सॉफ़्टवेयर मस्तिष्क सिमुलेशन को अनुकूलित करता है, जिससे वे जटिल संज्ञानात्मक कार्यों को पूरा करने में सक्षम होते हैं

एक नया सॉफ्टवेयर मस्तिष्क सिमुलेशन को सक्षम बनाता है जो मस्तिष्क में प्रक्रियाओं का विस्तार से अनुकरण करता है और चुनौतीपूर्ण संज्ञानात्मक कार्यों को हल कर सकता है। कार्यक्रम को तुबिंगन विश्वविद्यालय में उत्कृष्टता क्लस्टर “मशीन लर्निंग: विज्ञान के लिए नए परिप्रेक्ष्य” में एक शोध टीम द्वारा विकसित किया गया था। इस प्रकार सॉफ्टवेयर मस्तिष्क सिमुलेशन की एक नई पीढ़ी के लिए आधार बनाता है जो मस्तिष्क के कामकाज और प्रदर्शन में गहरी अंतर्दृष्टि की अनुमति देता है। टुबिंगन शोधकर्ताओं का पेपर रहा है प्रकाशित जर्नल में प्राकृतिक तरीके,

दशकों से, शोधकर्ता अंग और वहां होने वाली प्रक्रियाओं की समझ बढ़ाने के लिए मस्तिष्क के कंप्यूटर मॉडल बनाने की कोशिश कर रहे हैं। गणितीय तरीकों का उपयोग करके, उन्होंने तंत्रिका कोशिकाओं और उनके यौगिकों के व्यवहार और अंतःक्रिया का अनुकरण किया है।

हालाँकि, पिछले मॉडलों में महत्वपूर्ण कमजोरियाँ थीं: वे या तो अतिसरलीकृत न्यूरॉन मॉडल पर आधारित थे और इसलिए जैविक वास्तविकता से काफी भटक गए थे, या उन्होंने कोशिकाओं के भीतर जैव-भौतिकीय प्रक्रियाओं को विस्तार से दर्शाया था, लेकिन मस्तिष्क के समान कार्य करने में असमर्थ थे।

प्रोफेसर जैकब मैके के कार्य समूह में अध्ययन के पहले लेखक और शोधकर्ता माइकल डीस्टलर बताते हैं, “या तो पथ मस्तिष्क के समान है, लेकिन परिणाम नहीं है, या परिणाम सही है लेकिन जो प्रक्रिया वहां ले जाती है, उसकी तुलना मस्तिष्क में होने वाली प्रक्रियाओं से नहीं की जाती है।” जैक्सले, जैसा कि नए कार्यक्रम को कहा जाता है, मस्तिष्क मॉडल के प्रशिक्षण की अनुमति देता है जैसे कि दोनों लागू होते हैं – मस्तिष्क में वास्तविक प्रक्रियाओं के बारे में मॉडल से निष्कर्ष निकालने में सक्षम होने की दिशा में एक महत्वपूर्ण कदम।

इसे एक ऐसी विधि का उपयोग करके हासिल किया गया है जिसका उपयोग कृत्रिम न्यूरोनल नेटवर्क को प्रशिक्षित करने के लिए भी किया जाता है: “त्रुटि का बैकप्रोपेगेशन।” बैकप्रॉपैगेशन की सहायता से, एक कृत्रिम न्यूरोनल नेटवर्क प्रशिक्षण के दौरान अपने मापदंडों को समायोजित करता है ताकि दिए गए इनपुट का परिणाम वांछित आउटपुट हो। नेटवर्क स्वयं को तब तक अनुकूलित करता रहता है जब तक वह वांछित कार्य को विश्वसनीय रूप से प्राप्त नहीं कर लेता।

इस तरह, नेटवर्क सीखता है कि डेटा में कौन सी विशेषताएं और कनेक्शन एक विशिष्ट प्रक्रिया के लिए महत्वपूर्ण हैं, ताकि नए, समान उदाहरण दिए गए सही परिणाम दिए जा सकें। टुबिंगन शोधकर्ताओं ने इस प्रशिक्षण सिद्धांत को मस्तिष्क सिमुलेशन में स्थानांतरित कर दिया है।

विस्तृत मस्तिष्क मॉडल चुनौतीपूर्ण कार्य करते हैं

जब मस्तिष्क कोई कार्य करता है, तो न्यूरॉन्स में सैकड़ों महत्वपूर्ण पैरामीटर शामिल होते हैं। उदाहरण के लिए, यह न्यूरॉन्स का आकार, कनेक्शन की ताकत या आयन चैनलों की संख्या हो सकती है। डिस्टलर कहते हैं, “इनमें से कई मापदंडों को मापा नहीं जा सकता है। अब तक इसने सटीक सिमुलेशन विकसित करना असंभव बना दिया है जो अच्छे परिणाम देते हैं।”

“जैक्सली इन गैर-मापने योग्य मापदंडों को मस्तिष्क मॉडल में प्रशिक्षित कर सकता है। सॉफ़्टवेयर बार-बार उनके मूल्यों को बदलता है, बार-बार पुन: समायोजित करता है, जब तक कि सिमुलेशन वांछित परिणाम तक नहीं पहुंच जाता।” प्रशिक्षण के बाद, परिणामी मस्तिष्क मॉडल छवियों को वर्गीकृत करने या यादों को संग्रहीत करने और उन तक पहुंचने में सक्षम थे।

ट्यूबिंगन विश्वविद्यालय में विज्ञान में मशीन लर्निंग के प्रोफेसर और अध्ययन के अंतिम लेखक मैके कहते हैं, “जैक्सले को धन्यवाद, अब हम अध्ययन कर सकते हैं कि न्यूरोनल तंत्र कार्यों को हल करने में कैसे योगदान देते हैं।” “सॉफ्टवेयर तंत्रिका वैज्ञानिकों को मस्तिष्क की जटिलता की जांच करने और कंप्यूटर सिमुलेशन में इसे चित्रित करने की अनुमति देगा।” उदाहरण के लिए, न्यूरोलॉजिकल रोगों को बेहतर ढंग से समझने या पहले से ही दवाओं के प्रभाव का वस्तुतः अध्ययन करने के लिए, दीर्घकालिक ऐसे सिमुलेशन को चिकित्सा में भी लागू किया जा सकता है।