईवल्कर को पहचानने वाले न्यूरॉन ने मास्टर योदा (आर.के. केविरोगा, के। कोच, आई। फ्राइड, 2013)।
बीसवीं शताब्दी के पूर्वार्द्ध में, कार्ल लैशले ने स्मृति के स्थानीयकरण पर बहुत दिलचस्प प्रयोग किए। पहले तो उन्होंने चूहों को भूलभुलैया में रास्ता निकालने के लिए प्रशिक्षित किया, और फिर उन्होंने मस्तिष्क के विभिन्न हिस्सों को हटा दिया और फिर से भूलभुलैया में भाग गए। इसलिए उन्होंने मस्तिष्क के उस हिस्से को खोजने की कोशिश की, जो अर्जित कौशल की स्मृति के लिए जिम्मेदार है। लेकिन यह पता चला कि मोटर कौशल के कई बार उल्लंघन के बावजूद, एक तरह से या किसी अन्य में मेमोरी को हमेशा संरक्षित रखा गया है। इन प्रयोगों ने कार्ल प्रब्रम को होलोग्राफिक मेमोरी (प्रब्रम, 1971) के प्रसिद्ध और लोकप्रिय सिद्धांत को तैयार करने के लिए प्रेरित किया।
होलोग्राफी के सिद्धांत, शब्द की ही तरह, 1947 में दिनेश गबोर द्वारा आविष्कार किए गए थे, जिन्हें इसके लिए 1971 का भौतिकी का नोबेल पुरस्कार मिला था। होलोग्राफी का सार इस प्रकार है। यदि हमारे पास एक स्थिर आवृत्ति वाला प्रकाश स्रोत है, तो इसे एक पारभासी दर्पण के माध्यम से दो में विभाजित करके, हमें दो सुसंगत प्रकाश प्रवाह मिलते हैं। एक स्ट्रीम ऑब्जेक्ट को निर्देशित किया जा सकता है, और दूसरा फोटोग्राफिक प्लेट को।
होलोग्राम निर्माणनतीजतन, जब ऑब्जेक्ट से परिलक्षित प्रकाश फोटोग्राफिक प्लेट तक पहुंचता है, तो यह प्लेट को रोशन करने वाले फ्लक्स के साथ एक हस्तक्षेप पैटर्न बनाएगा।
एक फोटोग्राफिक प्लेट पर अंकित हस्तक्षेप पैटर्न, न केवल आयाम के बारे में जानकारी संग्रहीत करेगा, बल्कि ऑब्जेक्ट द्वारा प्रतिबिंबित प्रकाश क्षेत्र की चरण विशेषताओं के बारे में भी जानकारी देगा। अब, यदि आप पहले से उजागर की गई प्लेट को रोशन करते हैं, तो मूल चमकदार प्रवाह को बहाल किया जाएगा, और हम इसकी संपूर्ण मात्रा में याद की गई वस्तु देखेंगे।
होलोग्राम प्लेबैकहोलोग्राम में कुछ अद्भुत गुण होते हैं। सबसे पहले, चमकदार प्रवाह मात्रा को संरक्षित करता है, अर्थात, विभिन्न कोणों से प्रेत वस्तु को देखते हुए, आप इसे विभिन्न पक्षों से देख सकते हैं। दूसरे, होलोग्राम के प्रत्येक खंड में संपूर्ण प्रकाश क्षेत्र के बारे में जानकारी होती है। इसलिए, यदि हम होलोग्राम को आधे में काटते हैं, तो पहले हम ऑब्जेक्ट का केवल आधा हिस्सा देखेंगे। लेकिन अगर हम अपने सिर को झुकाते हैं, तो शेष होलोग्राम के किनारे से हम दूसरे "फसली" भाग को बाहर कर सकते हैं। हाँ, होलोग्राम का टुकड़ा जितना छोटा होगा, उसका रिज़ॉल्यूशन उतना ही कम होगा। लेकिन यहां तक कि एक छोटे से क्षेत्र के माध्यम से, जैसा कि आप कीहोल के माध्यम से कर सकते हैं, पूरी छवि देखें। यह दिलचस्प है कि अगर होलोग्राम पर एक आवर्धक कांच है, तो इसके माध्यम से आवर्धन के साथ वहां पर कब्जा कर ली गई अन्य वस्तुओं की जांच करना संभव होगा।
स्मृति पर लागू होने के कारण, प्राइब्रम ने सूत्रबद्ध किया: "होलोग्राफिक अवधारणा का सार यह है कि छवियों को तब बहाल किया जाता है जब वितरित जानकारी के साथ सिस्टम के रूप में उनका प्रतिनिधित्व तदनुसार एक सक्रिय स्थिति में लाया जाता है" (प्रियब्रम, 1971)।
स्मृति के होलोग्राफिक गुणों का उल्लेख दो संदर्भों में पाया जा सकता है। एक ओर, होलोग्राफिक मेमोरी को कॉल करते हुए, वे अपने वितरित प्रकृति और न्यूरॉन्स के केवल भाग का उपयोग करके छवियों को पुनर्स्थापित करने की क्षमता पर जोर देते हैं, इसी तरह यह एक होलोग्राम के टुकड़ों के साथ कैसे होता है। दूसरी ओर, यह माना जाता है कि होलोग्राम के समान गुण रखने वाली स्मृति समान भौतिक सिद्धांतों पर आधारित है। उत्तरार्द्ध का मतलब है कि चूंकि होलोग्राफी प्रकाश प्रवाह के हस्तक्षेप पैटर्न को ठीक करने पर आधारित है, इसलिए स्मृति, जाहिरा तौर पर, किसी तरह सूचना के स्पंदित कोडिंग के परिणामस्वरूप उत्पन्न होने वाले हस्तक्षेप पैटर्न का उपयोग करती है। मस्तिष्क की लय अच्छी तरह से जानी जाती है, और जहां उतार-चढ़ाव और लहरें होती हैं, और इसलिए, उनका हस्तक्षेप अपरिहार्य है। तो, शारीरिक सादृश्य काफी उपयुक्त और आकर्षक लगता है।
लेकिन हस्तक्षेप एक सूक्ष्म चीज है, संकेतों की आवृत्ति या चरण में छोटे परिवर्तन पूरी तरह से इसकी तस्वीर को बदलना चाहिए। हालाँकि, मस्तिष्क अपनी लय में महत्वपूर्ण भिन्नता के साथ सफलतापूर्वक काम करता है। इसके अलावा, अपने खंडों को विच्छेदित करके और कट के स्थानों में अभ्रक डालकर, एक बंद बनाने के लिए सोने की पन्नी के स्ट्रिप्स को लागू करके विद्युत गतिविधि के प्रसार को बाधित करने का प्रयास किया जाता है, एल्यूमीनियम पेस्ट के इंजेक्शन द्वारा मिरगी का निर्माण किया जाता है, मस्तिष्क को बहुत अधिक परेशान नहीं करता है (प्रब्रम, 1971)।
स्मृति की बात करें तो, स्मृति के संबंध और हिप्पोकैम्पस के बारे में ज्ञात तथ्यों की अनदेखी करना असंभव है। 1953 में, रोगी, जिसे आमतौर पर एचएम (
हेनरी मोलिसन ) कहा जाता था, सर्जन ने हिप्पोकैम्पस (डब्ल्यू। स्कोविले, बी। मिलनर, 1957) को हटा दिया। यह गंभीर मिर्गी को ठीक करने का एक जोखिम भरा प्रयास था। यह ज्ञात था कि एक गोलार्ध के हिप्पोकैम्पस को हटाने से वास्तव में इस बीमारी में मदद मिलती है। एचएम में मिर्गी की असाधारण शक्ति को देखते हुए, डॉक्टर ने दोनों तरफ से हिप्पोकैम्पस को हटा दिया। नतीजतन, एचएम पूरी तरह से कुछ भी याद करने की क्षमता खो दिया। उन्हें याद था कि ऑपरेशन से पहले उनके साथ क्या हुआ था, लेकिन जैसे ही उनका ध्यान हटा, उनके सिर से सब कुछ उड़ गया।
हेनरी मोलासनएचएम पर लंबे समय से शोध किया गया है। इन अध्ययनों के दौरान, अनगिनत अलग-अलग प्रयोग किए गए हैं। उनमें से एक विशेष रूप से दिलचस्प निकला। रोगी को दर्पण में उसे देखते हुए, एक पाँच-नुकीले तारे का चक्कर लगाने को कहा गया। यह बहुत सरल कार्य नहीं है, जिससे उचित कौशल के अभाव में कठिनाई होती है। एचएम द्वारा कार्य को बार-बार दिया गया था और हर बार जब उसे पहली बार देखा गया था। लेकिन यह दिलचस्प है कि हर बार टास्क को पूरा करने के साथ उसे आसान और आसान बना दिया गया। बार-बार किए गए प्रयोगों के दौरान, उन्होंने खुद कहा कि उन्हें उम्मीद है कि यह अधिक जटिल हो जाएगा।
गोलार्धों में से एक का हिप्पोकैम्पसइसके अलावा, यह पता चला कि घटनाओं के लिए एक निश्चित स्मृति अभी भी एचएम में अंतर्निहित थी। उदाहरण के लिए, वह कैनेडी की हत्या के बारे में जानता था, हालांकि हिप्पोकैम्पस को उसके द्वारा हटाए जाने के बाद ऐसा हुआ था।
इन तथ्यों से, यह निष्कर्ष निकाला गया कि कम से कम दो अलग-अलग प्रकार की मेमोरी हैं। एक प्रकार विशिष्ट यादों को ठीक करने के लिए जिम्मेदार है, और दूसरा कुछ सामान्यीकृत अनुभव प्राप्त करने के लिए जिम्मेदार है, जो सामान्य तथ्यों या कुछ कौशल के अधिग्रहण के ज्ञान में व्यक्त किया गया है।
एचएम का मामला काफी अनोखा है। हिप्पोकैम्पस को हटाने से जुड़ी अन्य स्थितियों में, जहां एचएम के रूप में कोई पूर्ण द्विपक्षीय क्षति नहीं थी, स्मृति हानि या तो पूरी तरह से स्पष्ट या अनुपस्थित नहीं थी (डब्ल्यू। स्कोविले, बी। मिलनर, 1957)।
अब हमारे मॉडल के साथ वर्णित सभी चीजों की तुलना करने की कोशिश करते हैं। हमने दिखाया है कि लगातार दोहराव वाली घटनाएं डिटेक्टर न्यूरॉन्स के पैटर्न बनाती हैं। ये पैटर्न उन विशेषताओं के संयोजन को पहचानने में सक्षम हैं, और लहर पैटर्न में नए पहचानकर्ता जोड़ते हैं। हमने दिखाया है कि कॉन्सेप्ट आइडेंटिफायर द्वारा फीचर्स का रिवर्स रीप्रोडक्शन कैसे हो सकता है। इसकी तुलना सामान्यीकृत अनुभव की स्मृति से की जा सकती है।
लेकिन ऐसी सामान्यीकृत मेमोरी विशिष्ट घटनाओं को फिर से बनाने की अनुमति नहीं देती है। यदि एक ही घटना को अलग-अलग स्थितियों में दोहराया जाता है, तो हम अपने तंत्रिका नेटवर्क में बस घटना के अनुरूप अवधारणा और इन परिस्थितियों का वर्णन करने वाले अवधारणाओं के बीच सहयोगी संबंध प्राप्त करते हैं। इस अनुरूपता का उपयोग करते हुए, आप एक अमूर्त विवरण बना सकते हैं जिसमें अवधारणाएं होती हैं जो एक साथ होती हैं। ईवेंट मेमोरी का कार्य एक निश्चित अमूर्त तस्वीर को पुन: पेश करना नहीं है, बल्कि पहले से याद की गई स्थिति को फिर से बनाना है जो कि सभी विशिष्ट अनूठी विशेषताओं के साथ एक विशिष्ट घटना का वर्णन करता है।
कठिनाई वास्तव में यह है कि हमारे मॉडल में कोई जगह नहीं है जहां क्या हो रहा है का एक पूर्ण और व्यापक विवरण स्थानीयकृत है। एक पूर्ण विवरण में कई विवरण शामिल हैं जो प्रांतस्था के व्यक्तिगत क्षेत्रों पर सक्रिय हैं। प्रत्येक क्षेत्र में उन तरंगों का वर्णन है जो मस्तिष्क के इस विशेष क्षेत्र के लिए विशिष्ट हैं। और अगर हम किसी भी तरह से याद रखें कि प्रत्येक क्षेत्र में अलग-अलग क्या होता है, तो इन विवरणों को अभी भी एक साथ जोड़ना होगा ताकि एक समग्र छवि उभर सके।
इसी तरह की स्थिति तब पैदा होती है जब हमारे पास स्थानीय ग्रहणशील क्षेत्रों के साथ स्थलाकृतिक प्रक्षेपण और न्यूरॉन्स होते हैं। मान लीजिए कि हमारे पास एक तंत्रिका नेटवर्क है जिसमें दो सपाट परतें हैं (नीचे आंकड़ा)। मान लीजिए कि पहली परत के न्यूरॉन्स की स्थिति एक निश्चित चित्र बनाती है। यह चित्र प्रक्षेपण तंतुओं के माध्यम से दूसरी परत में प्रेषित होता है। दूसरी परत के न्यूरॉन्स के उन तंतुओं के साथ सिनैप्टिक कनेक्शन होते हैं जो उनके ग्रहणशील क्षेत्रों की सीमाओं के भीतर आते हैं। इस प्रकार, दूसरी परत के प्रत्येक न्यूरॉन्स को पहली परत की मूल छवि का केवल एक छोटा टुकड़ा दिखाई देता है।
स्थानीय ग्रहणशील क्षेत्रों पर छवि का स्थलाकृतिक प्रक्षेपणदूसरी परत पर आपूर्ति की गई छवि को याद करने का एक स्पष्ट तरीका है। न्यूरॉन्स के ऐसे सेट को चुनना आवश्यक है ताकि उनके ग्रहणशील क्षेत्र पूरी तरह से अनुमानित छवि को कवर करें। छवि के अपने टुकड़े न्यूरॉन्स में से प्रत्येक पर याद रखें। और मेमोरी कनेक्ट होने के लिए - एक सामान्य मार्कर के साथ इन सभी न्यूरॉन्स को चिह्नित करें, जो एक सेट से संबंधित हैं।
इस तरह के संस्मरण बहुत सरल हैं, लेकिन इसमें शामिल न्यूरॉन्स की संख्या में बेहद बेकार है। प्रत्येक नई तस्वीर को स्मृति तत्वों के एक नए वितरित सेट की आवश्यकता होगी।
आप बचत प्राप्त कर सकते हैं यदि यह पता चला है कि विभिन्न छवियों के विभिन्न सामान्य टुकड़े दोहराए जाते हैं, तो आप इस तरह के टुकड़े को याद करने के लिए एक नए न्यूरॉन को मजबूर नहीं कर सकते हैं, लेकिन एक मौजूदा न्यूरॉन का उपयोग करके बस एक और मार्कर जोड़कर, अब एक नई तस्वीर से।
इस प्रकार, हम वितरित याद के मूल विचार पर आते हैं। हम इसका वर्णन पहले चित्र और स्थलाकृतिक प्रक्षेपण के लिए करेंगे।
हम विभिन्न छवियों को पहले ज़ोन में सबमिट करेंगे और उन्हें दूसरे ज़ोन पर प्रोजेक्ट करेंगे। यदि हम न्यूरॉन्स के ग्रहणशील क्षेत्रों को काफी छोटा बनाते हैं, तो प्रत्येक स्थानीय क्षेत्र में अद्वितीय चित्रों की संख्या इतनी महान नहीं होगी। हम ग्रहणशील क्षेत्र के आकार को इस तरह से चुन सकते हैं कि स्थानीय छवियों के सभी अनूठे संस्करण क्षेत्र में फिट होते हैं, जिनमें से आकार लगभग न्यूरॉन्स के ग्रहणशील क्षेत्र के आकार के साथ मेल खाते हैं।
डिटेक्टर न्यूरॉन्स वाले स्थानिक क्षेत्र बनाएं। हम यह सुनिश्चित करते हैं कि प्रत्येक क्षेत्र में सभी संभव अद्वितीय चित्रों के डिटेक्टर शामिल हैं और ऐसे क्षेत्र दूसरे क्षेत्र के पूरे स्थान को कवर करते हैं। ऐसा करने के लिए, हम कारकों के सेट की पहचान के लिए पहले वर्णित सिद्धांतों का उपयोग कर सकते हैं।
डिटेक्टरों का काम उनके ग्रहणशील क्षेत्रों को आपूर्ति की गई छवियों की उनकी छवियों की विशेषता के साथ तुलना करना है। छवियों की ऐसी तुलना के लिए, कोई ग्रहणशील क्षेत्र
R पर दृढ़ संकल्प का उपयोग कर सकता है:
न्यूरॉन की प्रतिक्रिया अधिक होगी, नई छवि को याद की गई छवि को कवर किया जाएगा। यदि हम कवरेज की डिग्री में नहीं, बल्कि छवियों के संयोग के स्तर में रुचि रखते हैं, तो हम छवियों के सहसंबंध का उपयोग कर सकते हैं, जो सामान्यीकृत दृढ़ संकल्प से अधिक कुछ नहीं है:
वैसे, यह समान मान छवि वेक्टर और भार वेक्टर द्वारा गठित कोण का कोसाइन है:
नतीजतन, डिटेक्टरों के प्रत्येक स्थानीय समूह में, जब एक नई तस्वीर प्रस्तुत की जाती है, तो न्यूरॉन डिटेक्टरों जो अपने स्थानीय टुकड़े का सबसे सटीक वर्णन करते हैं, को ट्रिगर किया जाएगा।
अब निम्नलिखित करते हैं: प्रत्येक नई छवि के लिए हम अपना विशिष्ट पहचानकर्ता लेबल उत्पन्न करेंगे और इसके साथ सक्रिय न्यूरॉन डिटेक्टरों को चिह्नित करेंगे। हम पाएंगे कि छवि की प्रत्येक आपूर्ति गतिविधि के एक चित्र के कॉर्टेक्स के दूसरे क्षेत्र में उपस्थिति के साथ है, जो कि दूसरे क्षेत्र के लिए उपलब्ध संकेतों के माध्यम से इस छवि का विवरण है। एक विशिष्ट पहचानकर्ता बनाना और इसे डिटेक्टरों के सक्रिय न्यूरॉन्स के साथ चिह्नित करना - यह एक विशिष्ट घटना का संस्मरण है।
यदि हम मार्करों में से एक का चयन करते हैं, तो न्यूरॉन्स-डिटेक्टरों को ढूंढें, और उनमें से स्थानीय छवियों को पुनर्स्थापित करें, फिर हमें मूल छवि की बहाली मिलेगी।
कई अलग-अलग छवियों को याद करने और पुन: पेश करने के लिए, डिटेक्टर न्यूरॉन्स के पास लगातार सिनैप्टिक वज़न होना चाहिए और कई मार्करों को स्टोर करने की क्षमता होनी चाहिए, क्योंकि उन्हें याद रखने की आवश्यकता होती है।
आइए एक सरल उदाहरण का उपयोग करके वितरित संस्मरण के काम को दिखाएं। मान लें कि हम विभिन्न ज्यामितीय आकृतियों (नीचे आंकड़ा) के ऊपरी क्षेत्र समोच्च छवियों में उत्पन्न करते हैं।
छवि फ़ाइलहम सजावट क्षेत्र द्वारा विभिन्न कारकों को उजागर करने के लिए निचले क्षेत्र को प्रशिक्षित करेंगे। प्रत्येक छोटे ग्रहणशील क्षेत्र में दिखाई देने वाली मुख्य छवियां विभिन्न कोणों पर लाइनें हैं। अन्य चित्र होंगे, उदाहरण के लिए, ज्यामितीय आकृतियों में निहित चौराहे और कोण। लेकिन रेखाएँ हावी होंगी, यानी अधिक बार मिलेंगी। इसका मतलब है कि वे मुख्य रूप से कारकों के रूप में बाहर खड़े हैं। इस तरह के प्रशिक्षण का वास्तविक परिणाम नीचे दिए गए आंकड़े में दिखाया गया है।
समोच्च छवियों से निकाले गए कारकों के एक क्षेत्र का टुकड़ायह देखा जा सकता है कि कई ऊर्ध्वाधर और क्षैतिज रेखाएं हैं जो ग्रहणशील क्षेत्र पर अपनी स्थिति में भिन्न होती हैं। यह आश्चर्य की बात नहीं है, क्योंकि यहां तक कि एक छोटा सा पूर्वाग्रह भी एक नया कारक बनाता है जो इसके समानांतर "जुड़वाँ" के साथ अंतर नहीं करता है। मान लीजिए कि हमने किसी तरह अपने नेटवर्क को जटिल किया है ताकि आसन्न समानांतर "जुड़वां" एक कारक में विलय हो जाएं। इसके अलावा, मान लें कि छोटे क्षेत्रों में कारक उभरे हैं, जैसा कि नीचे दिए गए आंकड़े में दिखाया गया है, जिसमें सभी संभावित दिशाओं का वर्णन करने वाली एक निश्चित विसंगति है।
एक घंटे के संकल्प के साथ अलग-अलग दिशाओं के अनुरूप एक छोटे से क्षेत्र में कारकफिर पूरे कॉर्टिकल जोन के प्रशिक्षण के परिणाम को निम्नानुसार सशर्त रूप से दर्शाया जा सकता है:
कॉर्टिकल ज़ोन सीखने का सशर्त परिणाम। स्पष्टता के लिए, न्यूरॉन्स को एक नियमित ग्रिड पर नहीं रखा जाता है।अब कॉर्टेक्स के प्रशिक्षित क्षेत्र में एक वर्ग छवि लागू करते हैं। न्यूरॉन्स जो उनके ग्रहणशील क्षेत्र पर एक उत्तेजना की विशेषता देखते हैं, सक्रिय होते हैं (नीचे आंकड़ा)।
वर्ग की छवि को कॉर्टेक्स के प्रशिक्षित क्षेत्र की प्रतिक्रियाअब हम रैंडम यूनिक नंबर जनरेट करेंगे - मेमोरी की पहचानकर्ता। सादगी के लिए, हम अभी के लिए अपने तरंग नेटवर्क का उपयोग नहीं करेंगे, हम खुद को इस धारणा तक सीमित कर लेंगे कि प्रत्येक न्यूरॉन सिनाप्टिक वेट के अलावा पहचानकर्ताओं के एक सेट को संग्रहीत कर सकता है, अर्थात् अव्यवस्थित संख्याओं का एक बड़ा सरणी। हम सभी सक्रिय न्यूरॉन्स को उनके सेट में उत्पन्न पहचानकर्ता को याद रखेंगे। दरअसल, इस क्रिया के साथ हम देखे गए वर्ग की याददाश्त को ठीक करेंगे।
नई छवियां सबमिट करने से, हम उनमें से प्रत्येक के लिए एक विशिष्ट पहचानकर्ता उत्पन्न करेंगे और इसे उन न्यूरॉन्स में जोड़ देंगे जिन्होंने वर्तमान छवि पर प्रतिक्रिया दी है।
अब, कुछ को याद रखने के लिए, यह समान पहचानकर्ता लेने के लिए पर्याप्त होगा, इसमें शामिल सभी न्यूरॉन्स को सक्रिय करें, और फिर इन न्यूरॉन्स की छवियों के पैटर्न को पुनर्स्थापित करें। स्वाभाविक रूप से, विवरण प्रणाली जितनी समृद्ध और तेज होगी, उतनी ही सटीक रूप से बहाल की गई छवि मूल के साथ मेल खाएगी। लेकिन यहां तक कि बहुत कच्चे मॉडल पर, उदाहरण के लिए, ऊपर नेटवर्क पर, आप काफी प्रशंसनीय पुनर्प्राप्ति परिणाम (नीचे आंकड़ा) प्राप्त कर सकते हैं।
मूल छवि और मेमोरी को "किसी न किसी" मॉडल के कारकों से फिर से बनाया गया है।अब हम इस बारे में अपनी धारणा बना सकते हैं कि वास्तविक मस्तिष्क की घटना मेमोरी कैसे संरचित है।प्रांतस्था के विभिन्न क्षेत्रों के सीखने से इन क्षेत्रों की छवियों का जवाब देने में सक्षम न्यूरॉन डिटेक्टरों के पैटर्न का निर्माण होता है। यह प्रशिक्षण सिनैप्टिक प्लास्टिसिटी पर आधारित है। यह प्रशिक्षण विशिष्ट घटनाओं पर कब्जा नहीं करता है, लेकिन केवल सामान्यीकृत अवधारणाओं को उजागर करता है। जब एक "दादी का न्यूरॉन" उठता है, तो कोई भी उन यादों का न्याय नहीं कर सकता है जो उसके सिनैप्सियल तराजू द्वारा दादी के साथ कुछ भी करना है। सिनैप्स का वजन विशिष्ट घटनाओं से नहीं, बल्कि दादी की मान्यता की विशेषता के संकेतों द्वारा वर्णित किया जाता है।कॉर्टेक्स के प्रत्येक क्षेत्र में होने वाले विवरण की तस्वीर द्वैतवादी है। यह दोनों न्यूरॉन डिटेक्टरों की विकसित गतिविधि की एक तस्वीर है, और एक तरंग पहचानकर्ता जो कॉर्टेक्स के लिए अपने स्वयं के उत्सर्जक पैटर्न और प्रक्षेपण प्रणाली के साथ आने वाली तरंगों द्वारा बनाई गई है।हिप्पोकैम्पस की भूमिका प्रत्येक मेमोरी के लिए एक विशिष्ट पहचानकर्ता बनाने और समग्र तरंग चित्र में जोड़ने की है। इसके परिणामस्वरूप, तरंग पहचानकर्ता में प्रत्येक कॉर्टिकल क्षेत्र पर वर्तमान घटना का वर्णन करने वाले संकेतों को सूचीबद्ध करने के अलावा, हिप्पोकैम्पस से एक अद्वितीय योजक भी दिखाई देगा, जो समान घटनाओं के तरंग विवरणों को भेद करना संभव बना देगा।विकसित गतिविधि की स्थिति में डिटेक्टर न्यूरॉन्स अपने मेटाबोट्रोपिक समूहों पर वर्तमान तरंग पहचानकर्ता को ठीक करते हैं। वैसे, हमने पहले से ही कुछ ऐसा ही मनाया था जब हमने अवधारणाओं की सामान्यीकृत संघात्मकता की प्रणाली का वर्णन किया था। केवल अब हिप्पोकैम्पस से एक अनूठा घटक पहचानकर्ता में जोड़ा गया है। इस कार्रवाई के साथ, हम एक एनग्राम बनाएंगे जो आपको एक मेमोरी से संबंधित सभी न्यूरॉन्स-डिटेक्टरों को खोजने की अनुमति देगा।यह ध्यान दिया जाना चाहिए कि यह डिज़ाइन उसी तरह से काम करता है, भले ही जानकारी कॉर्टिकल ज़ोन में कैसे पहुंचाई जाए। स्थलाकृतिक और तरंग प्रक्षेपण दोनों के लिए, संस्मरण के सिद्धांत अपरिवर्तित रहते हैं।इस मेमोरी डिज़ाइन में मेमोरी से आवश्यक सभी होलोग्राफिक गुण हैं। किसी भी डिटेक्टर पैटर्न के डिटेक्टर न्यूरॉन्स संस्मरण के समय पूरे तरंग पैटर्न के बारे में जानकारी संग्रहीत करते हैं, जो होलोग्राम के आसपास के अंतरिक्ष के लहर पैटर्न के बारे में जानकारी संग्रहीत करने के तरीके के साथ बिल्कुल मेल खाती है।एंग्राम फिक्सेशन मस्तिष्क के सभी हिस्सों पर वितरित किया जाता है जो पहचानने में सक्रिय रहे हैं कि क्या हो रहा है। इसका मतलब यह है कि मेमोरी किसी एक या यहां तक कि कई न्यूरॉन्स से बंधा नहीं है और एक विशिष्ट स्थानीयकरण नहीं है। कॉर्टेक्स के किसी भी हिस्से को हटाना, जैसा कि लैशली के प्रयोगों में था, पूरे एनग्राम को नष्ट नहीं करता है, लेकिन केवल हटाए गए शब्दों के विवरण में इसे लागू करता है।यह न्यूरॉन्स की प्रकृति स्पष्ट हो जाती है जो जेनिफर एनिस्टन या मास्टर योदा का जवाब देती है। ये मेमोरी न्यूरॉन्स नहीं हैं - ये केवल संबंधित फिल्मों से संबंधित अवधारणाओं से जुड़े न्यूरॉन डिटेक्टर हैं।इलेक्ट्रोड के साथ मस्तिष्क की उत्तेजना से उत्पन्न होने वाले विशद दर्शन की प्रकृति को समझाया जा सकता है। इलेक्ट्रोड न्यूरॉन्स के एक यादृच्छिक पैटर्न को उत्तेजित करता है जिसके साथ यह संपर्क में है। यदि यह पता चलता है कि यह पैटर्न कुछ ज्ञात पहचानकर्ता कॉर्टेक्स की लहर के टुकड़े के समान है, तो यह इसी तरंग को शुरू करता है, जो मस्तिष्क के बाकी जानकारी चित्र बनाता है। पहले से ही प्रस्तुत इलेक्ट्रोड के लिए एक दोहराया विद्युत आवेग एक ही दृष्टि का कारण बनता है, क्योंकि यह गतिविधि का एक ही पैटर्न बनाता है। लेकिन एक ही समय में, दृष्टि की प्रकृति किसी भी तरह से उस जगह से जुड़ी नहीं है जहां इलेक्ट्रोड गिर गया था। ऐसी अवधारणाएं जो वास्तव में स्थानीयकरण नहीं हैं, सक्रिय हैं, लेकिन एक लहर, जो, सिद्धांत रूप में, किसी अन्य स्थान पर उत्पन्न हो सकती है। इलेक्ट्रोड की शुरूआत के स्थान पर, इस लहर का पैटर्न सुई के आकार के साथ मेल खाता था। कोर्टेक्स के वेव मॉडल के लिए, यह सब काफी स्वाभाविक है,लेकिन यह उन लोगों के लिए पहेली है जो "दादी के न्यूरॉन्स" की तलाश में हैं।स्मृति की हमारी अवधारणा एचएम रोगी की विशेषताओं को अच्छी तरह से बताती है। चूंकि हिप्पोकैम्पस एक विशिष्ट पहचानकर्ता बनाने के लिए आवश्यक है, इसलिए यह आश्चर्यजनक नहीं है कि इसकी अनुपस्थिति ने नई यादें बनाने में असंभव बना दिया और, एक ही समय में, मौजूदा यादें नहीं तोड़ी गईं। जहां एक पहचानकर्ता को पहले ही सौंपा जा चुका है, हिप्पोकैम्पस को बाद की सूचना प्रक्रियाओं की आवश्यकता नहीं है। चूंकि न्यूरॉन डिटेक्टर और डिटेक्टर पैटर्न का निर्माण हिप्पोकैम्पस से बंधा नहीं है, इसलिए सीखने की प्रक्रिया और सामान्यीकृत मेमोरी के गठन की क्षमता को भी समझाया गया है।एक बार फिर, मैं इस तथ्य पर ध्यान आकर्षित करता हूं कि घटना की स्मृति के वर्णन में हमने यादों के साधन के रूप में सिनैप्स की प्लास्टिसिटी का उपयोग नहीं किया। हमारे साथ सिनैप्स की प्लास्टिसिटी न्यूरॉन डिटेक्टरों के पैटर्न के गठन के लिए एक तंत्र है। यही है, विशिष्ट घटनाओं के निशान सीधे न्यूरॉन्स के synapses पर नहीं पाए जा सकते हैं, हालांकि synaptic तराजू द्वारा वर्णित छवियां हमेशा पहले के अनुभव से कुछ समान होती हैं। हम इवेंट मेमोरी से सीखने के तंत्र को अलग करने की आवश्यकता पर आए हैं। इसके आधार पर, हमारे मॉडल में दो प्रकार के एनग्राम प्राप्त किए गए थे। एक प्रकार अन्तर्ग्रथनी तराजू का एक संशोधन है, जो उन विशेषताओं को भेद करने की अनुमति देता है जिनके आधार पर सभी बाद के विवरण बनाए जाते हैं। दूसरा प्रकार एक्स्ट्रासिनैप्टिक मेटाबोट्रोपिक रिसेप्टिव क्लस्टर का गठन है जो एक विशिष्ट घटना के विवरण में शामिल कई न्यूरॉन्स को एकजुट करता है।इसके अलावा, दूसरे प्रकार के एनग्राम पहले के बिना असंभव है। इसका मतलब यह है कि किसी भी घटना की यादों को पूरी तरह से बनाने के लिए, ऐसे कारक होने चाहिए जो इस तरह के विवरण की अनुमति दें।सूचना को मस्तिष्क द्वारा पदानुक्रमित रूप से वर्णित किया जाता है, जो स्तर से स्तर तक अधिक से अधिक अमूर्त विशेषताओं को उजागर करता है। जब हम किसी घटना के स्मरण के बारे में बात करते हैं, तो हम आम तौर पर निचले स्तर की फोटोग्राफिक मेमोरी का मतलब नहीं रखते हैं, हम एक अधिक सार वर्णन को ठीक करने के बारे में बात कर रहे हैं, जिससे बहाली की प्रक्रिया में मूल फोटोग्राफिक तस्वीर का पुनर्निर्माण हो सकता है। लेकिन इस तरह के विवरण के लिए संभव होने के लिए, यह आवश्यक है कि उपयुक्त कारक बनाए जाएं। ऐसा लगता है कि यह इस कारण से है कि हमारे पास बचपन की यादें नहीं हैं। जिस उम्र में हमारी स्मृति की विफलता संबंधित है, उस समय हमारे पास अभी तक ऐसी अवधारणाएं नहीं हैं जो घटनाओं के पूर्ण विवरण के लिए आवश्यक हैं।साहित्य का इस्तेमाल कियाविस्तारपिछले भाग:
भाग 1. न्यूरॉनभाग 2. कारकभाग 3. अवधारणात्मक, दृढ़ नेटवर्कभाग 4. पृष्ठभूमि गतिविधिभाग 5. मस्तिष्क की तरंगेंभाग 6. प्रोजेक्शन सिस्टमभाग 7. मानव कंप्यूटर इंटरफ़ेसभाग 8. तरंग नेटवर्क में कारकों का अलगावभाग 9. न्यूरॉन डिटेक्टरों के पैटर्न। उलटा प्रक्षेपणभाग 10. स्थानिक स्व-संगठनभाग 11. डायनेमिक न्यूरल नेटवर्क। संबद्धता