डीपमाइंड ने एआई प्रशिक्षण तकनीक की खोज की जो हमारे मस्तिष्क में भी काम कर सकती है

डीपमाइंड ने हाल ही में एक पेपर प्रकाशित किया है जिसमें बताया गया है कि एक नए प्रकार के पुरस्कार सीखने की तकनीक का उपयोग करके मानव मस्तिष्क में पुरस्कार मार्गों के कार्य करने के तरीके को समझने के लिए किया जा सकता है। न्यू साइंटिस्ट की रिपोर्ट के अनुसार, यह मशीन लर्निंग प्रशिक्षण विधि वितरण पुरस्कार सीखने के रूप में जानी जाती है और इसके पीछे की तंत्र मस्तिष्क में डोपामाइन की रिहाई को समझने के लिए एक संभावित तरीका प्रदान करती है।

न्यूरोसाइंस और कंप्यूटर विज्ञान का एक लंबा इतिहास रहा है। 1951 में मार्विन मिंस्की ने एक पुरस्कार और दंड प्रणाली का उपयोग करके एक कंप्यूटर प्रोग्राम बनाया जो एक भूलभुलैया को हल कर सकता था। मिंस्की को इवान पावलोव के काम से प्रेरणा मिली, जिन्होंने दिखाया कि कुत्ते पुरस्कार और दंड की एक श्रृंखला के माध्यम से सीख सकते हैं। डीपमाइंड के नए पेपर में न्यूरोसाइंस और कंप्यूटर विज्ञान के इतिहास को जोड़ने के लिए एक प्रकार के पुरस्कार सीखने को लागू किया गया है ताकि यह समझा जा सके कि डोपामाइन न्यूरॉन कैसे काम कर सकते हैं।

जब कोई व्यक्ति या जानवर कोई कार्रवाई करने वाला होता है, तो उनके मस्तिष्क में डोपामाइन की रिहाई के लिए जिम्मेदार न्यूरॉन समूह कार्रवाई के पुरस्कार के बारे में एक अनुमान लगाते हैं। एक बार कार्रवाई की जा चुकी है और इसके परिणाम (पुरस्कार) स्पष्ट हो जाते हैं, तो मस्तिष्क डोपामाइन को छोड़ता है। हालांकि, यह डोपामाइन रिहाई अनुमान में त्रुटि के आकार के अनुसार स्केल की जाती है। यदि पुरस्कार अपेक्षा से बड़ा/बेहतर है, तो एक मजबूत डोपामाइन सर्ज को ट्रिगर किया जाता है। इसके विपरीत, एक खराब पुरस्कार कम डोपामाइन की रिहाई की ओर ले जाता है। डोपामाइन एक सुधारात्मक कार्य के रूप में कार्य करता है जो न्यूरॉन को अपने अनुमानों को सटीक पुरस्कारों के साथ मेल खाने तक समायोजित करने के लिए प्रेरित करता है। यह पुरस्कार सीखने के अल्गोरिदम के संचालन के समान है।

2017 में, डीपमाइंड शोधकर्ताओं ने एक सामान्य रूप से उपयोग किए जाने वाले पुरस्कार सीखने के अल्गोरिदम का एक उन्नत संस्करण जारी किया, और यह बेहतर सीखने की विधि कई पुरस्कार सीखने कार्यों पर प्रदर्शन में सुधार करने में सक्षम थी। डीपमाइंड टीम ने सोचा कि नए अल्गोरिदम के पीछे की तंत्र का उपयोग करके यह समझने में मदद मिल सकती है कि मानव मस्तिष्क में डोपामाइन न्यूरॉन कैसे काम करते हैं।

पुराने पुरस्कार सीखने के अल्गोरिदम के विपरीत, डीपमाइंड के नए अल्गोरिदम पुरस्कारों को एक वितरण के रूप में प्रस्तुत करते हैं। पुराने पुरस्कार सीखने के दृष्टिकोण पुरस्कारों को एक औसत अपेक्षित परिणाम के लिए एक単क संख्या के रूप में प्रस्तुत करते हैं। यह परिवर्तन मॉडल को संभावित पुरस्कारों का अधिक सटीक प्रतिनिधित्व करने और परिणामस्वरूप बेहतर प्रदर्शन करने की अनुमति देता है। नए प्रशिक्षण विधि के बेहतर प्रदर्शन ने डीपमाइंड शोधकर्ताओं को यह जांचने के लिए प्रेरित किया कि क्या डोपामाइन न्यूरॉन मानव मस्तिष्क में इसी तरह से काम करते हैं।

डोपामाइन न्यूरॉन के कार्य की जांच करने के लिए, डीपमाइंड ने हार्वर्ड के साथ मिलकर चूहों में डोपामाइन न्यूरॉन की गतिविधि पर शोध किया। शोधकर्ताओं ने चूहों को विभिन्न कार्य करने के लिए प्रेरित किया और उन्हें पुरस्कार दिए, जो पासा के रोल पर आधारित थे। उन्होंने यह देखा कि उनके डोपामाइन न्यूरॉन कैसे आग लगाते हैं। विभिन्न न्यूरॉन विभिन्न संभावित परिणामों की भविष्यवाणी करते हुए दिखाई दिए, जो विभिन्न मात्रा में डोपामाइन को छोड़ते हैं। कुछ न्यूरॉन वास्तविक पुरस्कार से कम अनुमान लगाते हैं, जबकि अन्य ने वास्तविक पुरस्कार से अधिक की भविष्यवाणी की। पुरस्कार की भविष्यवाणी के वितरण को ग्राफ़ करके, शोधकर्ताओं ने पाया कि भविष्यवाणी का वितरण वास्तविक पुरस्कार वितरण के करीब था। यह सुझाव देता है कि मस्तिष्क भविष्यवाणी करने और वास्तविकता के साथ बेहतर मेल खाने के लिए अपनी भविष्यवाणी को समायोजित करने के लिए एक वितरण प्रणाली का उपयोग करता है।

अध्ययन दोनों न्यूरोसाइंस और कंप्यूटर विज्ञान को सूचित कर सकता है। अध्ययन उन्नत एआई मॉडल बनाने के लिए वितरण पुरस्कार सीखने के तरीके के उपयोग का समर्थन करता है। इसके अलावा, इसके मस्तिष्क के पुरस्कार प्रणाली के संचालन से संबंधित हमारे सिद्धांतों के लिए परिणाम हो सकते हैं। यदि डोपामाइन न्यूरॉन वितरित होते हैं और कुछ अधिक आशावादी या निराशावादी होते हैं, तो इन वितरणों को समझने से मानसिक स्वास्थ्य और प्रेरणा जैसे मनोविज्ञान के पहलुओं के लिए हमारे दृष्टिकोण को बदलने में मदद मिल सकती है।

एमआईटी टेक्नोलॉजी व्यू की रिपोर्ट के अनुसार, मैट बोटविनिक, डीपमाइंड में न्यूरोसाइंस अनुसंधान के निदेशक, ने एक प्रेस ब्रीफिंग में अपने निष्कर्षों के महत्व की व्याख्या की। बोटविनिक ने कहा:

“यदि मस्तिष्क इसका उपयोग कर रहा है, तो यह शायद एक अच्छा विचार है। यह हमें बताता है कि यह एक गणनात्मक तकनीक है जो वास्तविक दुनिया की स्थितियों में स्केल कर सकती है। यह अन्य गणनात्मक प्रक्रियाओं के साथ अच्छी तरह से फिट होगी। यह हमें हमारे दैनिक जीवन में हमारे मस्तिष्क में क्या हो रहा है, इस पर एक नई दृष्टि प्रदान करता है”