अध्ययन मस्तिष्क अध्ययन के पुराने सिद्धांत को पलट देता है
दशकों के लिए, वैज्ञानिकों ने सोचा था कि मस्तिष्क के कोशिकाओं के बीच synapses, या कई जंक्शनों में सीखना होता है। लेकिन अब, एक नए अध्ययन का प्रस्ताव है कि सीखना कुछ डेन्ड्राइट्स में होता है, जो शाखाएं मस्तिष्क कोशिका या न्यूरॉन को इनपुट फ़ीड करती हैं।
एक पत्र में जो अब पत्रिका में प्रकाशित हुआ है वैज्ञानिक रिपोर्ट, लेखक बताते हैं कि न्यूरॉन्स और सेल संस्कृतियों के कंप्यूटर मॉडल का अध्ययन करने के बाद वे इस निष्कर्ष पर कैसे पहुंचे।
मस्तिष्क के विशाल तंत्रिका नेटवर्क में, न्यूरॉन्स छोटे माइक्रोचिप्स की तरह व्यवहार करते हैं जो अपने डेंड्राइट्स के माध्यम से इनपुट में लेते हैं, और - जब कुछ निश्चित स्थिति तक पहुँच जाते हैं - अपने अक्षतंतु का उपयोग करके आउटपुट बनाते हैं।
बदले में, एक्सॉन, synapses नामक लिंक के माध्यम से अन्य न्यूरॉन्स के डेन्ड्राइट से जुड़े होते हैं। डेन्ड्राइट की तुलना में प्रति न्यूरॉन में कई अधिक सिनैप्स होते हैं।
नए शोध का एक महत्वपूर्ण परिणाम यह है, क्योंकि यह प्रस्तावित करता है कि सीखने का कार्य डेन्ड्राइट्स में होता है और synapses नहीं, प्रत्येक न्यूरॉन के लिए सीखने के पैरामीटर पहले से सोचे गए तुलना में बहुत कम हैं।
इज़राइल के बार-इलान विश्वविद्यालय में गोंडा इंटरडिसिप्लिनरी ब्रेन रिसर्च सेंटर के वरिष्ठ अध्ययन लेखक प्रो। बर्ड कैंटर ने कहा, "इस नई डेंड्रिटिक सीखने की प्रक्रिया में," नोट करते हैं, "हज़ारों की तुलना में न्यूरॉन प्रति कुछ अनुकूली पैरामीटर हैं, हजारों छोटे और सिनैप्टिक सीखने के परिदृश्य में संवेदनशील व्यक्ति। "
जितना हमने सोचा था उससे ज्यादा तेजी से सीखना होता है
नए अध्ययन का एक अन्य महत्वपूर्ण परिणाम यह है कि सीखने की प्रक्रिया पारंपरिक सिनेप्टिक मॉडल की तुलना में नए वृक्ष के समान मॉडल में बहुत तेजी से होती है।
परिणाम मस्तिष्क विकारों के उपचार और कंप्यूटर अनुप्रयोगों के डिजाइन के लिए महत्वपूर्ण निहितार्थ हो सकते हैं - जैसे कि "गहन शिक्षण एल्गोरिदम" और कृत्रिम बुद्धि - जो मस्तिष्क के काम करने के तरीके की नकल करने पर आधारित हैं।
शोधकर्ताओं का अनुमान है कि, बाद के मामले में, उनका अध्ययन अधिक उन्नत सुविधाओं और बहुत तेज प्रसंस्करण गति के डिजाइन के द्वार खोलता है।
सीखने का पारंपरिक, सिनैप्टिक मॉडल डोनाल्ड हेब द्वारा अग्रणी कार्य में निहित है, जिसे 1949 में पुस्तक में प्रकाशित किया गया था संगठन का व्यवहार.
वह मॉडल, जिसे प्रो। कंटर और उनके सहयोगियों ने "लिंक्स द्वारा सीखने" के रूप में संदर्भित किया है, का प्रस्ताव है कि सीखने की प्रक्रिया के दौरान परिवर्तन "synapses, या लिंक, प्रति न्यूरॉन, जो कम्प्यूटेशनल इकाइयाँ हैं, की संख्या को दर्शाते हैं। तंत्रिका नेटवर्क में।
'नोड्स द्वारा सीखना'
अपने नए मॉडल में - जिसे वे "नोड्स द्वारा सीखने" के रूप में संदर्भित करते हैं - शोधकर्ताओं का प्रस्ताव है कि सीखने के पैरामीटर synapses की संख्या को प्रतिबिंबित नहीं करते हैं, जिनमें से प्रति न्यूरॉन कई हैं, लेकिन डेंड्राइट्स या नोड्स की संख्या, जिनमें से प्रति न्यूरॉन केवल कुछ ही होते हैं।
इसलिए, वे बताते हैं, "कनेक्टिंग न्यूरॉन्स के एक नेटवर्क में," सिनैप्टिक मॉडल में प्रति न्यूरॉन सीखने के मापदंडों की संख्या डेंड्राइटिक मॉडल में संख्या की तुलना में "काफी बड़ी" है।
उनके अध्ययन का मुख्य उद्देश्य "सिनेप्टिक (लिंक) और डेंड्रिटिक (नोडल) सीखने के परिदृश्यों के बीच सहकारी गतिशील गुणों की तुलना करना था।"
अध्ययन के लेखकों का निष्कर्ष है कि उनके परिणाम "दृढ़ता से संकेत करते हैं कि न्यूरोनल डेन्ड्राइट्स में तेजी से और बढ़ी हुई सीखने की प्रक्रिया होती है, उसी तरह जो वर्तमान में सिनेप्स के लिए जिम्मेदार है।"
कमजोर synapses सीखने में महत्वपूर्ण भूमिका निभाते हैं
अध्ययन की एक और महत्वपूर्ण खोज यह है कि ऐसा लगता है कि कमजोर synapses, जो मस्तिष्क के अधिकांश के लिए खाते हैं और माना जाता था कि सीखने में एक महत्वपूर्ण भूमिका निभाते हैं, वास्तव में बहुत महत्वपूर्ण हैं।
लेखक ध्यान दें कि "गतिकी मुख्य रूप से कमजोर कड़ियों द्वारा नियंत्रित होती है।"
ऐसा लगता है कि, डेंड्रिटिक मॉडल में, कमजोर सिनैप्स सीखने के मापदंडों को "अवास्तविक निश्चित चरम सीमाओं" के बजाय सिलेप्टिक मॉडल में दोलन करने का कारण बनता है।
प्रो। कांटर ने तुलनात्मक रूप से ड्राइंग करके परिणामों का सारांश दिया है कि हमें वायु की गुणवत्ता को कैसे मापना चाहिए।
"क्या यह समझ में आता है," वह पूछता है, "हवा की गुणवत्ता को मापने के लिए हम एक गगनचुंबी इमारत की ऊंचाई पर कई छोटे, दूर के उपग्रह सेंसर के माध्यम से साँस लेते हैं, या नाक के करीब एक या कई सेंसर का उपयोग करके?"
"इसी तरह, न्यूरॉन के लिए इसकी कम्प्यूटेशनल इकाई, न्यूरॉन के करीब आने वाले संकेतों का अनुमान लगाना अधिक कुशल है।"
घोड़ों के कंटर प्रो
