मस्तिष्क के दृश्य क्षेत्रों पर नया अध्ययन प्रभावी AI सिस्टम बनाने में कर सकता है मदद

अमेरिका में कोलंबिया विश्वविद्यालय के स्कूल ऑफ इंजीनियरिंग के एक अध्ययन से पता चला है कि मस्तिष्क के दृश्य क्षेत्र सूचना को समझने में सक्रिय भूमिका निभाते हैं, जो अधिक अनुकूली AI सिस्टम बनाने में मदद कर सकता है।महत्वपूर्ण रूप से, यह जानकारी की व्याख्या करने का तरीका इस बात पर निर्भर करता है कि मस्तिष्क का बाकी हिस्सा किस पर काम कर रहा है।

बायोमेडिकल इंजीनियर और न्यूरोसाइंटिस्ट नटिडा रुंगराट्समीतावीमाना के नेतृत्व में किए गए अध्ययन नेचर कम्युनिकेशंस पत्रिका में प्रकाशित, अभी तक के सबसे स्पष्ट सबूत प्रदान करता है कि प्रारंभिक संवेदी प्रणाली निर्णय लेने में भूमिका निभाती है - और वे वास्तविक समय में अनुकूलित होती हैं।

यह AI सिस्टम को डिजाइन करने के नए तरीकों की ओर भी इशारा करता है जो नई या अप्रत्याशित स्थितियों के अनुकूल हो सकते हैं।निष्कर्ष पारंपरिक दृष्टिकोण को चुनौती देते हैं कि मस्तिष्क में प्रारंभिक संवेदी क्षेत्र केवल दृश्य इनपुट को "देखना" या "रिकॉर्ड करना" है। वास्तव में, मानव मस्तिष्क की दृश्य प्रणाली सक्रिय रूप से उसी वस्तु को पुनः आकार देती है, जो इस बात पर निर्भर करती है कि आप क्या करने की कोशिश कर रहे हैं।

यहां तक ​​कि उन दृश्य क्षेत्रों में भी जो आंखों में प्रवेश करने वाली कच्ची जानकारी के बहुत करीब हैं, मस्तिष्क में वर्तमान कार्य के आधार पर अपनी व्याख्या और प्रतिक्रियाओं को समायोजित करने की लचीलापन है।"यह हमें मस्तिष्क में लचीलेपन के बारे में सोचने का एक नया तरीका देता है और इन तंत्रिका रणनीतियों के बाद मॉडल किए गए अधिक अनुकूली एआई सिस्टम बनाने के लिए संभावित रूप से विचारों को खोलता है," नटिडा ने कहा।

अधिकांश पिछले काम ने देखा कि लोग समय के साथ श्रेणियों को कैसे सीखते हैं, लेकिन यह अध्ययन लचीलेपन के हिस्से पर ज़ूम करता है: मस्तिष्क एक ही दृश्य जानकारी को व्यवस्थित करने के विभिन्न तरीकों के बीच तेजी से कैसे स्विच करता है?टीम ने लोगों की मस्तिष्क गतिविधि का निरीक्षण करने के लिए कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) का उपयोग किया, जबकि वे आकृतियों को विभिन्न श्रेणियों में रखते थे। ट्विस्ट यह था कि आकृतियों को वर्गीकृत करने के "नियम" बदलते रहे।

इससे शोधकर्ताओं को यह निर्धारित करने में मदद मिली कि क्या दृश्य प्रांतस्था आकार को दर्शाने के तरीके को बदल रही थी, यह इस बात पर निर्भर करता है कि हमने श्रेणियों को कैसे परिभाषित किया था।उन्होंने मल्टीवेरिएट क्लासिफायर सहित कम्प्यूटेशनल मशीन लर्निंग टूल्स का उपयोग करके डेटा का विश्लेषण किया।दृश्य प्रणाली में गतिविधि - जिसमें प्राथमिक और द्वितीयक दृश्य प्रांतस्था शामिल है, जो सीधे आंखों से डेटा से निपटते हैं - व्यावहारिक रूप से हर कार्य के साथ बदल गई।

उन्होंने लोगों द्वारा उपयोग किए जा रहे निर्णय नियमों के आधार पर अपनी गतिविधि को पुनर्गठित किया, जो कि मस्तिष्क सक्रियण पैटर्न द्वारा अधिक विशिष्ट होते हुए दिखाया गया था जब कोई आकृति श्रेणियों के बीच ग्रे क्षेत्र के पास थी।वे सबसे कठिन आकृतियाँ थीं जिन्हें अलग करना मुश्किल था, इसलिए यह ठीक वही समय था जब अतिरिक्त प्रसंस्करण सबसे अधिक सहायक होगा।

"हम वास्तव में उन मामलों में fMRI डेटा में स्पष्ट तंत्रिका पैटर्न देख सकते थे जब लोगों ने कार्यों पर बेहतर काम किया था। इससे पता चलता है कि दृश्य प्रांतस्था सीधे लचीले वर्गीकरण कार्यों को हल करने में हमारी मदद कर सकती है," नटिडा ने कहा।टीम यह पता लगाना शुरू कर रही है कि ये विचार कृत्रिम प्रणालियों के लिए कैसे उपयोगी हो सकते हैं।