हेब्ब का नियम: "सार्वभौमिक न्यूरोफिज़ियोलॉजिकल पोस्टुलेट" और गणितज्ञों की महान त्रुटि

परिचय

इस बार मैं आपको न्यूरोफिज़ियोलॉजी और साइबरनेटिक्स दोनों के विकास में सबसे महत्वपूर्ण मील के पत्थर के बारे में बताना चाहता हूं। अब मैं एक ओर कृत्रिम तंत्रिका नेटवर्क के प्रशिक्षण के लिए पहले कार्य नियम के निर्माण के बारे में बात कर रहा हूं, और दूसरी ओर, जीवित चीजों को सीखने के रहस्यों के करीब पहुंचने की कोशिश कर रहा हूं।



आज हम हेब्ब के प्रारंभिक रूप से इसके प्रत्यक्ष आवेदन के लिए जाएंगे, और कृत्रिम बुद्धिमत्ता प्रणाली में मॉडलिंग सीखने के लिए इसके उपयोग की संभावना पर भी चर्चा करने का प्रयास करेंगे।



मेरे पिछले विषयों की टिप्पणियों ने मुझे इस लेख को लिखने के लिए प्रेरित किया, जिसमें मुझे सिनैप्टिक कनेक्शन की ताकत को बदलकर सीखने के लिए अपना दृष्टिकोण व्यक्त करने की आवश्यकता थी। इसलिए, मैंने एक बार सब कुछ का विश्लेषण करने का फैसला किया, जिसमें खुद के लिए भी शामिल था।

इतिहास और मूल शब्द

कनाडाई न्यूरोसाइकोलॉजिस्ट डोनाल्ड हेब्ब ने लंबे समय तक अपने "न्यूरोफिज़ियोलॉजिकल पोस्टुलेट" के अंतिम सूत्रीकरण के लिए गए, इसके विभिन्न संस्करणों को पहले के लेखों में प्रकाशित किया। हालाँकि, इसने 1949 में हेब्ब के सबसे महत्वपूर्ण काम - “व्यवहार का संगठन: एक तंत्रिका विज्ञान सिद्धांत” [1] में अपना अंतिम रूप प्राप्त किया।



इस पुस्तक में, हेबब का पोस्टऑउट है: "जब सेल A का एक एक्सोन सेल B को उत्तेजित करने के लिए पर्याप्त होता है और बार-बार या लगातार इसे फायर करने में भाग लेता है, तो एक या दोनों कोशिकाओं में कुछ विकास प्रक्रिया या चयापचय परिवर्तन होता है जैसे - A's बी को फायर करने वाली कोशिकाओं में से एक के रूप में दक्षता बढ़ जाती है । " (2002 संस्करण में पी। 62)। इस कथन का सावधानीपूर्वक अनुवाद किया जाना चाहिए, क्योंकि कई मायनों में इसकी लापरवाह व्याख्या ने विभिन्न प्रकार के नियमों की एक अकल्पनीय संख्या को जन्म दिया है। इसके अलावा, कहीं भी रूसी-भाषा के साहित्य में मैंने इस बहुत ही सूत्रीकरण का अनुवाद नहीं पाया है, जो मूल है। यदि हम उपरोक्त उद्धरण का अनुवाद करते हैं, तो हमें निम्नलिखित पोस्ट-ट्रू करें: “यदि सेल A का एक्सोन सेल B को उत्तेजित करने के लिए पर्याप्त है, और बार-बार या लगातार इसके उत्तेजना में भाग लेता है, तो एक या दोनों कोशिकाओं में वृद्धि या चयापचय में परिवर्तन की कुछ प्रक्रिया होती है। रोमांचक बी की कोशिकाओं में से एक के रूप में ए की दक्षता में वृद्धि के लिए अग्रणी।



हम इस कथन का विश्लेषण करेंगे और उन मुख्य परिणामों पर प्रकाश डालेंगे जिन्हें प्रस्तुत शब्दों से घटाया जा सकता है:

• कारण संबंध । हेबब पोस्टुकेट का मुख्य अर्थ यह है कि यदि प्रारंभिक और पोस्टसिनेप्टिक न्यूरॉन के बीच एक कारण संबंध शुरू में मनाया जाता है, तो यह संबंध मजबूत हो जाता है (हेबब विपरीत नियम के बारे में कुछ नहीं कहता है)।
• परिवर्तनों का स्थान । हेबब बताते हैं कि यह बढ़ी हुई कनेक्टिविटी या तो सिनैप्स (विकास प्रक्रिया) की चालकता में बदलाव के कारण होती है, या स्वयं कोशिकाओं की चयापचय विशेषताओं में बदलाव के कारण होती है।
• संचयी उत्साह । यह कोई संयोग नहीं है कि हेब्ब दो बार (शुरुआत में और सूत्रीकरण के अंत में) इस तथ्य पर हमारा ध्यान आकर्षित करता है कि विचाराधीन प्रीसिनैप्टिक न्यूरॉन केवल न्यूरॉन्स में से एक है जो पोस्टसिनेप्टिक न्यूरॉन के उत्तेजना में भाग लेते हैं। यह कथन, जो न्यूरोफिज़ियोलॉजिस्ट के लिए काफी समझ में आता है, गणितज्ञों के लिए काफी मुश्किल है। इस सूत्रीकरण के साथ, वह बताते हैं कि एक पोस्टसिनेप्टिक न्यूरॉन के बहाने केवल एक प्रीसिनैप्टिक न्यूरॉन की कीमत पर महसूस नहीं किया जा सकता है (एक स्पाइक न्यूरॉन झिल्ली का एक विध्रुवण है, और एक प्रीसिन्योटिक न्यूरॉन का निर्वहन कभी भी एक पोस्टसिनेप्टिक न्यूरॉन के विध्रुवण का कारण नहीं बन सकता है)। कृत्रिम तंत्रिका नेटवर्क के मॉडल में, इस तथ्य का लगभग हमेशा उल्लंघन किया जाता है, और इस विसंगति के कारण नीचे चर्चा की जाएगी।

निश्चित रूप से, हेबब के अनुकरण से बहुत सारे परिणामों का अनुमान लगाया जा सकता है, लेकिन उपरोक्त लोगों को संयोग से नहीं चुना गया था, क्योंकि उनके आधार पर आगे का विश्लेषण किया जाएगा।

ANN में विभिन्न व्याख्याएं और अनुप्रयोग

इंटरनेट और विभिन्न (यहां तक ​​कि काफी सम्मानित और लोकप्रिय) पाठ्यपुस्तकों / पुस्तकों में तंत्रिका नेटवर्क के सिद्धांत पर, कोई भी हेब नियम के सबसे विविध रूपों को पा सकता है। उदाहरण के लिए, विकिपीडिया भी हमें दो हेबब नियम (1949 के समान कार्य का उल्लेख करते हुए) देता है:

• पहला हेबब नियम - यदि अवधारणात्मक संकेत गलत और शून्य के बराबर है, तो उन इनपुटों के भार को बढ़ाना आवश्यक है जिनके लिए इकाई को लागू किया गया था;
• दूसरा हेबब नियम - यदि अवधारणात्मक संकेत गलत है और एकता के बराबर है, तो उन इनपुटों के वजन को कम करना आवश्यक है जिनमें इकाई को लागू किया गया था।

इस व्याख्या में तीन दिलचस्प बिंदु हैं, जबकि उनमें से दो की उपस्थिति पूरी तरह से अक्षम्य है। इनमें से पहला नियम का द्विभाजन है (भविष्य में मैं गणितीय साहित्य में इस तरह की परंपरा के संभावित कारणों का संकेत दूंगा), जो हेब्ब ने शुरू में नहीं किया था। दूसरी है परसेप्ट्रॉन की अवधारणा के नियम के निर्माण में उपस्थिति, जिसका परिचय केवल 60 के दशक में रोसेनब्लैट के अग्रणी कार्य (विशेष रूप से [2] में) के साथ जुड़ा हुआ है। तीसरी विशेषता, जो दूसरे से सबसे अधिक संभावना है, नियम का एक अजीब रूप है, जो वास्तव में एक शिक्षक के साथ शिक्षण के अपने प्रकार को बदल देता है। प्रारंभ में, हेब नियम ने आत्म-शिक्षा की संभावना को बताया, लेकिन इस सेटिंग में हमें आउटपुट के कुछ "सही" मूल्यों को जानने की आवश्यकता है।



विकीपीडिया पर यह शब्द कहां से आया, यह सवाल चिकन और अंडों की समस्या के रूप में सामने आता है, क्योंकि अब यह इंटरनेट पर कई जगहों पर पाया जा सकता है, और इसलिए, इसे ट्रैक नहीं किया जा सकता है।



तंत्रिका नेटवर्क पर अधिकांश पाठ्यपुस्तकों में, हेब नियम थोड़ा अलग, लेकिन बहुत समान रूप में दर्ज किया गया। उनका पारंपरिक रिकॉर्ड निम्नानुसार है (उदाहरण के लिए, प्रसिद्ध पुस्तक [3] में):





प्रारंभ में, मैकलॉक-पिट थ्रेशोल्ड न्यूरॉन्स के लिए ऐसा नियम लागू किया गया था, जिसका उत्पादन क्रमशः 0 और 1 हो सकता है। औपचारिक मॉडल में थ्रेशोल्ड न्यूरॉन को लागू करते समय, हेब नियम की व्याख्या मूल सूत्रीकरण के सबसे करीब है।



हालाँकि, चूंकि सामान्य थ्रेशोल्ड न्यूरॉन्स डेटा प्रोसेसिंग के लिए एएनएन के निर्माण के दृष्टिकोण से काफी असुविधाजनक हैं ( हालांकि जैविक दृष्टिकोण से वे शायद सबसे यथार्थवादी हैं, लेकिन यह एक पूरी तरह से अलग विषय है ), विभिन्न संशोधन तुरंत दिखाई दिए।



शुरुआत में, एक ही थ्रेशोल्ड न्यूरॉन बनाने के लिए यह सबसे तर्कसंगत था, लेकिन अन्य संभावित आउटपुट के साथ: -1 और 1. काफी समय के लिए, इस तरह के न्यूरॉन मॉडल सबसे लोकप्रिय थे। हालाँकि, आइए देखते हैं कि इस मॉडल की स्थितियों के ठीक ऊपर बताए गए हेब्ब नियम के निरूपण के परिणाम क्या होते हैं। यह समझा जा सकता है कि यह फिर से मूल नियम के द्विभाजन की ओर जाता है। यह इस तथ्य के कारण है कि यदि पूर्व और पोस्टसिनेप्टिक न्यूरॉन के आउटपुट अलग-अलग हैं, तो वजन समायोजन सूत्र में दूसरा शब्द एक नकारात्मक मूल्य लेता है, जिसका अर्थ है कि सिनैप्टिक गुणांक का प्रारंभिक मूल्य घट जाता है (कभी-कभी प्रभाव को एंटी-हेब नियम कहा जाता है)। जैसा कि हम पहले देख सकते थे, हेब्ब के मूल पद में ऐसा कोई तंत्र नहीं है।



मेरे लिए ज्ञात दो कारण हैं कि गणितज्ञों के लिए ऐसी धारणा स्वीकार्य क्यों हो सकती है। सबसे पहले, मूल हेब नियम के आवेदन से सिनैप्टिक गुणांक में असीमित वृद्धि होती है और, तदनुसार, पूरे नेटवर्क को अस्थिर करने के लिए। दूसरे, कई पहले के कार्यों में [4], हेब्ब ने खुद एक समान तंत्र दिया था जिसमें दो न्यूरॉन्स के बीच सिनैप्टिक चालकता कम हो जाती है यदि दो न्यूरॉन्स के स्पाइक संयोग नहीं करते हैं। हालांकि, अंतिम रूप देने के बाद, हेब्ब ने जानबूझकर इस तरह के तंत्र को बाहर रखा।

भविष्य में, स्थिति खराब होना शुरू हो गई, सिग्मोइडल सक्रियण विशेषता (छवि 1) के साथ न्यूरॉन्स के मॉडल की लोकप्रियता। जैसा कि हमने पहले देखा, गणितीय साहित्य में शिक्षक के साथ पढ़ाने के मामले में हेब नियम के अनुप्रयोग का वर्णन है। एक शिक्षक के साथ प्रशिक्षण की शर्तों के तहत एक सिग्मोइडल एएक्स को पेश करने के लिए, हेब नियम को संशोधित किया गया और एक डेल्टा नियम में बदल दिया गया जो किसी भी जैविक पर्याप्तता से बहुत दूर है (यही कारण है कि मैं इस लेख में इसकी चर्चा नहीं करूंगा)।





अंजीर। 1. एक सिग्मोइडल सक्रियण फ़ंक्शन का उदाहरण



हालांकि, स्व-शिक्षा के मामले में, किसी ने हेबब नियम में संशोधन नहीं किया और इसके अनुप्रयोग को आउटपुट न्यूरॉन्स को थ्रेशोल्ड करने के लिए {-1; 1} किया, बल्कि गंभीर परिणाम देते हैं। वास्तव में, चूंकि सिग्मोइड फ़ंक्शन निरंतर है, अधिकांश मामलों में एक न्यूरॉन का उत्पादन शून्य के बराबर नहीं है। इस प्रकार, सबसे पहले, पारंपरिक हेब नियम का उपयोग करते हुए प्रशिक्षण लगभग हमेशा होता है, और दूसरी बात, सीखने की गतिशीलता अब न्यूरॉन्स के आउटपुट मानों के सीधे आनुपातिक है (क्योंकि वे 0 से 1 तक निरंतर modulo हैं)। उत्तरार्द्ध एक काफी मजबूत धारणा है, जो न्यूरोफिज़ियोलॉजिकल दृष्टिकोण से है, जहां तक ​​मुझे पता है, किसी ने कभी भी परीक्षण नहीं किया है। इसके बावजूद, तकनीकी समस्याओं में, यह तकनीक एक परिणाम देती है, इसलिए हर किसी ने इस पर आंख मूंद ली। हालाँकि, यदि आप सिग्माइड न्यूरॉन के लिए मूल सूत्रीकरण में हेब नियम का निर्माण करते हैं, तो निम्न होना चाहिए:





बेशक, भविष्य में, स्पाइक न्यूरॉन्स और सामान्यीकृत एसटीडीपी नियम के आगमन के साथ, स्थिति में थोड़ा सुधार हुआ, लेकिन इस समय भी बहुत कम विशेषज्ञ स्पाइक न्यूरॉन मॉडल का उपयोग करते हैं। इसलिए, स्थिति में आमूलचूल परिवर्तन के बारे में बात करने की आवश्यकता नहीं है।

हेब्ब का नियम और प्रशिक्षण

शायद आप में से बहुत से लोग नाम के विरोधाभास के बारे में सोचेंगे, क्योंकि हेब्ब नियम प्रशिक्षण है, लेकिन शीर्षक का शीर्षक संयोग से नहीं चुना गया था। पिछले खंडों में, हमने हेब की मुद्रा के इतिहास और उत्पत्ति और कई अलग-अलग गलत धारणाओं की जांच की, जिससे इस नियम की गलत व्याख्या हुई। अब हम प्रारंभिक न्यूरोफिज़ियोलॉजिकल को बायोनिक एआई सिस्टम में इसकी प्रयोज्यता के दृष्टिकोण से देखते हैं (और, तदनुसार, पशु / मानव सीखने की प्रक्रियाओं में इसकी अग्रणी भूमिका कितनी संभावना है)।



इसके अलावा, मैं तीन विचारों को तैयार करूंगा, जिनमें से सार को कम से कम किया जाएगा, हेब्ब नियम (या इसके किसी भी संशोधन, जिनमें से एक अविश्वसनीय राशि है) के आधार पर स्व-शिक्षण प्रणाली के निर्माण की संभावना के बारे में मेरी बड़ी शंका है। सभी विचार काल्पनिक स्थितियों के विश्लेषण पर आधारित होंगे, जबकि उनमें से तीसरा सबसे कम औपचारिक है, और दूसरा - सबसे महत्वपूर्ण है।



विचार 1. प्रबलता का कारण

यदि आप एक गणितज्ञ के दृष्टिकोण से हेब्ब नियम को देखते हैं, तो इसकी कार्रवाई वास्तव में एक ऑपरेशन में आती है: कारण संबंध को मजबूत करना। यह पता चला है कि शुरू में यह कारण संबंध पहले से ही देखा जाना चाहिए, अर्थात्। सबसे पहले, न्यूरॉन्स को synaptically कनेक्ट किया जाना चाहिए, और दूसरी बात, न्यूरॉन्स को सिंक्रनाइज़ किया जाना चाहिए (अर्थात, एक अनुक्रम देखा जाना चाहिए - एक प्रीसिनेप्टिक न्यूरॉन पर स्पाइक -> एक पोस्टसिनेप्टिक न्यूरॉन पर एक स्पाइक )।



एक काल्पनिक स्थिति की कल्पना करें, जब किसी प्रकार के बाहरी वातावरण में होने के कारण, एजेंट / जानवर को प्रशिक्षित किया गया था, हेब्ब नियम का उपयोग करके, एक समस्या को हल करने के लिए जो एक अनुकूली परिणाम की ओर जाता है। इसका मतलब यह है कि कारण न्यूरॉन्स के बीच उत्तेजना प्रसार के रास्ते की सिनैप्टिक चालकता में सुधार हुआ है (सूत्रीकरण मुझे एक कंपकंपी में फेंक देता है, जैसा कि मैं दिखाऊंगा कि उसके पैर कहाँ से बढ़ते हैं)। हम विशेष रूप से हेब नियम का उपयोग करके सीखने की संभावना के प्रारंभिक प्रमाण को एक तरफ रख देंगे, और चूंकि हम वास्तव में विपरीत जा रहे हैं, इसलिए हम इस स्थिति को एक प्रारंभिक बिंदु के रूप में लेंगे।



अब मान लीजिए कि वातावरण कुछ हद तक बदल गया है (वास्तविक जीवन में सबसे आम स्थिति) और हमारे एजेंट / जानवर पहले सीखे हुए तरीके से एक अनुकूली परिणाम प्राप्त नहीं कर सकते हैं। इसका मतलब यह है कि एजेंट को कुछ छंटनी या पीछे हटने की आवश्यकता है। एक ही समय में, सिनैप्टिक चालन को इस तरह से ट्यून किया जाता है जैसे कि सीखा व्यवहार को आसानी से लागू करना। ऐसी स्थिति में पुन: प्रयास करना मुश्किल है, क्योंकि बदली हुई स्थिति के बावजूद, प्रशिक्षित न्यूरॉन्स को चेन के साथ सक्रिय किया जाएगा, और सब कुछ के बावजूद, पिछले व्यवहार को अंजाम दिया जाएगा, जिससे परिणाम की उपलब्धि नहीं होती है।



विचार 2. अर्जित ज्ञान की हानि

मान लीजिए कि synaptic चालन में परिवर्तन के कारण प्रशिक्षण अभी भी हो सकता है। लेकिन फिर इस तरह के प्रशिक्षण से अनिवार्य रूप से जानकारी का नुकसान होता है (पहले पर्यावरण के बारे में प्राप्त जानकारी), जो पूरे नेटवर्क में वितरित की जाती है। यह समझना आसान है अगर हम कल्पना करते हैं कि गुणांक भार करने का स्थान एक ऐसा क्षेत्र है जिसमें नेटवर्क के सभी "ज्ञान" संग्रहीत होते हैं, और इसलिए इस क्षेत्र को बदलते हुए, हम नए "ज्ञान" को नहीं जोड़ते हैं, लेकिन सभी संचित ज्ञान को अधिलेखित करते हैं।



चूंकि यह सबसे महत्वपूर्ण विचार है, इसलिए यहां अधिक विस्तृत उदाहरण की आवश्यकता है। जैसे, मैं तथाकथित मॉरिस भूलभुलैया में गेराल्ड एडेलमैन की प्रयोगशाला में विकसित डार्विन रोबोट [5] के व्यवहार पर विचार करूंगा।



मॉरिस भूलभुलैया में एक चूहे या चूहे के व्यवहार का अध्ययन विहित जैविक प्रयोगों में से एक है, जो निम्नलिखित में शामिल हैं। एक अपारदर्शी तरल के साथ एक पूल है (उदाहरण के लिए, यह दूध के साथ रंगा हुआ पानी हो सकता है), पूल के किनारों पर ऐसे चित्र हैं जो माउस देखता है और अभिविन्यास के लिए उपयोग कर सकता है। पूल की एक निश्चित जगह में एक छिपा हुआ प्लेटफॉर्म है जिसे माउस पा सकते हैं और जिससे बच सकते हैं - डूबने के लिए नहीं। माउस को पूल में फेंक दिया जाता है, यह थोड़ी देर के लिए तैरता है और या तो एक प्लेटफ़ॉर्म पाता है और बच जाता है, या डूबने लगता है (तब प्रयोगकर्ता इसे बचाता है)। प्रयोगों की एक श्रृंखला के बाद, माउस पूल के किनारों पर स्थलों का उपयोग करना शुरू कर देता है और मंच को काफी कम समय में ढूंढता है। इस तरह के भूलभुलैया का एक योजनाबद्ध प्रतिनिधित्व अंजीर में दिखाया गया है। 2।





अंजीर। 2. मोरिस के भूलभुलैया के योजनाबद्ध प्रतिनिधित्व



DARWIN रोबोट स्वयं संरचना में काफी जटिल है - यह कई वास्तविक संरचनाओं (नियंत्रण तंत्रिका नेटवर्क योग 90,000 न्यूरॉन्स) के अलावा, कई वास्तविक मस्तिष्क क्षेत्रों और उनके कनेक्शन को अनुकरण करता है। अब हमारे लिए यह जानना महत्वपूर्ण है कि रोबोट का प्रशिक्षण एक विशेष तरीके से संशोधित हेब नियम के कारण होता है।



रोबोट को मोरिसा के भूलभुलैया में रखा गया है और पक्षों पर चित्र द्वारा निर्देशित मंच को खोजने के लिए सीखता है। इसके अलावा, परिणामस्वरूप, डार्विन जल्दी और प्रभावी रूप से एक मंच खोजने के लिए सीखता है। आगे की चर्चा के लिए, हमें ऐसे प्रयोगों की एक श्रृंखला प्रस्तुत करने की आवश्यकता होगी।



मान लीजिए कि एक रोबोट ने कुशलतापूर्वक एक मंच खोजने का तरीका सीख लिया है। हम इस सीखने की प्रक्रिया को प्रयोग 1 कहते हैं । अब मंच को कहीं और ले जाएं और फिर से मॉरिस भूलभुलैया में रोबोट को रखें (यह प्रयोग 2 होगा )। कुछ बिंदु पर, रोबोट "समझ" जाएगा कि प्लेटफ़ॉर्म स्थानांतरित हो गया है और यह फिर से खोजना शुरू कर देगा। इस विचार की चर्चा की शुरुआत में याद करते हुए, हमने अस्थायी रूप से इसे एक पोस्टबेट के रूप में लिया कि हेब्ब नियम के कारण पुनर्प्रयास करना मौलिक रूप से संभव है, हम मानेंगे कि प्रयोग 2 में रोबोट अच्छी तरह से साबित हुआ और फिर से प्रभावी ढंग से मंच खोजने के लिए सीखा।



सबसे दिलचस्प हिस्सा तब शुरू होता है जब हम प्लेटफ़ॉर्म को कहीं और स्थानांतरित करके प्रयोग 3 की कोशिश करते हैं। इस मामले में, स्थिति 2 प्रयोग के समान होगी - रोबोट फिर से समझ जाएगा कि प्लेटफ़ॉर्म स्थानांतरित हो गया है, और अपनी नई स्थिति ढूंढ लेगा। सब कुछ ठीक लग रहा है, लेकिन इस मामले में सबसे महत्वपूर्ण निर्णय प्रक्रिया है। डार्विन के मामले में, प्रयोग 2 और प्रयोग 3 में समाधान प्रक्रिया बिल्कुल समान होगी। रोबोट को यह भी याद नहीं होगा कि उसने प्रयोग 1 में कोई ज्ञान प्राप्त किया था, क्योंकि वे वास्तव में अब मौजूद नहीं हैं - उन्हें प्रयोग 2 की प्रक्रिया में ओवरराइट किया गया था।



एक वास्तविक जानवर के मामले में, प्रयोग 3 में निर्णय प्रक्रिया के साथ स्थिति पूरी तरह से अलग है। शुरुआत में, यह स्पष्ट है कि जानवर उस जगह के लिए प्लेटफ़ॉर्म खोजना शुरू कर देगा जो उसने प्रयोग 2 में सीखा था। हालांकि, उसे वहां नहीं ढूंढने पर, वह सबसे पहले उस जगह की जांच करेगी, जहां प्लेटफॉर्म प्रयोग 1 में था। यह सबसे महत्वपूर्ण विशेषता इतनी स्थितियों में बेहद अनुकूल है कि जानवर अपने जीवन की प्रक्रिया में सामना करता है। वैसे, डार्विन प्रणाली के संबंध में इस तरह के एक चेक का आविष्कार मेरे द्वारा नहीं, बल्कि मेरे पर्यवेक्षक द्वारा किया गया था।



अर्जित ज्ञान का नुकसान हेब्ब नियम के किसी भी संशोधन का एक अनिवार्य परिणाम है।



विचार 3. हेब नियम का प्रतिवर्त प्रकृति

इसके मूल में, हेब नियम एक प्रतिक्रियाशील है। इसके अनुप्रयोग के परिणामस्वरूप न्यूरॉन्स की एक श्रृंखला के अनुक्रमिक सक्रियण का सरलीकरण होता है। यह एक प्रतिवर्त चाप और प्रशिक्षण की अवधारणा के समान है, इस चाप को प्रशिक्षित करने और इसके साथ एक संकेत के पारित होने की सुविधा के आधार पर। उसी समय, कान्ट ने अपने समय में अपने नोट्स में ऐसे निष्कर्ष निकाले, जो सीधे तौर पर मानव मन की सीखने की क्षमता से संबंधित हैं।



मेरे दृष्टिकोण से, यह बहुत ही संदिग्ध है कि हेब्ब नियम (मैं स्पष्ट करना चाहता हूं कि यदि केवल हेब्ब नियम लागू होता है) तो केंद्रित प्रशिक्षण हो सकता है और अंततः एक अनुकूल परिणाम प्राप्त कर सकता है। उद्देश्यपूर्ण की बहुत अवधारणा शासन में गायब है, साथ ही इसके किसी भी विश्लेषण में जो मैंने देखा है।



यह देखते हुए कि हमारे पास इस तथ्य की स्पष्ट समझ है कि मस्तिष्क (और प्रत्येक न्यूरॉन) एक सक्रिय है, न कि एक प्रतिक्रियाशील इकाई है, जानवरों और मनुष्यों के प्रशिक्षण में हेबब के अनुकरण की भूमिका का एक संशोधन अपरिहार्य है।

क्या करें?

इस स्थिति से बाहर निकलने का रास्ता क्या है, आप पूछें



मेरा जवाब मॉडलिंग सीखने के लिए पूरी तरह से नए दृष्टिकोण विकसित करने की आवश्यकता होगी। फिलहाल, हेब नियम और इसके कई संशोधन अनिवार्य रूप से प्रशिक्षण / आत्म-शिक्षण के केवल जैविक रूप से पर्याप्त मॉडल हैं। बेशक, यह आकस्मिक नहीं है, क्योंकि हेब द्वारा न्यूरोफिज़ियोलॉजिकल पोस्टुलेट को आगे रखा गया है, जिसमें एक ठोस जैविक आधार है।



हेब्ब की पोस्ट की मेरी सभी आलोचनाओं के लिए, मेरा यह कहने का मतलब यह नहीं था कि हम इसे जानवरों के दिमाग में नहीं देखते हैं। हम निश्चित रूप से निरीक्षण करते हैं, और कई प्रसिद्ध कार्य इसके लिए समर्पित हैं। मैं सिर्फ सीखने में इस पद की भूमिका के बारे में आपके आलोचनात्मक दृष्टिकोण को आकर्षित करना चाहता था।



मैं इस स्थिति को पकड़ता हूं कि सिनैप्टिक चालन में परिवर्तन निश्चित रूप से प्रभावी शिक्षा प्रदान करने वाले मुख्य कारकों में से एक है। हालांकि, इस प्रक्रिया और हेब्ब के पोस्टऑउट को बहुत अधिक जटिल कारकों द्वारा नियंत्रित किया जाता है - मस्तिष्क संगठन का प्रणालीगत स्तर । इसके अलावा, अपने आप में प्रणाली स्तर के तंत्र की समग्रता का केवल एक सीमित परिणाम है।

निष्कर्ष

इस समीक्षा में, हम प्रशिक्षण के कार्यान्वयन में उनकी क्षमताओं और संभावनाओं का आकलन करने के लिए हेब्ब के पद के इतिहास से चले गए। मैंने कुछ समस्याओं पर आपका ध्यान आकर्षित करने की कोशिश की, अगर हम सीखने के मामले में सबसे आगे हेब नियम तंत्र रखते हैं।



मैं दोहराता हूं, अब, जैसा कि पहले कभी नहीं हुआ, हमें पूरी तरह से अलग, अधिक जटिल, अनुकूली (उद्देश्यपूर्ण) प्रशिक्षण के तंत्र को बनाने की तत्काल आवश्यकता का सामना करना पड़ रहा है। आज, हम नहीं जानते कि यह कैसे, सशर्त रूप से प्रणालीगत कहा जाता है, स्तर काम करता है - केवल परिकल्पना मौजूद है। सिंटैप्टिक चालकता में परिवर्तन और स्वयं न्यूरॉन्स में परिवर्तन से सिस्टम स्तर कैसे सुनिश्चित किया जाता है यह एक और भी अधिक जटिल प्रश्न है, जिसका उत्तर हमें जल्द ही नहीं मिल सकता है। इसीलिए, वर्तमान में बायोनिक एआई के क्षेत्र में विशेषज्ञों को और अधिक सार नियमों (जबकि न्यूरॉन्स और सिनेप्स के साथ सीधे संचालन करते हुए) को पेश करने की आवश्यकता है, जो सीखने, स्मृति, निर्णय लेने के प्रणालीगत तंत्र को मॉडल करेंगे।

संदर्भ

[१] । हेब्ब, डीओ ऑफ़ बिहेवियर: ऑर्गनाइजेशन अ न्यूरोपिकल साइकोलॉजी न्यूयॉर्क (2002) ( मूल संस्करण - 1949 )

[२] । रोसेनब्लट एफ। न्यूरोडायनामिक्स के सिद्धांत: परसेप्ट्रॉन और मस्तिष्क तंत्र के सिद्धांत। वाशिंगटन, डीसी: स्पार्टन बुक्स (1962)।

[३] । सूचना संसाधन के लिए Osovsky S. तंत्रिका नेटवर्क (2002)

[४] । Hebb, DO वातानुकूलित और बिना शर्त सजगता और निषेध । अप्रकाशित एमए थीसिस, मैकगिल विश्वविद्यालय, मॉन्ट्रियल, क्यूबेक, (1932)

[५] क्रिचमार जेएल, सेठ एके, निट्ज़ डीए, फ्लेचर जेजी, एडेलमैन जीएम "स्पैटियल नेविगेशन और

मस्तिष्क-आधारित उपकरण मॉडलिंग कॉर्टिकल-हिप्पोकैम्पस इंटरैक्शन में कारण विश्लेषण। " न्यूरोइन्फॉर्मेटिक्स , 2005. वी। 3. नहीं। 3. पीपी। 197-221।