– ಸಂಗೀತಾ ದೇವಿ ಕುಮಾರ್
ದೃಶ್ಯ ಗ್ರಹಿಸುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಹಾಗೂ ಮನುಷ್ಯನ ಮಿದುಳಿನ ನಡುವಿನ ತುಲನಾತ್ಮಕ ಅಧ್ಯಯನ ನಡೆಸಿರುವ ಭಾರತೀಯ ವಿಜ್ಞಾನ ಕೇಂದ್ರದ (ಐ.ಐ.ಎಸ್ ಸಿ.) ನರವಿಜ್ಞಾನ (ಸಿಎನ್ಎಸ್) ಕೇಂದ್ರದ ಸಂಶೋಧಕರ ತಂಡವು ಹೊಸ ಅಂಶಗಳನ್ನು ಶೋಧಿಸಿದೆ.
ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ಸ್ ಎಂದರೆ ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳು (ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಸಿಸ್ಟಮ್ಸ್). ಮನುಷ್ಯನ ಮಿದುಳಿನಲ್ಲಿ ನರಕೋಶಗಳ ಜಾಲವು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ರೀತಿಯನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ, ಇದನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತದೆ. ಯಾವುದೇ ಬಗೆಯ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ಮಾಡುವ ರೀತಿಯಲ್ಲಿ ಈ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಬಹುದಾಗಿರುತ್ತದೆ. ನಾವು ನೋಡುವ ನೋಟಗಳನ್ನು ನಮ್ಮ ಮಿದುಳು ಹೇಗೆ ಗ್ರಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥ ಮಾಡಿಕೊಳ್ಳುವುದರಲ್ಲಿ ಈ ಡೀಪ್ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸಿವೆ. ಕಳೆದ ಒಂದು ದಶಕದ ಅವಧಿಯಲ್ಲಿ ಈ ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಸಾಕಷ್ಟು ವಿಕಸನಗೊಂಡಿವೆ. ಆದರೂ ಮನುಷ್ಯನ ಮಿದುಳು ನೋಟಗಳನ್ನು ಗ್ರಹಿಸುವ ರೀತಿಯೊಂದಿಗೆ ಹಾಗೂ ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ರೀತಿಯೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಇನ್ನೂ ಸಾಕಷ್ಟು ಹಿಂದುಳಿದಿವೆ. ಸಿಎನ್ಎಸ್ ಸಹ ಪ್ರಾಧ್ಯಾಪಕರಾದ ಎಸ್.ಪಿ.ಅರುಣ್ ಮತ್ತು ಅವರ ತಂಡದವರು ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಹಾಗೂ ಮನುಷ್ಯನ ಮಿದುಳಿನ ಗುಣಾತ್ಮಕ ಲಕ್ಷಣಗಳ ಕುರಿತು ಇತ್ತೀಚೆಗೆ ನಡೆಸಿರುವ ತೌಲನಿಕ ಅಧ್ಯಯನದಲ್ಲಿ ಈ ಅಂಶಗಳು ದೃಢಪಟ್ಟಿವೆ.
In the Thatcher Effect (left), two inverted versions of Margaret Thatcher look deceptively similar, but look dramatically different if you rotate this page upside-down. By comparing the distance between such upright and inverted faces in deep networks, the authors were able to track whether the Thatcher effect arises in deep networks trained on objects or in deep networks trained on faces. Figure adapted from Jacob et al., 2021.
ಮನುಷ್ಯನ ಮಿದುಳು ವಸ್ತುಗಳನ್ನು ಹೇಗೆ ದೃಶ್ಯಗಳಾಗಿ ಗ್ರಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥ ಮಾಡಿಕೊಳ್ಳಲು ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಉತ್ತಮ ಮಾದರಿಗಳೇನೋ ಹೌದು. ಆದರೂ, ಇವೆರಡರ ಕಾರ್ಯವಿಧಾನಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸಗಳಿವೆ. ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಕ್ಲಿಷ್ಟವಾದ ಕಾಂಪ್ಯುಟೇಷನ್ ಅನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ವಹಿಸುತ್ತವೆ. ಆದರೆ, ಮನುಷ್ಯನಿಗೆ ಸುಲಭವೆನ್ನಿಸುವ ಕೆಲವು ಕಾರ್ಯಗಳು ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ ಕ್ಲಿಷ್ಟ ಎನ್ನಿಸಿ, ಅವನ್ನು ನಿರ್ವಹಿಸದಾಗುತ್ತವೆ. ಅರುಣ್ ಮತ್ತು ತಂಡದವರು ಈ ನೆಟ್ ವರ್ಕ್ ಗಳು ಯಾವ ಕಾರ್ಯಗಳನ್ನು ಸಹಜವಾಗಿ ನಿರ್ವಹಿಸಬಲ್ಲವು ಹಾಗೂ ಯಾವ ಕಾರ್ಯಗಳಿಗೆ ಇನ್ನಷ್ಟು ತರಬೇತಿ ಬೇಕು ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ನಡೆಸಿದ್ದು, ಈ ಬಗ್ಗೆ ‘ನೇಚರ್ ಕಮ್ಯುನಿಕೇಷನ್ಸ್’ನಲ್ಲಿ ವಿವರವಾಗಿ ಪ್ರಕಟವಾಗಿದೆ.
ಸಂಶೋಧಕರ ತಂಡದವರು 13 ವಿಧದ ಗ್ರಾಹ್ಯ ಪರಿಣಾಮಗಳ ಕುರಿತು ಅಧ್ಯಯನ ನಡೆಸಿ, ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಹಾಗೂ ಮನುಷ್ಯನ ಮಿದುಳಿನ ನಡುವಿನ ಗುಣಲಕ್ಷಣ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಕಂಡುಹಿಡಿದಿದೆ. ಈ ಅಂಶಗಳು ಇದಕ್ಕೆ ಮುಂಚೆ ಗೊತ್ತಿರದಿದ್ದ ಅಂಶಗಳಾಗಿವೆ. ಥ್ಯಾಚರ್ ಪರಿಣಾಮ ಇದಕ್ಕೊಂದು ಉದಾಹರಣೆಯಾಗಿದೆ (ಚಿತ್ರವು ನೇರವಾಗಿದ್ದಾಗ ಬದಲಾವಣೆಗಳನ್ನು ಸುಲಭವಾಗಿ ಗುರುತಿಸಬಲ್ಲ, ಆದರೆ, ಅದೇ ಚಿತ್ರವು ತಲೆಕೆಳಕಾಗಿದ್ದಾಗ ಬದಲಾವಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಕಷ್ಟವಾಗುವುದಕ್ಕೆ ಥ್ಯಾಚರ್ ಪರಿಣಾಮ ಎನ್ನಲಾಗುತ್ತದೆ). ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತುಗೊಂಡ ನೆಟ್ ವರ್ಕ್ ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ನೇರವಾಗಿರುವ ಮುಖಭಾವದ ಚಿತ್ರಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತುಗೊಂಡ ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳಲ್ಲಿ ಥ್ಯಾಚರ್ ಪರಿಣಾಮ ಹೆಚ್ಚಾಗಿ ಕಂಡುಬಂದಿದೆ. ಮಾನವ ಮಿದುಳಿನ ಮತ್ತೊಂದು ಗುಣಲಕ್ಷಣವಾದ ‘ಕನ್ನಡಿ ಗೊಂದಲ’ (ದರ್ಪಣ ಗೊಂದಲ)ವನ್ನು ಕೂಡ ಈ ನೆಟ್ ವರ್ಕ್ ಗಳಲ್ಲಿ ಪರೀಕ್ಷೆಗೆ ಒಳಪಡಿಸಲಾಗಿದೆ. ಮನುಷ್ಯರ ಕಣ್ಣುಗಳಿಗೆ, ಲಂಬ ಅಕ್ಷದಲ್ಲಿರುವ ಕನ್ನಡಿ ಪ್ರತಿಬಿಂಬಗಳು ಅಡ್ಡ ಅಕ್ಷದಲ್ಲಿರುವ ಕನ್ನಡಿ ಪ್ರತಿಬಿಂಬಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಾಮ್ಯತೆಯಿಂದ ಇರುವಂತೆ ಕಂಡು ಬರುತ್ತವೆ. ಹಾಗೆಯೇ, ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳಲ್ಲಿ ಕೂಡ ಇದೇ ರೀತಿಯಲ್ಲಿ ‘ಕನ್ನಡಿ ಗೊಂದಲ’ ಕಂಡುಬರುತ್ತದೆ.
ಮನುಷ್ಯನ ಮಿದುಳಿನ ಮತ್ತೊಂದು ವಿಚಿತ್ರ ಅಂಶವೆಂದರೆ, ಅದು ಮೊದಲಿಗೆ ಸ್ಥೂಲ ನೋಟವನ್ನು ಗ್ರಹಿಸುತ್ತದೆ. ಇದನ್ನು, ‘ಗ್ಲೋಬಲ್ ಅಡ್ವಾಂಟೇಜ್’ ಪರಿಣಾಮ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಅಂದರೆ, ಉದಾಹರಣೆಗೆ, ಮರದ ಚಿತ್ರವೊಂದನ್ನು ನೋಡಿದರೆ, ಮನುಷ್ಯನ ಮಿದುಳು, ಮೊದಲಿಗೆ, ಇಡೀ ಮರದ ನೋಟವನ್ನು ಗ್ರಹಿಸುತ್ತದೆ. ಆನಂತರ, ಅದರಲ್ಲಿರುವ ಎಲೆಗಳನ್ನು ಗಮನಿಸುತ್ತದೆ. ಅದೇ ರೀತಿಯಲ್ಲಿ, ಮನುಷ್ಯನ ಮುಖದ ಚಿತ್ರವನ್ನು ನೋಡಿದರೆ, ಅದು ಮೊದಲು ಮುಖವನ್ನು ಗ್ರಹಿಸಿ, ಆನಂತರ, ಕಣ್ಣು, ಮೂಗು, ಬಾಯಿ ಇತ್ಯಾದಿ ಅಂಗಗಳ ಬಗ್ಗೆ ಗಮನ ಹರಿಸುತ್ತದೆ ಎಂದು ವಿವರಿಸುತ್ತಾರೆ ಮೊದಲ ಲೇಖಕ ಹಾಗೂ ಸಿಎನ್ಎಸ್ ನಲ್ಲಿ ಪಿಎಚ್.ಡಿ ವಿದ್ಯಾರ್ಥಿಯಾಗಿರುವ ಜಾರ್ಜಿನ್ ಜಾಕೋಬ್. “ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಸ್ಥಾನಿಕ ಗ್ರಹಿಕೆಗೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುವುದು ಅಚ್ಚರಿಯ ವಿಷಯವಾಗಿದೆ. ಅಂದರೆ, ಮಿದುಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಇವು, ಮೊದಲಿಗೆ ದೃಶ್ಯದ ಸೂಕ್ಷ್ಮ ವಿವರಗಳ ಬಗ್ಗೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ. ಒಟ್ಟಾರೆಯಾಗಿ ಹೇಳುವುದಾದರೆ, ಈ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಮತ್ತು ಮನುಷ್ಯನ ಮಿದುಳು, ಇವೆರಡೂ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತವಾದರೂ, ಅದಕ್ಕೆ ಅನುಸರಿಸುವ ಕ್ರಮಗಳಲ್ಲಿ ಅಜಗಜಾಂತರ ವ್ಯತ್ಯಾಸವಿರುತ್ತದೆ” ಎಂದೂ ಅವರು ಪ್ರತಿಪಾದಿಸುತ್ತಾರೆ.
“ಇದುವರೆಗೆ ನಡೆದಿರುವ ಹಲವಾರು ಅಧ್ಯಯನಗಳು ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳು ಹಾಗೂ ಮನುಷ್ಯನ ಮಿದುಳಿನ ನಡುವಿನ ಸಾಮ್ಯತೆಗಳನ್ನೇ ತೋರಿಸುತ್ತಿದ್ದವು. ಆದರೆ, ಇವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ಬಗ್ಗೆ ಯಾವ ಅಧ್ಯಯನವೂ ಒತ್ತು ನೀಡಿರಲಿಲ್ಲ” ಎನ್ನುತ್ತಾರೆ ಅಧ್ಯಯನದ ಹಿರಿಯ ಲೇಖಕ ಅರುಣ್. ಈ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಗುರುತಿಸುವುದರಿಂದ ಡೀಪ್ ನೆಟ್ ವರ್ಕ್ ಗಳನ್ನು ಮನುಷ್ಯನ ಮಿದುಳಿನೊಂದಿಗೆ ಹೆಚ್ಚು ಸಾಮ್ಯತೆ ಇರುವಂತೆ ರೂಪಿಸಬಹುದು ಎಂದು ಅವರು ಅಭಿಪ್ರಾಯಪಡುತ್ತಾರೆ.
ಇಂತಹ ವಿಶ್ಲೇಷಣೆಗಳು ಹೆಚ್ಚಿನ ಸದೃಢತೆಯಿಂದ ಕೂಡಿದ ನ್ಯೂರಲ್ ನೆಟ್ ವರ್ಕ್ ಗಳನ್ನು ರೂಪಿಸಲು ಸಂಶೋಧಕರಿಗೆ ಸಹಾಯಕವಾಗುತ್ತವೆ. ಹೀಗೆ ರೂಪುಗೊಂಡ ಸದೃಢ ನೆಟ್ ವರ್ಕ್ ಗಳು ತಮ್ಮನ್ನು ದಿಕ್ಕುತಪ್ಪಿಸಲು ಹವಣಿಸುವ ಪರಿಣಾಮಗಳನ್ನು (ಯಂತ್ರ ಕಲಿಕೆ ತಾಂತ್ರಿಕತೆಗಳು) ಕೂಡ ನಿರೋಧಿಸುತ್ತವೆ ಎನ್ನುವುದು ತಜ್ಞರ ಅಭಿಮತ.
ಉಲ್ಲೇಖ:
ಜಾಕೋಬ್, ಆರ್.ಟಿ.ಪ್ರಮೋದ್, ಹರೀಶ್ ಕಟ್ಟಿ, ಎಸ್.ಪಿ.ಅರುಣ್ (2021). Qualitative similarities and differences in visual object representations between brains and deep networks, Nature Communications, 12, 1872.
https://doi.org/10.1038/s41467-021-22078-3
ಸಂಪರ್ಕಿಸಿ:
ಎಸ್.ಪಿ.ಅರುಣ್
ಸಹ ಪ್ರಾಧ್ಯಾಪಕರು,
ನರವಿಜ್ಞಾನ ಕೇಂದ್ರ (ಸಿಎನ್ಎಸ್),
ಭಾರತೀಯ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆ,
sparun@iisc.ac.in
+91 80 2293 3436/3431
ವಿಷಲ್ ಲ್ಯಾಬ್ ಅಂತರ್ಜಾಲ
ಪರ್ತಕರ್ತರಿಗೆ ಸೂಚನೆ:
ಅ) ಈ ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಯನ್ನು ಯಥಾವತ್ತಾಗಿ ಸುದ್ದಿಯಾಗಿ ಪ್ರಕಟಿಸಿದರೆ ದಯವಿಟ್ಟು ಐ.ಐ.ಎಸ್.ಸಿ. ಹೆಸರಿನೊಂದಿಗೆ ಪ್ರಕಟಿಸಿ.
ಆ) ಐ.ಐ.ಎಸ್.ಸಿ. ಪತ್ರಿಕಾ ಪ್ರಕಟಣೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಏನಾದರೂ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ ದಯವಿಟ್ಟು news@iisc.ac.in or pro@iisc.ac.in ಗೆ ಬರೆಯಿರಿ.
—-000—
