ইন্দ্রিয়তন্ত্র/কম্পিউটার মডেল/ঘ্রাণতন্ত্র সিমুলেশন
ঘ্রাণেন্দ্রিয়ের গণনামূলক মডেলসমূহ
[সম্পাদনা]গন্ধজানক প্রক্রিয়াকরণ সারা প্রজাতিজুড়ে ঘটাতে সক্ষম বিশাল এবং জটিল একটি ব্যবস্থা হলো ঘ্রাণেন্দ্রিয় পদ্ধতি। অন্যান্য সংবেদনাত্মক ব্যবস্থার মতো ঘ্রাণেন্দ্রিয় ব্যবস্থাটিকেও বহুবার মডেল করা হয়েছে, যাতে এর ট্রান্সডাকশনের একটি কার্যকর ও শারীরবিজ্ঞানের সাথে সামঞ্জস্যপূর্ণ প্রক্রিয়া স্পষ্টভাবে বর্ণনা করা যায়। বিশেষ করে ঘ্রাণেন্দ্রিয়ের গণনামূলক মডেলগুলো সাধারণত কশেরুকা বিশিষ্ট প্রাণীর ঘ্রাণেন্দ্রিয় ব্যবস্থার উপর কেন্দ্রিত হয়। এর লক্ষ্য থাকে গন্ধের সংস্পর্শে সৃষ্ট পরিচিত আচরণগত বা ধারণাগত ঘটনাগুলোকে এমনভাবে পুনরুত্পাদন করা, যাতে ব্যবহৃত উপাদানগুলো কশেরুকাদের গন্ধগ্রহণ প্রক্রিয়ায় জড়িত জীববৈজ্ঞানিক উপাদানগুলোর আচরণ ও সংগঠনের অনুরূপ হয়।
নিচে এমন দুটি প্রাথমিক মডেল বর্ণনা করা হলো; প্রথমটি হলো আমব্রোস-ইনগারসন, গ্রেঞ্জার এবং লিঞ্চ (১৯৯০) কর্তৃক বিকশিত মডেল। এটি তাদের গবেষণাপত্র প্যালিওকর্টেক্সের সিমুলেশন হায়ারার্কিকাল-ক্লাস্টারিং সম্পাদন করে-এ উপস্থাপিত হয়েছিল [১], এবং দ্বিতীয়টি হলো হপফিল্ডের (১৯৯৫) মডেল, উদ্দীপক উপস্থাপনার জন্য ক্রিয়া-সম্ভাব্য সময় ব্যবহার করে প্যাটার্ন-স্বীকৃতি গণনা গবেষণাপত্র থেকে [২]।
গন্ধের শ্রেণিবিন্যাসমূলক গুচ্ছীকরণ
[সম্পাদনা]প্যালিওকর্টেক্সের সিমুলেশন হায়ারার্কিকাল-ক্লাস্টারিং সম্পাদন করে (১৯৯০) গবেষণাপত্রে অ্যামব্রোস-ইঙ্গারসন, গ্রেঞ্জার এবং লিঞ্চ একটি ঘ্রাণীয় প্যালিওকর্টেক্সের মডেল উপস্থাপন করেন। এটি কর্টেক্সের একটি প্রাচীন শ্রেণির অংশ, যার প্রধান অঙ্গ হলো অলফ্যাকটরি বাল্ব এবং পিরিফর্ম কর্টেক্স, যেগুলো ঘ্রাণসংক্রান্ত কার্যাবলির সঙ্গে সম্পর্কযুক্ত—যা শ্রেণিবিন্যাসমূলক গুচ্ছীকরণ সম্পাদন করে।শিরোনামে উল্লেখকৃত তাদের গবেষণার প্রশ্নে উল্লেখ আছে, ঘ্রাণীয় প্যালিওকর্টেক্সের সংগঠ দুই ধরনের উপস্থাপনা (বিভাগ ও ব্যক্তি) তৈরি করে কিনা। এটি তারা পূর্ববর্তী সহজ মডেলগুলোতে পেয়েছিলেন। এছাড়াও এটি আরও জটিল স্তরযুক্ত গঠন তৈরি করে। একটি সাধারণ উদাহরণ এই দুই ধরনের শ্রেণিবিন্যাসের পার্থক্য ব্যাখ্যা করতে পারে। উদাহরণস্বরূপ, ল্যাভেন্ডারের ঘ্রাণ বিবেচনা করে একজন হয়তো ১) এটি একটি উদ্ভিদ হিসেবে শ্রেণিবদ্ধ করতে পারেন এবং পরে এটি বিশেষভাবে ল্যাভেন্ডার হিসেবে চিহ্নিত করতে পারেন, অথবা ২) প্রথমে এটি একটি জীবন্ত সত্তার ঘ্রাণ হিসেবে চিহ্নিত করে, পরে এটি একটি উদ্ভিদ, এরপর একটি ফুল, এবং অবশেষে এটি বিশেষভাবে ল্যাভেন্ডার বলে নির্ধারণ করতে পারেন। এভাবে ইনপুটগুলোকে একটি জটিল শ্রেণিবিন্যাসের কাঠামো হিসেবে সাজানো যায়।
মডেলটির উপাদানসমূহের দৃষ্টিকোণ থেকে, এটি দুটি পরস্পরভাবে আন্তঃসংযুক্ত নেটওয়ার্ক নিয়ে গঠিত। এর মধ্যে একটি অলফ্যাকটরি বাল্বের জন্য এবং অপরটি কর্টেক্সের জন্য। অলফ্যাকটরি বাল্ব ইনপুট গ্রহণ করে “পেরিফেরাল রিসেপ্টর অ্যাক্সন” থেকে, যেগুলো বাল্বের মধ্যে অবস্থিত মাইট্রাল কোষের একটি গুচ্ছ বা প্যাচে প্রক্ষেপণ করে। প্রতিটি মাইট্রাল কোষ স্থানীয় নিষ্ক্রিয় গ্রানুল কোষের সঙ্গে ডেনড্রো-ডেনড্রিটিক সদৃশ সংযোগের মাধ্যমে যুক্ত থাকে। এটি বাল্বার আউটপুটকে স্বাভাবিকীকরণে সাহায্য করে। জৈবিক ঘ্রাণীয় ব্যবস্থায়, মাইট্রাল কোষ উত্তেজক নিউরন হিসেবে কাজ করে এবং অলফ্যাকটরি বাল্বের প্রধান ইনপুট ও আউটপুট বিন্দু হিসেবে বিবেচিত হয় (প্রথমটি গ্লোমারুলিতে অবস্থিত ডেনড্রাইট দ্বারা এবং দ্বিতীয়টি কর্টেক্সের বিভিন্ন অংশে প্রক্ষেপণকারী অ্যাক্সনের মাধ্যমে। বাল্বের টাফটেড কোষেরও অনুরূপ ভূমিকা থাকলেও এ মডেলে সেগুলো অন্তর্ভুক্ত করা হয়নি)। সেই অনুযায়ী, অনুকরণকৃত অলফ্যাকটরি বাল্বের আউটপুট মাইট্রাল কোষ দ্বারা অনুকরণকৃত পিরিফর্ম কর্টেক্সের লেয়ার II-তে প্রেরণ করা হয়। এটি ১০০০টি উত্তেজক কোষ নিয়ে গঠিত এবং ২০টি কোষের প্যাচে বিভক্ত। একই প্যাচের কর্টিকাল নিউরনদের মধ্যে ফিডফরোয়ার্ড সংযোগ, হয় সরাসরি একে অপরের সঙ্গে, অথবা স্থানীয় নিষ্ক্রিয় নিউরনের মাধ্যমে পরোক্ষভাবে, বাল্বার ইনপুটের প্রতি প্রতিটি কর্টিকাল প্যাচে প্রতিযোগিতামূলক 'সফট উইনার-টেক-অল' প্রতিক্রিয়া তৈরি করে। কর্টেক্স থেকে অনুকরণকৃত অলফ্যাকটরি বাল্বে ফিডব্যাক সংযোগ এসে শেষ হয় নিষ্ক্রিয় গ্রানুল কোষে।
মডেলটি পুনরাবৃত্ত নমুনা গ্রহণ বৈশিষ্ট্য বাস্তবায়ন করে। এটি “স্তন্যপায়ীদের চক্রাকার শোঁকা আচরণ”কে উপস্থাপন করে এবং একটি থেটা ছন্দে (৪ থেকে ৭ হার্টজ)। এটি “ছোট স্তন্যপায়ীদের” শোঁকার বৈশিষ্ট্য পরিচালিত হয়। ফলে, একটি নির্দিষ্ট সংকেতের ক্ষেত্রে, অনুকরণকৃত মাইট্রাল কোষগুলি একই পেরিফেরাল রিসেপ্টর অ্যাক্সনের ইনপুট বারবার এবং সংক্ষিপ্ত সময়ের জন্য গ্রহণ করে। যদিও মাইট্রাল ও গ্রানুল কোষের স্থানীয় সংযোগের মাধ্যমে কর্টেক্সে বাল্বার সামগ্রিক আউটপুটকে স্বাভাবিকীকরণ করা হয়, তবুও নির্দিষ্ট একটি বাল্বার প্যাচে সক্রিয় মাইট্রাল কোষের সংখ্যা পরিবর্তিত হয় এবং এটি একটি সংকেতের তীব্রতা বা বহু-উপাদান সংকেতের ক্ষেত্রে তার উপাদানগুলোর তীব্রতা নির্দেশ করে। এই মাইট্রাল কোষগুলি কর্টিকাল কোষের সঙ্গে সচ্ছিন্নভাবে ও এলোমেলোভাবে সংযুক্ত, এবং কর্টিকাল কোষগুলি সেই সংকেতগুলোর প্রতি সাড়া দেয় যেগুলো সেই মাইট্রাল কোষগুলিকে উদ্দীপিত করে যাদের সঙ্গে তাদের সংযোগ বেশি। মাইট্রাল থেকে কর্টিকাল কোষের সংযোগের শক্তি একটি অপ্র তত্ত্বাবধান পর্যবেক্ষিত হেবিয়ান নিয়মের মাধ্যমে পরিবর্তিত হয় এবং শেখা হয়। এটি মডেলের একটি একক কার্যচক্রের মধ্যে কাজ করে। উক্ত শেখার নিয়মটি তখন দীর্ঘমেয়াদি শক্তিবৃদ্ধি (LTP) বাস্তবায়ন করে, যখন মাইট্রাল কোষগুলির শিখরণ ঘটে এবং তাদের কর্টিকাল কোষ লক্ষ্যগুলি যথেষ্ট ডিপোলারাইজড থাকে। কর্টেক্স থেকে বাল্বের গ্রানুল কোষে ফিডব্যাক সংযোগ শেখা হয় পূর্ববর্তী একটি “উন্নয়নমূলক” সময়ে (প্রশিক্ষণ পর্যায়), অনুরূপ একটি হেবিয়ান নিয়মের মাধ্যমে। এটি বাল্ব ও কর্টেক্সের কার্যকলাপের সহসম্পর্ক নির্ধারণ করে। অতএব, এই মডেলে উভয় বাল্ব ও কর্টেক্সের প্রতিক্রিয়া শোঁকা সদৃশ থেটা ছন্দের সঙ্গে সময়গতভাবে আবদ্ধ এবং এই ছন্দে চলতে থাকে যতক্ষণ না ইনপুট সংকেত অপসারিত হয় অথবা অ্যাক্সোনাল রিসেপ্টর ইনপুট প্রায় নিশ্চুপ হয়ে যায়।
অ্যামব্রোস-ইঙ্গারসন প্রভৃতির মডেলের সংযোগ কাঠামো ও শেখার নিয়ম একটি বহুস্তরবিশিষ্ট শ্রেণিবিন্যাসমূলক স্মৃতি তৈরি করে। এটি বিভিন্ন শেখা সংকেতের মধ্যে নিহিত পরিসংখ্যানগত সম্পর্ক উন্মোচন করে। এর প্রক্রিয়া নিম্নরূপ। যখন একটি বহু-উপাদান সংকেত মডেলে প্রদান করা হয়, তখন রিসেপ্টর অ্যাক্সনগুলো সেই উপযুক্ত মাইট্রাল কোষের প্যাচ সক্রিয় করে, যেগুলো সংকেতটির বিভিন্ন উপাদান প্রতিনিধিত্ব করে। অনুকরণকৃত বাল্বের স্বাভাবিকীকরণ। এটি তার নিষ্ক্রিয় গ্রানুল কোষ দ্বারা নিশ্চিত হয়, এমন একটি ধ্রুব অলফ্যাকটরি বাল্ব আউটপুট তৈরি করে, যদিও বিভিন্ন সংকেতের সংস্পর্শে মডেলের বিভিন্ন মাইট্রাল কোষ প্যাচ ভিন্ন মাত্রায় সক্রিয় হতে পারে। এই আউটপুট অনুকরণকৃত পিরিফর্ম কর্টেক্সের লেয়ার II-তে পাঠানো হয়, এখানে উত্তেজক থেকে নিষ্ক্রিয় কোষে সংযোগ একটি প্রতিযোগিতামূলক উইনার-টেক-অল প্রতিক্রিয়া তৈরি করে। এটি একটি হোপফ্লিড সদৃশ নেটওয়ার্ক সৃষ্টি করে, এখানে স্থিতিশীল অবস্থা সেই ইনপুট প্যাটার্নের সঙ্গে মিলে যায় যেটি সবচেয়ে শক্তিশালী। যেহেতু সংযোগ হেবিয়ান ধরনের নিয়মে শেখা হয়, তাই যেসব ইনপুট লাইন বহু অনুরূপ ইনপুট সংকেতের মধ্যে ভাগ হয় (এবং অতএব বহু পূর্ববর্তী শেখার পর্বে অংশগ্রহণ করেছে), সেগুলোর কর্টিকাল কোষ প্রতিনিধিদের সঙ্গে সংযোগ অপেক্ষাকৃত শক্তিশালী হয়, তুলনায় সেসব ইনপুট লাইনের যেগুলো কম সংখ্যক ইনপুট সংকেতের মধ্যে ভাগ হয়েছে (এবং কম শেখার পর্বে অংশগ্রহণ করেছে)।
এরপর কর্টিকাল কোষগুলো বাল্বের নিষ্ক্রিয় গ্রানুল কোষগুলোর ওপর ফিডব্যাক প্রদান করে। এটি কর্টিকাল শিখরণে সবচেয়ে বেশি দায়ী বাল্বার প্যাচগুলোকে দমন করে, ফলে (স্বাভাবিকীকরণের মাধ্যমে) অপেক্ষাকৃত দুর্বল প্যাচগুলো কর্টেক্সে আরও শক্তিশালী প্রতিক্রিয়া তৈরি করতে পারে। এই ‘প্রতিযোগিতামূলক সারিবিন্যাস’ গতিশীলতার মাধ্যমে, প্রাথমিক (প্রথম-চক্রের) প্রতিক্রিয়াগুলো অনুরূপ ইনপুট ক্লাস্টারের সদস্যদের মধ্যে খুবই সাদৃশ্যপূর্ণ হয়, এবং পরবর্তী চক্রগুলোতে প্রতিক্রিয়াগুলো ক্রমে ক্রমে নির্দিষ্ট ইনপুট সংকেতটির জন্য আরও সুনির্দিষ্ট হয়ে ওঠে – যা নির্দেশ করে যে মডেলটি তার ইনপুটগুলোর মধ্যে বহুস্তরবিশিষ্ট পরিসংখ্যানগত সম্পর্ক উদঘাটন করে এবং সেগুলিকে সে অনুযায়ী শ্রেণিবদ্ধ করে।
অ্যামব্রোস-ইঙ্গারসন প্রভৃতির অলফ্যাকশন বিষয়ক গণনামূলক মডেলটি দেখায় যে, অ্যানাটমিক্যাল ও ফিজিওলজিক্যাল গবেষণায় যে ধরনের সংগঠন অলফ্যাকটরি সিস্টেমে পাওয়া গেছে, তা একটি নেটওয়ার্ক গঠন করে যা এমন একটি অ্যালগরিদম বাস্তবায়ন করে যার মাধ্যমে “বহুস্তর বিশিষ্ট শ্রেণিবিন্যাসের মত জটিল গণনামূলক সমস্যা” সমাধান করা যায়। তাদের ফলাফল পূর্ববর্তী সেইসব গ্রাহ্যতাত্ত্বিক গবেষণার সঙ্গে সামঞ্জস্যপূর্ণ, যেগুলিতে দেখা গেছে মানুষ বস্তুকে একটি শ্রেণিবদ্ধ উপায়ে চিহ্নিত করে থাকে (বিডারম্যান, ১৯৭২[৩]; গ্লাক এবং বাওয়ার, ১৯৮৮[৪])। উপরন্তু, অ্যামব্রোস-ইঙ্গারসন প্রভৃতির মডেলের কয়েকটি পূর্বানুমান পরবর্তীকালে আরও অনুসন্ধান করা হয়েছে, যার মধ্যে রয়েছে এমন সম্ভাবনা যে “পরপর নমুনা গ্রহণ চক্রে ক্রমাগত টিউনিং” এবং শ্রেণিবিন্যাস হতে পারে থ্যালামো-কর্টিকাল সার্কিটের একটি সাধারণ বৈশিষ্ট্য (রদ্রিগেজ প্রভৃতি, ২০০৪[৫]; উইলেন্ট এবং কনট্রেরাস, ২০০৫[৬])। যদিও এখন পর্যন্ত কোনো স্পষ্ট জৈবিক নিশ্চিতকরণ প্রদান করা হয়নি (সম্ভবত এই ব্যবস্থার জটিল প্রতিক্রিয়ার কারণে। এটি মডেলটির স্পষ্ট নিশ্চিতকরণ বা প্রত্যাখ্যান উভয়কেই কঠিন করে তোলে), তবুও থ্যালামো-কর্টিকাল মিথস্ক্রিয়া সম্পর্কিত অন্যান্য মডেল (যেমন উইলেন্ট এবং কনট্রেরাস, ২০০৫)নির্দেশ করে যে অ্যামব্রোস-ইঙ্গারসন প্রভৃতির দ্বারা চিহ্নিত গতিশীলতা কার্যকর নিউকোর্টেক্সের একটি মৌলিক অংশ গঠন করতে পারে।
স্কেল-স্বতন্ত্র সনাক্তকরণের সমস্যা
[সম্পাদনা]স্কেল-স্বতন্ত্র সনাক্তকরণ বলতে বোঝায় কোনো বস্তুকে এমনভাবে সনাক্ত করা। এটি তার স্কেল থেকে স্বাধীন। এখানে 'স্কেল' বলতে অন্যান্য বিষয়ের মধ্যে আকৃতি ও তীব্রতাকে বোঝানো হয়। আবার একটি সাধারণ উদাহরণ এই সমস্যার পরিধি বোঝাতে সহায়ক হতে পারে: যখন কেউ একটি নির্দিষ্ট সুগন্ধি — যেমন ল্যাভেন্ডার অনুভব করেন, তখন গন্ধের তীব্রতা পরিবর্তিত হলেও এর গুণগত শ্রেণিবিন্যাস অপরিবর্তিত থাকে (অর্থাৎ, কেউ যখন সুগন্ধির উৎসের কাছাকাছি যায়, তখন গন্ধের তীব্রতা বাড়তে পারে, কিন্তু এই পরিবর্তন ল্যাভেন্ডারের গন্ধকে ধীরে ধীরে বা হঠাৎ করে কমলালেবুর রসের গন্ধ হিসেবে অনুধাবন করাবে না)। অন্যভাবে বললে, X = λX, এখানে λ হলো স্কেল।
মানুষের কাছে এই শ্রেণিবিন্যাস স্বাভাবিক মনে হলেও, পারসেপ্টরন এবং অন্যান্য রেট-ভিত্তিক মডেলগুলোর জন্য এটি একটি বাস্তব চ্যালেঞ্জ হিসেবে দেখা দিয়েছিল, যেগুলো ঐ সময়ে প্যাটার্ন রিকগনিশনের জন্য ব্যাপকভাবে ব্যবহৃত হতো। এই মডেলগুলো ছিল পেরিফেরাল নার্ভাস সিস্টেমে পর্যবেক্ষণকৃত রেট-ভিত্তিক প্রক্রিয়াকরণের সঙ্গে সামঞ্জস্যপূর্ণ, এখানে মোটর নিউরনের ফায়ারিং রেট পেশি সংকোচনের তীব্রতা নিয়ন্ত্রণ করে।
তবে দৃষ্টিশক্তি, শ্রবণশক্তি বা ঘ্রাণশক্তির মতো আরও জটিল ব্যবস্থাগুলোর ক্ষেত্রে শুধু স্কেল নয়, ইনপুট ভ্যারিয়েবলগুলোর অনুপাতও প্রায়ই উদ্দীপনার গুণমান ও তীব্রতা নির্ধারণ করে। এখানে সমস্যাটি ‘অনুপাত’ নিয়ে — বিশেষ করে যদি নিম্ন-স্তরের সংবেদী নিউরন একাধিক ভিন্ন ইনপুট শনাক্ত করতে ব্যবহৃত হয়। যদি অলফ্যাকটরি বাল্বের ‘ল্যাভেন্ডার’ নিউরন নাকের অভ্যন্তরে তিনটি ভিন্ন ঘ্রাণগ্রাহী নিউরনের ৫:৫:১ সক্রিয়করণ অনুপাতে সক্রিয় হয়, এবং ‘কমলালেবুর রস’ নিউরন একই নিউরনের ৫:৫:২ অনুপাতে সক্রিয় হয়, তাহলে যদি ল্যাভেন্ডারের গন্ধ যথেষ্ট তীব্র হয় এবং গ্রহণকারী নিউরনের থ্রেশোল্ড ধ্রুবক থাকে। তবে উভয় নিউরনই রেট-ভিত্তিক মডেলে সক্রিয় হবে, যদিও সেখানে কমলালেবুর রস নেই।
স্পাইক টাইমিং দ্বারা প্যাটার্ন রিকগনিশন
[সম্পাদনা]
হপফিল্ডের মডেলে স্পাইক-টাইম এনকোডিং
[সম্পাদনা]হপফিল্ডের পূর্বে, স্কেল-স্বতন্ত্র সনাক্তকরণের সমস্যার সমাধানে একাধিক প্রচেষ্টা নেওয়া হয়েছিল। এর একটি প্রচেষ্টায় নিম্ন-স্তরের প্রতিক্রিয়াগুলোকে স্বাভাবিকীকরণ ও পুনঃস্কেলিং করে উচ্চ-স্তরের অংশে পাঠানো হতো। এখান থেকে উদ্দীপনাটিকে শনাক্ত করা হতো। তবে এই ধরনের পরিকল্পনা জৈবিকভাবে অমার্জনীয় বলে মনে হয় এবং, ইনপুট সংকেতের উপস্থিতিতে নিম্ন-স্তরের নিউরনের আউটপুটের মাত্রা ধ্রুবক থাকায়, ইনপুট সংকেতের তীব্রতা সম্পর্কে তথ্য হারিয়ে যায় এবং সিস্টেমের ছোট প্যাটার্ন উপাদানগুলোর প্রতি সংবেদনশীলতা হ্রাস পায়।
জন হপফিল্ড (১৯৯৫) “উদ্দীপক উপস্থাপনার জন্য কর্ম-সম্ভাব্য সময় ব্যবহার করে প্যাটার্ন-স্বীকৃতি গণনা" শীর্ষক প্রবন্ধে, সক্রিয়করণ রেট এবং সংযোগের ওজনের পরিবর্তে টাইমিং ও ডিলে লাইনের সাহায্যে স্কেল-স্বতন্ত্র সনাক্তকরণের জটিল সমস্যার একটি সমাধান প্রস্তাব করেন। সেখানে তিনি দেখান যে, তাঁর এই সমাধান বিশেষভাবে ঘ্রাণতন্ত্রসহ অন্যান্য সংবেদন প্রক্রিয়ার জন্য প্রযোজ্য।
হপফিল্ডের প্রস্তাবিত সমাধান প্রথমত উচ্চ-স্তরের ‘এনকোডিং’ নিউরনের সাবথ্রেশোল দোলন ব্যবহারের মাধ্যমে ইনপুট স্কেলকে অ্যাকশন পটেনশিয়ালের টাইমিং দিয়ে পরিমাপ করে। এই ব্যবস্থায়, প্রতিটি ‘এনকোডিং’ নিউরনের একটি স্বতঃস্ফূর্ত সাবথ্রেশোল দোলন থাকে, যাতে করে ইনপুট নিউরনের শক্তির ওপর নির্ভর করে এর অ্যাকশন পটেনশিয়ালের সময় (অর্থাৎ প্রতিক্রিয়া) দোলনের সর্বোচ্চ বিন্দুর তুলনায় পরিবর্তিত হয়।
এখানে উল্লেখযোগ্য যে, হপফিল্ডের মডেলে প্রতিটি নিউরন এনালগ ইনপুট কারেন্ট গ্রহণ করে এবং একটি লিকি ইন্টিগ্রেট-অ্যান্ড-ফায়ার নিউরনের মতো আচরণ করে, এখানে ইনপুটের ক্ষয় হারের গুণমান নির্ধারণকারী টাইম কনস্ট্যান্ট দোলনের সময়কাল অপেক্ষা ছোট হয়। এনকোডিং নিউরনগুলো অ্যাকশন পটেনশিয়ালের রেফ্র্যাক্টরি পর্যায় দ্বারা প্রভাবিত হয়, যে সময়ে আরেকটি অ্যাকশন পটেনশিয়াল তৈরি করা সবচেয়ে কঠিন (এই রেফ্র্যাক্টরি পর্যায় মূলত নিউরোসিস্টেমের পরিচিত জীববিদ্যা অনুকরণ করার জন্য মডেলে অন্তর্ভুক্ত)।
ফলে, যদি আপস্ট্রিম নিউরন থেকে প্রাপ্ত ইনপুট কারেন্ট যথেষ্ট বড় হয়। তবে এনকোডিং নিউরনগুলো থ্রেশোল্ড পটেনশিয়ালে পৌঁছে যায়, এবং ইনপুট শক্তি বৃদ্ধির সঙ্গে সঙ্গে দোলনের সর্বোচ্চ বিন্দুর তুলনায় আগেভাগেই থ্রেশোল্ড অতিক্রম করে। এই মডেলে ইনপুট স্কেল প্রকাশের জন্য রেট-কোড নয় বরং টাইম-কোড ব্যবহৃত হয়।
সিঙ্ক্রনি ও ডিকোডিং
[সম্পাদনা]এনকোডিং নিউরনের সাবথ্রেশোল দোলনের উপর ভিত্তি করে বর্ণিত 'টাইম অ্যাডভান্স' সরাসরি মডেলটির স্কেল-স্বতন্ত্র সনাক্তকরণ সক্ষমতায় অবদান রাখে। বিশেষভাবে, হপফিল্ড যেহেতু সাবথ্রেশোল দোলনের জন্য কোসাইন-আকৃতির তরঙ্গ ব্যবহার করেছিলেন — যা বাস্তব নিউরোসিস্টেমে পাওয়া জটিল দোলনের তুলনায় অনেক সরলীকৃত — তাই কোসাইন তরঙ্গের শীর্ষ অংশকে লগারিদমিকভাবে উদ্দীপনাকে এনকোড করতে ব্যবহার করা সম্ভব হয়।
অর্থাৎ, যদি ইনপুট কারেন্টের স্কেল সংকেতের টাইম অ্যাডভান্সের সঙ্গে আনুপাতিক হয় এবং যদি ইনপুট কারেন্ট একটি নির্দিষ্ট পরিসরের মধ্যে থাকে (ফলে টাইম অ্যাডভান্স কোসাইন তরঙ্গের শীর্ষ অংশের মধ্যে পড়ে)। তাহলে নেটওয়ার্কটি তীব্রতাগুলোকে লগারিদমিকভাবে এনকোড করতে পারবে (Ti ∝ log(xi), এখানে T হচ্ছে টাইম অ্যাডভান্স এবং x হচ্ছে নির্দিষ্ট সংকেত i-এর ইনপুট কারেন্ট)।
এই ব্যবস্থায়, একই ইনপুটকে স্কেল-স্বতন্ত্রভাবে সনাক্ত করা সম্ভব। কারণ ইনপুট দ্বিগুণ করলেও আপেক্ষিক টাইম অ্যাডভান্স অপরিবর্তিত থাকে; যেমন: log(λxi) = log(λ) + log(xi)।
ফলে, পরবর্তী সনাক্তকরণ ইনপুটের মাত্রার উপর নয়, বরং সিঙ্ক্রনাইজড স্পাইকিং বা ‘কাকতালীয় সনাক্তকরণ’-এর উপর নির্ভর করে। কারণ একই সংকেতের অংশ হিসেবে থাকা ইনপুটগুলো যদি একসঙ্গে টাইম অ্যাডভান্স করে। তবে সংকেতের তীব্রতা বাড়লেও তারা সিঙ্ক্রোনাইজড থাকবে।
সিঙ্ক্রোনাইজেশন বা ‘কাকতালীয় সনাক্তকরণ’ উচ্চ-স্তরের সনাক্তকরণ নিউরনগুলোতে ঘটতে হবে, এবং এটি নিশ্চিত করা হয় তাদের অতি-ক্ষুদ্র টাইম কনস্ট্যান্ট (অর্থাৎ খুবই ‘লিকি’ নিউরাল মেমব্রেন) এবং ‘ডিলে লাইন’-এর মাধ্যমে। এটি নিশ্চিত করে যে একটি সংকেতের সঠিক অনুপাতে থাকা উপাদানগুলো সঠিক সময়ে সনাক্তকরণ নিউরনে একত্রে পৌঁছায়। এখানে, একটি সংকেতের উপাদানগুলোর সর্বনিম্ন সঠিক সংমিশ্রণ উচ্চ-স্তরের কোনো নিউরনের স্পাইক সৃষ্টি করতে পারে, কিন্তু কোনো একটি ইনপুট (বা সংকেত উপাদান) একা কখনোই সেই নিউরনকে সক্রিয় করতে পারবে না।
এই মডেলের গন্ধ-সংবেদন ব্যবস্থার সাথে সম্পর্কের ক্ষেত্রে দেখা যায় যে অলফ্যাক্টরি বাল্বে প্রায় ৪০Hz হার দিয়ে বৈশ্বিক দোলন ঘটে, যার সঙ্গে শ্বাস-প্রশ্বাস সম্পর্কিত দোলনও জড়িত। যদিও এই দোলন কোসাইন ফাংশনের তুলনায় অধিক জটিল, তবুও এরা পূর্বে বর্ণিত টাইম অ্যাডভান্সের একটি রূপ বাস্তবায়ন করতে সক্ষম। এই প্রেক্ষিতে মাইট্রাল সেলগুলো এনকোডিং নিউরনের ভূমিকা পালন করতে পারে, যাদের খুবই ছোট টাইম কনস্ট্যান্ট থাকে যাতে তারা সংকেতের বিভিন্ন উপাদানসমূহের সিঙ্ক্রনাইজড আগমন শনাক্ত করতে পারে।
এই মডেলটি বিশেষভাবে অলফ্যাক্টরি বাল্বের জন্য উপযোগী। কারণ এখানে বৈশ্বিক দোলন এবং সংকেতের তীব্রতা দুটোই মাইট্রাল সেলগুলোর কার্যকলাপকে প্রভাবিত করে। বাস্তবিক অর্থে, এটি ব্যাখ্যা করতে সাহায্য করে কেনো কিছু স্তন্যপায়ী প্রাণী গন্ধ শনাক্তকরণের ক্ষমতা বাড়াতে দ্রুত শ্বাস নেয় (তাদের শ্বাস-চক্র ত্বরান্বিত করে)। তবে, মডেলটির প্রতি সাইকেলে একটি মাত্র স্পাইক হওয়ার ধারণা সাধারণত জীববিজ্ঞানের বাস্তবতা অনুসারে পুরোপুরি মিলে না। কারণ প্রায়ই একটি দোলনের মধ্যে একাধিক অ্যাকশন পটেনশিয়াল ঘটে (অর্থাৎ ‘বার্স্টিং’)। তবুও, টাইম-কোডিং এখনও প্রযোজ্য হতে পারে; এই বার্স্টগুলো উপস্থাপিত সংকেতের আরও বেশি তীব্রতা বা বৈশিষ্ট্য এনকোড করতে সাহায্য করতে পারে। পাশাপাশি, যদি ভুল উপস্থাপন ঘটে তবে পরবর্তীতে সিন্যাপটিক লার্নিংয়ের মাধ্যমে এই বার্স্টগুলো দমন করা যেতে পারে।
সবশেষে, কিছু মাইট্রাল সেল থেকে পিরিফর্ম কর্টেক্সে সংযোগকারী অ্যাকসন আনমাইলিনেটেড থাকে, এবং যেহেতু পিরিফর্ম কর্টেক্সে পুনরাবৃত্ত সংযোগ বিদ্যমান, তাই এরা হপফিল্ড মডেলের অনুরূপ ডিলে লাইন গঠন করতে পারে। এটি সর্বোচ্চ ২০ মিলিসেকেন্ড পর্যন্ত বিলম্ব ঘটাতে সক্ষম।
হপফিল্ডের ১৯৯৫ সালের মডেলটি তাই স্কেল-ইনভ্যারিয়ান্ট সনাক্তকরণের জন্য একটি মার্জিত ব্যবস্থা প্রদান করে, যার স্তন্যপায়ী প্রাণীর গন্ধ-সংবেদন ব্যবস্থায় প্রয়োগ রয়েছে। যদিও ইলেকট্রোফিজিওলজিক্যাল সংকেত (এবং তার পরিমাপ) তুলনামূলকভাবে বিশৃঙ্খল হওয়ায় এটি সত্যিই অলফ্যাক্টরি বাল্ব এবং কর্টেক্সের কাজের প্রতিফলন কিনা তা নির্ধারণ করা কঠিন, তবুও এই মডেলটি প্রচলিত রেট-ভিত্তিক মডেলগুলোর একটি কার্যকর বিকল্প সরবরাহ করে, যেগুলো এই ধরনের সমস্যা সমাধানে অক্ষম।
এর জৈবিক প্রয়োগযোগ্যতা নিয়ে দুটি প্রধান সমালোচনা করা হয়েছে। প্রথমত, মডেলটির লগ এনকোডিং পদ্ধতি শব্দ বৃদ্ধি করতে পারে; কারণ দুর্বলভাবে উদ্দীপ্ত নিউরনগুলো যদি থ্রেশল্ডে পৌঁছে যায়, তাহলে তারা দৃঢ়ভাবে উদ্দীপ্ত নিউরনের তুলনায় বেশি সিঙ্ক্রোনাস (সমলয়যুক্ত) বলে মনে হতে পারে। দ্বিতীয়ত, এই মডেল কাজ করতে যা দীর্ঘ বিলম্বের প্রয়োজন হয় তা নিয়ে প্রশ্ন তোলা হয়েছে। যদিও কিছু মাইট্রাল সেলের অ্যাকসন আনমাইলিনেটেড হয়, ফলে বড় বিলম্ব সম্ভব, কিন্তু এই অ্যাকসনগুলোর দৈর্ঘ্য স্থির এবং তাই বিলম্ব শেখা সম্ভব নয়। এই দ্বিতীয় সমালোচনাটি সাম্প্রতিক কিছু প্রমাণ দ্বারা কিছুটা লাঘব পেয়েছে। এটি দেখিয়েছে যে কেন্দ্রীয় স্নায়ুতন্ত্রের অন্যান্য অংশে অধিকাংশ অ্যাকসন আংশিকভাবে মাইলিনেটেড থাকে এবং শেখার প্রক্রিয়ায় মাইলিনেশন গুরুত্বপূর্ণ ভূমিকা পালন করে (ম্যাকেঞ্জি এট আল।, ২০১৪[৭])।
উপসংহারে, অ্যামব্রোস-ইনগারসন এবং সহকর্মীদের “প্যালিওকর্টেক্সের সিমুলেশন হায়ারার্কিকাল-ক্লাস্টারিং সম্পাদন করে" (১৯৯০) প্রকাশনা দেখায় কীভাবে গন্ধ-সংবেদন ব্যবস্থার পরিচিত সংযোগ কাঠামো পিরিফর্ম কর্টেক্সে গন্ধের হায়ারার্কিকাল উপস্থাপনা সৃষ্টি করতে পারে। হপফিল্ডের “উদ্দীপক উপস্থাপনার জন্য ক্রিয়া-সম্ভাব্য সময় ব্যবহার করে প্যাটার্ন-স্বীকৃতি গণনা" (১৯৯৫) প্রবন্ধ দেখায় কীভাবে অলফ্যাক্টরি বাল্বে পর্যবেক্ষণযোগ্য দোলন ও স্পাইক স্কেল-ইনভ্যারিয়ান্ট গন্ধ সনাক্তকরণে ব্যবহার করা যেতে পারে। এই প্রবন্ধদুটি শুধু গন্ধ-সংবেদনের প্রাথমিক কম্পিউটেশনাল মডেলের অসাধারণ উদাহরণই নয়, বরং জৈবিক প্রক্রিয়া মডেলিংয়ের দুটি প্রধান পন্থাও তুলে ধরে। প্রথমটি, জৈবিক ব্যবস্থার একটি পরিচিত অংশ অনুকরণ করে। একটি সার্কিটের নির্দিষ্ট ও ব্যাপক প্রযোজ্য কম্পিউটেশনাল বৈশিষ্ট্য নির্ধারণ করে; আর দ্বিতীয়টি, একটি বিশুদ্ধভাবে কম্পিউটেশনাল সমস্যা সমাধান করতে গিয়ে, এমন একটি সমাধানে উপনীত হয় যা স্বাভাবিকভাবে সেই সমস্যা সমাধানে সক্ষম নির্দিষ্ট জৈবিক উপাদানগুলোর সাথে মিলে যায়। এই দুটি মডেলিং পদ্ধতি বৈজ্ঞানিক সাহিত্যে সহাবস্থান করে এবং একে অপরের সাথে সমন্বয় করে কাজ করতে পারে, যাতে করে জটিল ব্যবস্থাগুলোর একটি আরও পূর্ণাঙ্গ চিত্র তৈরি করা যায় — যা সাধারণত আচরণের পেছনে কাজ করে, এবং স্নায়ুবিজ্ঞানের ক্ষেত্রে, জীবনের জটিল অভিজ্ঞতার ভিত্তি গঠন করে।
তথ্যসূত্র
[সম্পাদনা]- ↑ Ambros-Ingerson J., Granger R., Lynch G. (1990) Simulation of paleocortex performs hierarchical-clustering. Science, 247: 1344–1348
- ↑ Hopfield. J. J. (1995) Pattern-recognition computation using action-potential timing for stimulus representation. Nature 376: 33–36
- ↑ Biederman I. (1972) Perceiving Real World Scenes. Science, 177: 77-80
- ↑ Gluck M. A., Bower G. G. (১৯৮৮) From Conditioning to Category Learning: An Adaptive Network Model. J of Exp. Psych., 117: 227-247
- ↑ Rodriguez A., Whitson J., Granger R. (2004) Derivation and analysis of basic computational operations of thalamocortical circuits. J Cogn. Neurosci. 16: 856-77.
- ↑ Wilent W. B., Contreras D. (2005) Dynamics of excitation and inhibition underlying stimulus selectivity in rat somatosensory cortex. 8: 1364-1370
- ↑ McKenzie I. A., Ohayon D., Li H., Paes de Faria J., Emery B. Tohyama K., Richardson W. D. (2014) Motor skill learning requires active central myelination. Science 346: 318-22