दिमाग और AIमध्यमपाठ 2975 मिनट का पाठ

वायरिंग से दिमाग का सिमुलेशन बनाना

शोधकर्ताओं ने FlyWire मैप की मदद से मक्खी के पूरे दिमाग का एक कंप्यूटर मॉडल बनाया। इसने अनुमान लगाया कि कौन-से न्यूरॉन्स खाने जैसे व्यवहार को चलाते हैं, और प्रयोगों ने इनमें से कुछ अनुमानों को सही साबित किया।

✦ ट्यूटर से पूछें 🧪 लैब · 25 min 📝 पाठ का टेस्ट

स्पीड

पाठ वीडियो में

60 सेकंड में

वायरिंग से दिमाग का सिमुलेशन बनाना

शोधकर्ताओं ने FlyWire मैप की मदद से मक्खी के पूरे दिमाग का एक कंप्यूटर मॉडल बनाया। इसने अनुमान लगाया कि कौन-से न्यूरॉन्स खाने जैसे व्यवहार को चलाते हैं, और प्रयोगों ने इनमें से…

1/5

आसान शब्दों में

फर्श पर सजी हुई डोमिनोज़ की गिट्टियों के बारे में सोचें। अगर आपको ठीक-ठीक पता है कि हर गिट्टी कहाँ खड़ी है, तो आप अंदाज़ा लगा सकते हैं कि पहली गिट्टी गिराने पर कौन-सी गिट्टियाँ गिरेंगी। दिमाग का एक मॉडल भी कुछ इसी तरह काम करता है। वैज्ञानिकों को पता होता है कि हर "डोमिनो" (न्यूरॉन) कहाँ है और कौन-कौन से न्यूरॉन्स एक-दूसरे को छूते हैं। वे कंप्यूटर में स्वाद वाले न्यूरॉन्स को "धक्का" देते हैं और देखते हैं कि इसके बाद कौन-से न्यूरॉन्स गिरते हैं।

एक बार जब मक्खी का वायरिंग मैप बन गया, तो शोधकर्ताओं ने एक बड़ा सवाल पूछा: अगर हम इस वायरिंग को कंप्यूटर में कॉपी कर लें, तो क्या यह मॉडल हमें असली मक्खी के बारे में कुछ सच बता सकता है?

2024 में, शोधकर्ताओं ने FlyWire वायरिंग से मक्खी के पूरे दिमाग का एक कम्प्यूटेशनल मॉडल बनाया। मॉडल में हर न्यूरॉन एक सरल स्पाइकिंग न्यूरॉन था: यह अपने सभी इनपुट्स को जोड़ता है और जब इसका वोल्टेज एक तय सीमा (थ्रेशोल्ड) को पार कर जाता है, तो यह एक स्पाइक फायर करता है (आप पाठ 5 में ऐसा एक न्यूरॉन बनाएंगे)। कनेक्शन्स और उनकी ताकत इसी मैप से ली गई थी।

मॉडल का इस्तेमाल कैसे किया गया

1
वायरिंग को कॉपी करें
मैप का हर न्यूरॉन और कनेक्शन मॉडल में डाला जाता है।
2
एक सरल न्यूरॉन मॉडल चुनें
हर न्यूरॉन को इनपुट्स जोड़ने और फायर करने के लिए एक जैसा सरल नियम मिलता है।
3
उत्तेजित (स्टिम्युलेट) करें
कंप्यूटर में सेंसरी न्यूरॉन्स के एक ग्रुप को चालू करें, उदाहरण के लिए वे न्यूरॉन्स जो चीनी को महसूस करते हैं।
4
देखें
देखें कि कौन-से अन्य न्यूरॉन्स सक्रिय होते हैं, जिनमें खाने जैसे व्यवहार से जुड़े न्यूरॉन्स भी शामिल हैं।
5
असली मक्खियों में टेस्ट करें
प्रयोगों के ज़रिए जांचा जाता है कि क्या अनुमानित न्यूरॉन्स सचमुच उस व्यवहार के लिए मायने रखते हैं।

मॉडल ने अनुमान लगाया कि कौन-से न्यूरॉन्स खाने जैसे व्यवहार को चलाते हैं। इनमें से कुछ अनुमानों की बाद में असली मक्खियों पर प्रयोगों में पुष्टि हुई। यह बात बहुत रोमांचक है क्योंकि यह मॉडल मुख्य रूप से वायरिंग से बना था, सक्रियता की रिकॉर्डिंग से नहीं।

उत्तेजित करें (excite) या रोकें (inhibit)?

वायरिंग मैप बताता है कि कौन किससे जुड़ा है। काम करने वाले मॉडल को यह भी जानना होता है कि हर कनेक्शन अगले न्यूरॉन को उत्तेजित करता है (उसके फायर करने की संभावना बढ़ाता है) या उसे रोकता है (उसके फायर करने की संभावना कम करता है)। रोकना (inhibition) बहुत महत्वपूर्ण है: यह दिमाग को एक क्रिया चुनने और दूसरी को रोकने की छूट देता है।

Python: activity spreading through a made-up networkpython

import numpy as np

# MADE-UP network of 4 neurons. W[i, j] = weight from neuron i to j.
names = ["sugar", "relay", "block", "feed"]
W = np.array([
    [0, 1.2, 0,   0  ],   # sugar excites relay
    [0, 0,   0,   1.1],   # relay excites feed
    [0, 0,   0,  -2.0],   # block inhibits feed
    [0, 0,   0,   0  ],
])
x = np.array([1.0, 0, 0, 0])      # switch on "sugar"
for t in range(3):
    x = np.maximum(x, (x @ W >= 1.0).astype(float))
    print("step", t + 1, [n for n, a in zip(names, x) if a])

शुरुआत में "block" न्यूरॉन को भी 1 पर सेट करके देखें। तब "feed" न्यूरॉन कभी चालू नहीं होता, क्योंकि रोक (inhibition) उत्तेजना (excitation) को बेअसर कर देती है।

यह क्यों मायने रखता है

मॉडल क्या नहीं करता है

असली न्यूरॉन्स के हर ब्यौरे की नकल करना
अनुभव के साथ सीखना या बदलना
असली मक्खियों पर होने वाले प्रयोगों की जगह लेना
यह साबित करना कि हर अनुमान सही है

मॉडल क्या अच्छे से करता है

एक विशाल मैप को ऐसे अनुमानों में बदलना जिन्हें टेस्ट किया जा सके
हज़ारों न्यूरॉन्स में से बताना कि किन चुनिंदा न्यूरॉन्स का टेस्ट किया जाए
लैब में समय और मेहनत बचाना
यह दिखाना कि सिर्फ वायरिंग में ही बहुत सारी जानकारी होती है

सावधान रहें

अख़बारों की सुर्खियों को लेकर सावधान रहें। कुछ प्रयोगों से मेल खाने वाला मॉडल सोचने वाली कोई "डिजिटल मक्खी" नहीं बन जाता। वैज्ञानिक ठीक-ठीक वही बताते हैं जिसका अनुमान लगाया गया था और जिसकी पुष्टि हुई थी, और हमें भी ऐसा ही करना चाहिए।

ज़रा सोचें। मॉडल हर न्यूरॉन के लिए एक ही सरल नियम का इस्तेमाल करता है, फिर भी इसके कुछ अनुमान सही निकले। इससे क्या संकेत मिलता है कि खुद वायरिंग कितनी मायने रखती है?

और देखें और पढ़ें

लैब

एक स्टेप नियम जो एक काल्पनिक नेटवर्क में सक्रियता फैलाता है, और यह तुलना कि जब आप चीनी या पानी वाले न्यूरॉन्स को उत्तेजित करते हैं तो क्या होता है।

~25 min

समस्या

यह आपके ब्राउज़र में चलता है। यह नेटवर्क काल्पनिक है, और असली मॉडल से बहुत सरल है।

शुरुआती कोड रन करें। यह वेट मैट्रिक्स W के साथ एक छोटा नेटवर्क बनाता है। नेगेटिव वेट्स रोकते (inhibit करते) हैं।
step(x) को पूरा करें: 0s और 1s का एक वेक्टर x मिलने पर (कौन-से न्यूरॉन्स सक्रिय हैं), एक नया 0/1 वेक्टर लौटाएं जहाँ कोई न्यूरॉन तब सक्रिय होता है जब उसका कुल इनपुट x @ W कम से कम THRESHOLD के बराबर हो।
इसे रन करें। run() उत्तेजित न्यूरॉन को चालू रखता है और सक्रिय होने वाले हर न्यूरॉन को रिकॉर्ड करता है।
sugar_reached और water_reached की तुलना करें। क्या दोनों मामलों में feed_motor चालू होता है? कौन-सा न्यूरॉन इस अंतर की वजह है?

प्रैक्टिस लैब

कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।

रन करने के लिए Ctrl + Enter दबाएं

import numpy as np

# MADE-UP network for practice. W[i, j] = weight from neuron i to neuron j.
names = ["sugar_in", "water_in", "inter_A", "inter_B", "inhib_C", "feed_motor"]
W = np.zeros((6, 6))
W[0, 2] = 1.2    # sugar_in -> inter_A
W[0, 3] = 1.0    # sugar_in -> inter_B
W[1, 3] = 1.0    # water_in -> inter_B
W[1, 4] = 1.0    # water_in -> inhib_C
W[2, 5] = 0.6    # inter_A  -> feed_motor
W[3, 5] = 0.6    # inter_B  -> feed_motor
W[4, 5] = -1.0   # inhib_C  -| feed_motor (inhibits)
THRESHOLD = 1.0

def step(x):
    """Return the next 0/1 activity vector: active if total input >= THRESHOLD."""
    # TODO: compute the total input with x @ W and compare with THRESHOLD
    return x

def run(start, steps=5):
    stim = np.zeros(len(names)); stim[names.index(start)] = 1
    x, seen = stim.copy(), set()
    for _ in range(steps):
        x = np.maximum(np.asarray(step(x), dtype=float), stim)  # keep the stimulus on
        seen |= {names[i] for i in np.flatnonzero(x)}
    return seen

sugar_reached = run("sugar_in")
water_reached = run("water_in")
print("Stimulate sugar ->", sorted(sugar_reached))
print("Stimulate water ->", sorted(water_reached))

आउटपुट

कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।

आपका काम तब पूरा होगा जब

step() फ़ंक्शन x @ W और थ्रेशोल्ड का इस्तेमाल करता है, और 0s और 1s लौटाता है
sugar_in को उत्तेजित करने पर यह feed_motor तक पहुँचता है
water_in को उत्तेजित करने पर यह feed_motor तक नहीं पहुँचता है
सीखने वाला inhib_C को वजह के रूप में बताता है, और इनहिबिशन को समझाता है

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1W[4, 5] को -1.0 से बदलकर -0.1 करें। जब आप water_in को उत्तेजित करते हैं तो क्या होता है, और इससे वायरिंग मैप्स के बारे में क्या सीख मिलती है?दिखाएं

feed_motor को inter_B से 0.6 मिलता है और inhib_C से सिर्फ 0.1 का नुकसान होता है, इसलिए इसका इनपुट 0.5 रहता है, जो अभी भी 1.0 के थ्रेशोल्ड से कम है, और यह बंद ही रहता है। लेकिन अगर पानी inter_A को भी उत्तेजित करता, तो यह कमज़ोर रोक (inhibition) खाने को ब्लॉक नहीं कर पाती। एक ही वायरिंग, अलग-अलग ताकत के साथ, अलग तरह से व्यवहार कर सकती है। सिर्फ यह दिखाने वाला मैप काफी नहीं है कि कौन किससे जुड़ा है; ताकत और संकेत (+ या -) भी मायने रखते हैं।

Q2यह खिलौना मॉडल तय स्टेप्स में सभी न्यूरॉन्स को अपडेट करता है और 0/1 सक्रियता का इस्तेमाल करता है। दो तरीके बताएं जिनसे असली पूरे-दिमाग का मॉडल इससे कहीं बेहतर है।दिखाएं

असली मॉडल में स्पाइकिंग न्यूरॉन्स का इस्तेमाल किया गया था जिनका वोल्टेज समय के साथ बढ़ता है और धीरे-धीरे घटता भी है, इसलिए टाइमिंग और स्पाइक्स की दर मायने रखती है। इसमें हाथ से बनाए गए कुछ चुनिंदा न्यूरॉन्स के बजाय लगभग 140,000 न्यूरॉन्स में सिनैप्स की गिनती से ली गई कनेक्शन स्ट्रेंथ का इस्तेमाल किया गया था। फिर भी, यह असली न्यूरॉन्स का एक सरलीकृत रूप ही था।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

क्या यह मक्खी के दिमाग का पूरा सिमुलेशन है?

नहीं। यह एक सरलीकृत मॉडल है जो वायरिंग और हर न्यूरॉन के लिए एक सरल नियम का उपयोग करता है। इसका इस्तेमाल खास बातों का अनुमान लगाने के लिए किया गया था, और कुछ अनुमानों की पुष्टि भी हुई। यह मक्खी जो कुछ भी करती या महसूस करती है, उस सब को नहीं दर्शाता।

बारीक ब्यौरे वाले न्यूरॉन्स के बजाय सरल न्यूरॉन्स का इस्तेमाल क्यों किया गया?

हर न्यूरॉन के विस्तृत मॉडल के लिए ऐसे कई तथ्यों की ज़रूरत होगी जिन्हें अभी तक किसी ने नहीं मापा है, और बहुत ज़्यादा कंप्यूटिंग की भी ज़रूरत पड़ेगी। सही वायरिंग वाले एक सरल मॉडल को चलाना आसान है, समझना आसान है, और इसके अनुमानों को फिर भी टेस्ट किया जा सकता है।

वैज्ञानिक असली मक्खी में किसी अनुमान का टेस्ट कैसे करते हैं?

आमतौर पर, वे जीवित मक्खियों में खास न्यूरॉन्स को चालू या बंद करने के लिए जेनेटिक टूल्स का इस्तेमाल करते हैं, और देखते हैं कि क्या व्यवहार बदलता है। अगर अनुमानित न्यूरॉन को चालू करने से मक्खी खाने की क्रिया शुरू कर देती है, तो इससे उस अनुमान को समर्थन मिलता है।

क्या हम इंसान के दिमाग के लिए ऐसा कर सकते हैं?

आज तो नहीं। सिंगल सिनैप्स के स्तर पर इंसान के दिमाग का कोई पूरा मैप मौजूद नहीं है, और यह मक्खी के दिमाग से बहुत-बहुत बड़ा होगा। छोटे दिमागों पर ही इन तरीकों को विकसित किया जा रहा है।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें

वायरिंग से दिमाग का सिमुलेशन बनाना

वायरिंग से दिमाग का सिमुलेशन बनाना

मॉडल का इस्तेमाल कैसे किया गया

वायरिंग को कॉपी करें

एक सरल न्यूरॉन मॉडल चुनें

उत्तेजित (स्टिम्युलेट) करें

देखें

असली मक्खियों में टेस्ट करें

उत्तेजित करें (excite) या रोकें (inhibit)?

यह क्यों मायने रखता है

और देखें और पढ़ें

समस्या

प्रैक्टिस लैब

आपका काम तब पूरा होगा जब

कठिन सवाल

अक्सर पूछे जाने वाले सवाल