Deep Neural Networks Are Helping Decipher How Brains Work

শীতকালে ২০১১-এর ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজির গণ্য নিউরোসায়েন্সের পোস্টডক্টোরাল গবেষক ড্যানিয়েল ইয়ামিনস মাঝেমধ্যে মাঝরাত তার মেশিন ভিশন প্রকল্পে শ্রমসাধ্য হয়েছিলেন। তিনি কঠোর পরিশ্রমের সাথে এমন একটি সিস্টেম ডিজাইন করছিলেন যা আকারে, অবস্থান এবং অন্যান্য বৈশিষ্ট্যগুলির ক্ষেত্রে ভিন্নতা নির্বিশেষে ছবিতে বস্তুগুলি সনাক্ত করতে পারে। এমন কিছু যা মানুষ স্বাচ্ছন্দ্যের সাথে করে। সিস্টেমটি একটি গভীর নিউরাল নেটওয়ার্ক ছিল, জীবিত মস্তিষ্কের নিউরোলজিকাল ওয়্যারিং দ্বারা অনুপ্রাণিত এক ধরণের গণনা যন্ত্র।

মূল গল্প থেকে অনুমতি নিয়ে আবার মুদ্রিত কোয়ান্টা ম্যাগাজিন, একটি সম্পাদকীয় স্বতন্ত্র প্রকাশনা সাইমনস ফাউন্ডেশন যার লক্ষ্য হ’ল গণিত এবং শারীরিক ও জীবন বিজ্ঞানের গবেষণামূলক উন্নয়ন এবং প্রবণতাগুলি আচ্ছাদন করে বিজ্ঞানের জনগণের বোধগম্যতা বাড়ানো।

“আমি খুব স্পষ্টভাবে সেই সময়ের কথা স্মরণ করি যখন আমরা একটি নিউরাল নেটওয়ার্ক পেয়েছিলাম যা কার্যত সমাধান করেছিল,” তিনি বলেছিলেন। সকাল 2 টা বেজে গেছে, তার উপদেষ্টা জেমস ডিকার্লো বা অন্যান্য সহকর্মীদের জাগ্রত করার খুব তাড়াতাড়ি একজন উত্তেজিত ইয়ামিনস শীতল ক্যামব্রিজের বাতাসে হাঁটলেন। “আমি সত্যিই পাম্প করা হয়েছিল,” তিনি বলেছিলেন।

এটি কেবলমাত্র কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে একটি উল্লেখযোগ্য সাফল্য হিসাবে গণ্য হত, এমন অনেকের মধ্যে একটি যা পরের কয়েক বছর ধরে এআই প্রযুক্তির প্রিয়তম তৈরি করবে the তবে ইয়ামিনস এবং তার সহকর্মীদের জন্য এটি মূল লক্ষ্য ছিল না। তাদের এবং অন্যান্য স্নায়ুবিজ্ঞানীদের কাছে মস্তিষ্কের ক্রিয়াকলাপগুলির জন্য এটি গণনামূলক মডেলগুলির বিকাশের একটি গুরুত্বপূর্ণ মুহূর্ত ছিল।

স্ট্যানফোর্ড ইউনিভার্সিটিতে এখন নিজস্ব ল্যাব চালাচ্ছেন ডিকার্লো এবং ইয়ামিনস মস্তিষ্কের আর্কিটেকচারটি অনুধাবনের জন্য গভীর স্নায়বিক নেটওয়ার্ক ব্যবহার করে স্নায়ুবিজ্ঞানীদের একটি কোটির অংশ। বিশেষত, বিজ্ঞানীরা মস্তিষ্কের মধ্যে বিভিন্ন কাজের জন্য বিশেষায়নের পিছনে কারণগুলি বোঝার জন্য লড়াই করেছেন। তারা ভেবে দেখেছেন যে মস্তিষ্কের বিভিন্ন অংশ কেবল বিভিন্ন জিনিসই করে না, তবুও কেন পার্থক্যগুলি এত নির্দিষ্ট হতে পারে: উদাহরণস্বরূপ, মস্তিষ্কের সাধারণভাবে বস্তুগুলির স্বীকৃতি দেওয়ার জন্য নয় তবে বিশেষত মুখগুলির জন্যও কেন একটি ক্ষেত্র রয়েছে? গভীর স্নায়ুবহুল নেটওয়ার্কগুলি দেখায় যে এই জাতীয় বিশেষায়নের সমস্যাগুলি সমাধানের সবচেয়ে কার্যকর উপায় হতে পারে।

স্ট্যানফোর্ড ইউনিভার্সিটির গণ্য নিউরোসেন্টিস্ট ড্যানিয়েল ইয়ামিনস দেখিয়েছেন যে মস্তিষ্কের মতো একটি মস্তিষ্কের মতো, একটি দৃশ্যের বৈশিষ্ট্যগুলি হায়ারার্কিকভাবে প্রক্রিয়াজাত করে এমন একটি নিউরাল নেটওয়ার্ক বস্তুর স্বীকৃতি দেওয়ার ক্ষেত্রে মানুষের কার্যকারিতার সাথে মেলে matchফটোগ্রাফ: ফন্টেজন ফটোগ্রাফি / উ সোসাই নিউরোসায়েন্স ইনস্টিটিউট

একইভাবে, গবেষকরা প্রমাণ করেছেন যে গভীর নেটওয়ার্কগুলিকে শ্রেণিবদ্ধকরণ বক্তৃতা, সংগীত এবং সিমুলেটেড সান্টে সবচেয়ে দক্ষতার মধ্যে এমন আর্কিটেকচার রয়েছে যা মস্তিষ্কের শ্রুতি ও ঘ্রাণ ব্যবস্থার সমান্তরাল বলে মনে হয়। এই জাতীয় সমান্তরালগুলি গভীর জালগুলিতেও প্রদর্শিত হয় যা 2D দৃশ্যের দিকে নজর দিতে পারে এবং এর মধ্যে 3 ডি অবজেক্টের অন্তর্নিহিত বৈশিষ্ট্যগুলি নির্ধারণ করতে পারে, যা জৈবিক উপলব্ধিটি কীভাবে দ্রুত এবং অবিশ্বাস্যভাবে সমৃদ্ধ উভয় হতে পারে তা ব্যাখ্যা করতে সহায়তা করে। এই সমস্ত ফলাফলগুলি ইঙ্গিত দেয় যে জীবন্ত স্নায়ুতন্ত্রের কাঠামোগুলি তারা যে কাজগুলি করেছে তার সুনির্দিষ্ট সমাধান সমাধান করে।

স্নায়ুবিজ্ঞানীরা দীর্ঘদিন ধরেই মস্তিষ্ক এবং গভীর স্নায়বিক নেটওয়ার্কগুলির মধ্যে তুলনা করার জন্য সংশয়ী ছিলেন, এই কাজগুলি আরও অপ্রত্যাশিত, যার কাজগুলি অনির্বচনীয় হতে পারে। “সত্য, আমার ল্যাবের কেউ গভীর জাল দিয়ে কিছুই করছে না doing [until recently], ”বলেছেন এমআইটির নিউরোলজিস্ট ন্যানসি কানভিশার। “এখন, তাদের বেশিরভাগই নিয়মিত প্রশিক্ষণ দিচ্ছেন।”

গভীর জাল এবং দৃষ্টি

কৃত্রিম নিউরাল নেটওয়ার্কগুলি পারসেপ্ট্রন নামক আন্তঃসংযোগকারী উপাদানগুলির সাথে নির্মিত, যা জৈবিক নিউরনের ডিজিটাল মডেলগুলি সরলীকৃত। নেটওয়ার্কগুলিতে কমপক্ষে দুটি পার্সপ্রেটারনের স্তর রয়েছে, একটি ইনপুট স্তরের এবং একটি আউটপুট জন্য। ইনপুট এবং আউটপুট এবং এর মধ্যে স্যান্ডউইচ এক বা একাধিক “লুকানো” স্তর আপনি একটি “গভীর” নিউরাল নেটওয়ার্ক পান get; লুকানো স্তরগুলির সংখ্যা যত বেশি, নেটওয়ার্ক তত গভীর।

গভীর জাল ডেটাতে নিদর্শনগুলি বেছে নিতে প্রশিক্ষণ দেওয়া যেতে পারে, যেমন বিড়াল বা কুকুরের চিত্রকে উপস্থাপন করে এমন নিদর্শনগুলি। প্রশিক্ষণের মধ্যে আবশ্যকভাবে পার্সেপ্রেটারগুলির মধ্যে সংযোগের শক্তিটি সামঞ্জস্য করতে একটি অ্যালগরিদম ব্যবহার করা হয়, যাতে নেটওয়ার্ক একটি নির্দিষ্ট ইনপুট (কোনও চিত্রের পিক্সেল) সঠিক লেবেল (বিড়াল বা কুকুর) সাথে সংযুক্ত করতে শেখে। একবার প্রশিক্ষণপ্রাপ্ত হয়ে গেলে গভীর নেট আদর্শভাবে এমন ইনপুটটিকে পূর্বে দেখেনি এমন শ্রেণীবদ্ধ করতে সক্ষম হওয়া উচিত।

তাদের সাধারণ কাঠামো এবং কার্যক্রমে গভীর জালগুলি মস্তিষ্ক অনুকরণের জন্য আলগাভাবে আকাঙ্ক্ষা করে, এতে নিউরনের মধ্যে সংযোগের সামঞ্জস্য করা শক্তি শিখে যাওয়া সংঘগুলি প্রতিফলিত করে। স্নায়ুবিজ্ঞানীরা প্রায়শই সেই তুলনায় গুরুত্বপূর্ণ সীমাবদ্ধতাগুলি নির্দেশ করেছেন: পৃথক নিউরন তথ্য প্রক্রিয়া করতে পারে উদাহরণস্বরূপ, “বোবা” পার্সেপট্রনরা আরও ব্যাপকভাবে করেন এবং গভীর জালগুলি প্রায়শই বেক-প্রসারণ নামক পারসেপশনগুলির মধ্যে এক ধরণের যোগাযোগের উপর নির্ভর করে যা স্নায়ুতন্ত্রের ক্ষেত্রে দেখা যায় না বলে মনে হয়। তবুও, কম্পিউটেশনাল নিউরোসায়েন্টিস্টদের জন্য, গভীর জালগুলি কখনও কখনও মস্তিষ্কের অংশগুলির মডেলিংয়ের জন্য সেরা উপলব্ধ বিকল্প হিসাবে মনে হয়।

Source link

LEAVE A REPLY

Please enter your comment!
Please enter your name here