Brain Psychology : मेंदूच्या भौतिकीचे मानसशास्त्र

नानासाहेब थोरात

Artificial Intelligence Development : तुम्ही पहाटेच्या वेळी स्वप्नात काही लोकांचे चेहरे पाहताय; काही ओळखीचे आणि काही अनोळखी. अचानक जागे झाल्यावर नक्की चेहरे आठवेनात, हा नेहमीचाच अनुभव. तुम्हाला महिन्यापूर्वी चार दिवसांपूर्वी कोणीतरी भेटले होते. चेहरा आठवतोय; पण नाव आठवेना. दोन वेगवेगळ्या परिस्थिती; पण आपली स्थिती एकच, ती म्हणजे ‘गोंधळलेली’ मेंदूची ही गुंतागुंतीची परिस्थिती. असे का घडते, हे शोधण्याचा प्रयत्न दोन वेगवेगळ्या संशोधकांनी जगाच्या दोन वेगवेगळ्या ठिकाणी केला. एकाने भौतिकशास्त्राचे नियम वापरून पहिले, तर एकाने मानसशास्त्राचे. या दोन्ही सिद्धांतांचा एक दुवा होता तो म्हणजे मेंदू एक गुंतागुंतीचं यंत्र आहे आणि ते एका नेटवर्कने जोडलेले आहे. पण नंतर दोघांनी ठरवले आपले सिद्धांत एकत्र करूया आणि पाहूया नवीन आविष्कार. कृत्रिम बुद्धिमत्ता जी मेंदूसारखी कृत्रिम न्यूरल नेटवर्कने जोडली आणि एखाद्या यंत्राला (संगणकाला) दिली तर तो संगणक स्वतः निर्णय घेईल, ज्याला मशिन लर्निंग असे म्हटले जाते. या तंत्रज्ञानाचा आविष्कार करणाऱ्या जॉन होपफिल्ड आणि जेफ्री हिंटन या दोन्ही शास्त्रज्ञांना या वर्षीचा भौतिकशास्त्राचा नोबेल पुरस्कार जाहीर झाला आहे. मेंदूच्या भौतिकशास्त्राचे मानसशास्त्र वापरून कृत्रिम बुद्धिमत्तेचा विकास, या विषयाचा नोबेल समितीने केलेला विचार हे या पुरस्काराचे वेगळेपण!

प्रा. जॉन होपफिल्ड, अमेरिकेतील स्टॅनफर्ड विद्यापीठात १९८०च्या दरम्यान भौतिकशास्त्राचे नियम वापरून अशा नेटवर्कचा शोध लावला, जो एक आकृतिबंध तयार करतो, जतन करतो आणि पुन्हा तेच आकृतिबंध तयार करण्यासाठी एक पद्धत वापरतो. हॉपफिल्ड यांनी ‘हॉपफिल्ड नेटवर्क’चा शोध लावला, जे भौतिकशास्त्राचा वापर करते. पदार्थातील अणूकण जे नेहमी गोलाकार फिरत असतात, ज्यामुळे अणूला एक लहान चुंबक तर काही वेळेला संपूर्ण पदार्थाला चुंबकीय गुणधर्म प्राप्त होतो. हा गुणधर्म अणूच्या ऊर्जेवर अवलंबून असतो, यालाच भौतिकशास्त्रात स्पिन सिस्टीम (फिरकी प्रणाली) म्हणतात. मेंदूमध्ये असणारे न्यूरॉन्स (पेशी ज्या माहिती आदानप्रदान करतात) त्यांना नोड्स म्हणतात. हे नोड्स एकमेकांशी जोडलेले असतात. या नोड्सच्या संपूर्ण नेटवर्कचे वर्णन भौतिकशास्त्रात सापडलेल्या ‘स्पिन सिस्टीम’मधील ऊर्जेच्या बरोबरीने केले जाते आणि याच नोड्सची आपण ‘पिक्सेल’ म्हणून कल्पना करू शकतो. या नोड्समधील जोडणीमध्ये प्रतिमा किंवा माहिती ऊर्जेच्या स्वरूपात साठवली जाते. जेव्हा आपण त्या नोड्सना प्रशिक्षित करतो तेव्हा त्यांच्या जोडणीयंत्रणा अधिक मजबूत आणि सक्रिय होतात. इतरवेळी त्या कमकुवत असतात. जेव्हा आपण या नोड्सना अधिकची ऊर्जा देऊ, तेव्हा ते पद्धतशीरपणे कार्य करतात आणि त्यांची क्रियाशीलता वाढते. याउलट संपूर्ण जोडणी यंत्रणेची म्हणजेच नेटवर्कची ऊर्जा कमी होते आणि आपल्याला जतन केलेली प्रतिमा पुसटशी मिळते. म्हणजेच काही चेहरे आठवतात; पण नाव आठवत नाहीत किंवा नाव आठवते; पण चेहरे नाही.

तिकडे १९८० च्या दरम्यान ब्रिटनमधील केंब्रिज आणि एडिनबर्ग विद्यापीठातील तरुण शास्त्रज्ञ जेफ्री हिंटन यांनी मानसशास्त्राचे आणि भौतिकशास्त्राचे (सांख्यशास्त्रीय भौतिकशास्त्र) नियम संगणकाला लावले आणि मानवी मेंदूप्रमाणे एखादे मशिन त्याला पुरवलेल्या माहितीमधील वैशिष्ट्यपूर्ण घटक ओळखण्यास शिकू शकते का हे पहिले. जेफ्री हिंटन यांनी जॉन होपफिल्ड यांचा भौतिकशास्त्रीय सिद्धांत ‘बोल्ट्झमन मशिन’ या संकल्पनेत वापरला. ही संकल्पना संगणकीय क्षेत्रात लाखो नवीन प्रतिमा (माहिती) तयार करण्यासाठी किंवा त्या प्रतिमांचे वर्गीकरण करण्यासाठी वापरली जाते. यासाठी त्या प्रतिमांना प्रशिक्षण द्यावे लागते. ही प्रशिक्षित माहिती किंवा प्रतिमा काही वेळाने स्वतः प्रशिक्षित होते. तेच आजच्या जगातील ‘एआय’आधारित मशिन लर्निंग आहे.

हिंटन आणि हॉपफिल्ड यांनी एकत्रितरीत्या शोधलेले ‘बोल्ट्‌झमन नेटवर्क’ हे भौतिकशास्त्रातील अणू-रेणूच्या ऊर्जा-आधारित गृहीतकावर आहे.

डोंगरांगा आणि दरी...

झोपेत आपणाला स्वप्न पडल्यावर काही सेकंदांत अनेक चित्रविचित्र कृती आणि व्यक्ती आपल्यासमोरून जातात. त्यानंतर त्या पुसट होतात. अशावेळेला मेंदूमधील नूरॉन्स हे प्रशिक्षित नसतात. याचे कारण आपण तेव्हा झोपेत असतो आणि त्यांना प्रशिक्षण देण्यासाठी बाहेरील ऊर्जा वापरता येत नाही. ती जर देण्याचा प्रयत्न केला, तर आपल्याला लगेच जाग येईल. आपल्या मेंदूमधील माहिती किंवा प्रतिमा या डोंगरांगा आणि दरीसारख्या असतात. जेव्हा बाह्यऊर्जेने या नूरॉन्सना प्रशिक्षित केले, तर ते एका सरळ पॅटर्नमध्ये येतात, जसे अणू-रेणू चुंबकीय किंवा विद्युतऊर्जा दिल्यावर येतात. ‘मशिन लर्निंग’ याच गृहीतकावर विकसित झाले आहे. माहितीला आणि माहितीच्या जोडणीला म्हणजेच नोड्सना जर प्रशिक्षण दिले, तर ते लाखो प्रतिमांमधील वेगवेगळी माहिती आणि त्याचे गुणधर्म ओळखू शकेल. हीच संकल्पना पुढे कृत्रिम न्यूरल नेटवर्क वापरून मशिन लर्निंग अशी विकसित होत गेली.

या विकसित तंत्रज्ञांमुळेच मागील दोन दशकांत विविध क्षेत्रांत वैज्ञानिक प्रगती साध्य करता आली. न्यूरल नेटवर्क्सनी भौतिकशास्त्रज्ञांना मोठ्या प्रमाणात जटिल डेटाचा सामना करण्यास मदत केली आहे, ज्यामुळे ब्लॅक होलच्या प्रतिमा तयार करणे आणि मोबाइल तसेच वाहनाच्या बॅटरीसारख्या नवीन तंत्रज्ञानासाठी सामग्री तयार करणे शक्य झाले. वैद्यकीय क्षेत्रात क्ष-किरण, एमआरआय, सिटी स्कॅन यासारखे जटिल वैद्यकीय प्रतिमानिर्मिती तंत्रज्ञान सोपे झाले. प्रथिनाच्या रचना समजून घेण्याच्या नवीन पद्धती मशिन लर्निंगने शोधून काढता आल्या, ज्यामुळे जैविक आणि वैद्यकीय क्षेत्रातही प्रगती झाली.

प्रा. हॉपफिल्ड यांच्या मते, भौतिकशास्त्र हे समजून घेण्याचा प्रयत्न करत आहे, की मेंदूप्रणालीच्या नैसर्गिक यंत्रणा कशा कार्य करतात? या यंत्रणा किंवा प्रणाली अनेक छोट्या छोट्या भागांपासून बनलेल्या असतात. हे भाग एकमेकांशी संवाद साधतात. जसे मेंदूमधील नूरॉन्स एकमेकांशी जोडणी करतात. भविष्यात या अभ्यासाचे अनेक बहुपयोगी फायदे दिसून येतील. प्रा. जेफ्री हिंटन यांच्या मते ‘‘संगणकीय किंवा मशिनची कृत्रिम बुद्धिमत्ता कामावर आणण्याचा एकमेव मार्ग म्हणजे मानवी मेंदूप्रमाणेच त्याची गणना करणे; पण हेच भविष्यात मानवी अस्तित्वावर काळ म्हणून उलटेल, म्हणून आपण आतापासूनच सजग झाले पाहिजे आणि कृत्रिम बुद्धिमत्तेला मानवी नैतिकतेच्या आणि आचारसंहितेच्या चौकटीत आणले पाहिजे.’’

(लेखक शास्त्रज्ञ आहेत.)