कम्प्यूटेशनल तंत्रिका विज्ञान: Difference between revisions

From Vigyanwiki
No edit summary
 
(4 intermediate revisions by 3 users not shown)
Line 43: Line 43:
सैद्धांतिक संरचना के भीतर समझी जाने वाली संवेदी प्रसंस्करण पर प्रारंभिक मॉडल का श्रेय [[होरेस बार्लो]] दिया जाता है। पूर्ववर्ती अनुभाग में वर्णित न्यूनतम वायरिंग परिकल्पना के समान कुछ हद तक बारलो ने प्रारंभिक संवेदी प्रणालियों के प्रसंस्करण को कुशल कोडिंग का एक रूप माना जहां न्यूरॉन्स ने सूचना का कूटलेखन किया जो स्पाइक्स की संख्या को न्यूनतम करता है। प्रायोगिक और अभिकलात्मक कार्य ने तब से इस परिकल्पना को एक या दूसरे रूप में समर्थन दिया है। दृश्य प्रसंस्करण के उदाहरण के लिए, कुशल स्थानिक कूटलेखन, वर्ण कूटलेखन, अस्थायी/गति कूटलेखन, स्टीरियो कूटलेखन और उनके संयोजन के रूप में कुशल कूटलेखन अभिव्यक्त होती है।<ref>Zhaoping L. 2014, [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668-chapter-3 The efficient coding principle ], chapter 3, of the textbook [https://global.oup.com/academic/product/understanding-vision-9780198829362?cc=de&lang=en& Understanding vision: theory, models, and data ]</ref>
सैद्धांतिक संरचना के भीतर समझी जाने वाली संवेदी प्रसंस्करण पर प्रारंभिक मॉडल का श्रेय [[होरेस बार्लो]] दिया जाता है। पूर्ववर्ती अनुभाग में वर्णित न्यूनतम वायरिंग परिकल्पना के समान कुछ हद तक बारलो ने प्रारंभिक संवेदी प्रणालियों के प्रसंस्करण को कुशल कोडिंग का एक रूप माना जहां न्यूरॉन्स ने सूचना का कूटलेखन किया जो स्पाइक्स की संख्या को न्यूनतम करता है। प्रायोगिक और अभिकलात्मक कार्य ने तब से इस परिकल्पना को एक या दूसरे रूप में समर्थन दिया है। दृश्य प्रसंस्करण के उदाहरण के लिए, कुशल स्थानिक कूटलेखन, वर्ण कूटलेखन, अस्थायी/गति कूटलेखन, स्टीरियो कूटलेखन और उनके संयोजन के रूप में कुशल कूटलेखन अभिव्यक्त होती है।<ref>Zhaoping L. 2014, [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668-chapter-3 The efficient coding principle ], chapter 3, of the textbook [https://global.oup.com/academic/product/understanding-vision-9780198829362?cc=de&lang=en& Understanding vision: theory, models, and data ]</ref>


'''आगे दृश्य मार्ग के साथ, यहां तक ​​​​कि कुशलतापूर्वक कोडित दृश्य जानकारी भी सूचना अड़चन की क्षमता, दृश्य चौकस अड़चन के लिए बहुत अधिक है।'''<ref>see visual spational attention https://en.wikipedia.org/wiki/Visual_spatial_attention</ref> प्राथमिक विज़ुअल कॉर्टेक्स में ऊर्ध्‍वगामी सलूएंसी मानचित्र द्वारा निर्देशित आगामी  प्रक्रिया के लिए विज़ुअल इनपुट के एक भाग के बहिर्जात अवधान चयन पर एक अनुवर्ती सिद्धांत V1 सैलिएन्सी परिकल्पना (V1SH) को विकसित किया गया है।<ref name="Li2002">Li. Z. 2002 [https://www.sciencedirect.com/science/article/abs/pii/S1364661300018179 A saliency map in primary visual cortex] Trends in Cognitive Sciences
इसके अतिरिक्त दृश्य मार्ग के साथ-साथ कुशलता से कोडित दृश्य सूचना भी सूचना अवरोध, दृश्य अवधान की क्षमता के लिए बहुत अधिक है।<ref>see visual spational attention https://en.wikipedia.org/wiki/Visual_spatial_attention</ref> प्राथमिक विज़ुअल कॉर्टेक्स में ऊर्ध्‍वगामी सलूएंसी मानचित्र द्वारा निर्देशित आगामी  प्रक्रिया के लिए विज़ुअल इनपुट के एक भाग के बहिर्जात अवधान चयन पर एक अनुवर्ती सिद्धांत V1 सैलिएन्सी परिकल्पना (V1SH) को विकसित किया गया है।<ref name="Li2002">Li. Z. 2002 [https://www.sciencedirect.com/science/article/abs/pii/S1364661300018179 A saliency map in primary visual cortex] Trends in Cognitive Sciences
vol. 6, Pages 9-16, and Zhaoping, L. 2014, [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668-chapter-5 The V1 hypothesis—creating a bottom-up saliency map for preattentive selection and segmentation]  in the book [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668 Understanding Vision: Theory, Models, and Data]</ref>
vol. 6, Pages 9-16, and Zhaoping, L. 2014, [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668-chapter-5 The V1 hypothesis—creating a bottom-up saliency map for preattentive selection and segmentation]  in the book [https://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199564668.001.0001/acprof-9780199564668 Understanding Vision: Theory, Models, and Data]</ref>


Line 63: Line 63:


कुछ स्थितियों में माध्य-क्षेत्र सिद्धांत का उपयोग करके दमनात्मक और उत्तेजक न्यूरॉन्स के मध्य जटिल अंतःक्रिया को सरल बनाया जा सकता है, जो तंत्रिका नेटवर्क के जनसंख्या मॉडल को जन्म देता है।<ref>{{cite journal |author1=Wilson, H. R. |author2=Cowan, J.D. |title=A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue  
कुछ स्थितियों में माध्य-क्षेत्र सिद्धांत का उपयोग करके दमनात्मक और उत्तेजक न्यूरॉन्स के मध्य जटिल अंतःक्रिया को सरल बनाया जा सकता है, जो तंत्रिका नेटवर्क के जनसंख्या मॉडल को जन्म देता है।<ref>{{cite journal |author1=Wilson, H. R. |author2=Cowan, J.D. |title=A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue  
|journal=Kybernetik |volume=13 |issue=2 |pages=55–80 |year=1973 |doi= 10.1007/BF00288786|pmid=4767470 |s2cid=292546 }}</ref>'''जबकि कई neurotheorists कम जटिलता वाले ऐसे मॉडल पसंद करते हैं, दूसरों का तर्क है कि संरचनात्मक-कार्यात्मक संबंधों को उजागर करना जितना संभव हो उतना न्यूरोनल और नेटवर्क संरचना को शामिल करने पर निर्भर करता है।''' इस प्रकार के मॉडल सामान्यतः जेनेसिस या न्यूरॉन जैसे बड़े अनुरूपण प्लेटफॉर्म में बनाए जाते हैं। जटिलता के इन स्तरों को पाटने और एकीकृत करने के लिए एकीकृत तरीके प्रदान करने के कुछ प्रयास किए गए हैं।<ref>{{cite book |author1=Anderson, Charles H. |author2=Eliasmith, Chris |title=Neural Engineering: Computation, Representation, and Dynamics in Neurobiological Systems (Computational Neuroscience) |publisher=The MIT Press |location=Cambridge, Mass |year=2004 |isbn=978-0-262-55060-4 }}</ref>
|journal=Kybernetik |volume=13 |issue=2 |pages=55–80 |year=1973 |doi= 10.1007/BF00288786|pmid=4767470 |s2cid=292546 }}</ref>जबकि अनेक तंत्रिका सिद्धांतवादी न्यूनतम जटिलता के साथ ऐसे मॉडल पसंद करते हैं दूसरों का तर्क है कि संरचनात्मक-क्रियाशील संबंधों का अनावरण करना जितना संभव हो उतना तंत्रिका और नेटवर्क संरचना को सम्मिलित करने पर निर्भर करता है। इस प्रकार के मॉडल सामान्यतः जेनेसिस या न्यूरॉन जैसे बड़े अनुरूपण प्लेटफॉर्म में बनाए जाते हैं। जटिलता के इन स्तरों को पाटने और एकीकृत करने के लिए एकीकृत तरीके प्रदान करने के कुछ प्रयास किए गए हैं।<ref>{{cite book |author1=Anderson, Charles H. |author2=Eliasmith, Chris |title=Neural Engineering: Computation, Representation, and Dynamics in Neurobiological Systems (Computational Neuroscience) |publisher=The MIT Press |location=Cambridge, Mass |year=2004 |isbn=978-0-262-55060-4 }}</ref>
=== दृश्य ध्यान, अभिनिर्धारण और वर्गीकरण ===
=== दृश्य ध्यान, अभिनिर्धारण और वर्गीकरण ===
दृष्टिगत अवधान को तंत्र के एक समुच्चय के रूप में वर्णित किया जा सकता है जो कुछ प्रसंस्करण को आवक उत्तेजनाओं के उपसमुच्चय तक सीमित करता है।<ref>{{cite book|author1=Marvin M. Chun |author2=Jeremy M. Wolfe |author3=E. B. Goldstein | title=ब्लैकवेल हैंडबुक ऑफ सेंसेशन एंड परसेप्शन|url=https://archive.org/details/blackwellhandboo00gold |url-access=limited | publisher=Blackwell Publishing Ltd |year=2001 | pages=[https://archive.org/details/blackwellhandboo00gold/page/n284 272]–310 |isbn=978-0-631-20684-2}}</ref> अवधान तंत्र वे आकार देते है जो हम देखते हैं और जिस पर हम कार्य कर सकते हैं। वे कुछ (अधिमानतः, प्रासंगिक) जानकारी के समवर्ती चयन और अन्य जानकारी के प्रावरोधन की अनुमति देते हैं। दृष्टिगत अवधान और विशेषताओं के बंधन में अंतर्निहित तंत्र के प्रभावशाली विनिर्देशन के लिए, कई संगणनात्मक मॉडल प्रस्तावित किए गए हैं जिनका उद्देश्य मनो भौतिकी निष्कर्षों की व्याख्या करना है। सामान्यतः, सभी मॉडल रेटिनल इनपुट के संभवतः रोचन क्षेत्रों के अभिलेखन के लिए सैलेंसी या प्राथमिकता मैप के अस्तित्व को, और आवक दृष्टिगत जानकारी की मात्रा को कम करने के लिए एक गेटिंग(द्वारण) तंत्र अभिगृहीत करते हैं, ताकि मस्तिष्क के सीमित संगणनात्मक संसाधन इसे संभाल सकें।<ref>{{cite book|author1=Edmund Rolls |author2=Gustavo Deco | title=दृष्टि का कम्प्यूटेशनल तंत्रिका विज्ञान| publisher=Oxford Scholarship Online | year=2012 | isbn=978-0-198-52488-5}}</ref>एक उदाहरण सिद्धांत जिसका व्यापक रूप से व्यवहारिक और शारीरिक रूप से परीक्षण किया जा रहा है वह है V1 सालिएन्सी हाइपोथिसिस, जो बहिर्जात रूप से ध्यान आकर्षित करने के लिए प्राथमिक दृश्य प्रांतस्था में एक ऊर्ध्‍वगामी सैलेंसी मैप उत्पन्न किया जाता है। <ref name=Li2002 />अभिकलात्मक तंत्रिका विज्ञान मस्तिष्क कार्य में सम्मिलित तंत्र का अध्ययन करने के लिए एक गणितीय संरचना प्रदान करता है और न्यूरोसाइकोलॉजिकल लक्षण के पूर्ण अनुकरण और पूर्वाकलन की अनुमति देता है।
दृष्टिगत अवधान को तंत्र के एक समुच्चय के रूप में वर्णित किया जा सकता है जो कुछ प्रसंस्करण को आवक उत्तेजनाओं के उपसमुच्चय तक सीमित करता है।<ref>{{cite book|author1=Marvin M. Chun |author2=Jeremy M. Wolfe |author3=E. B. Goldstein | title=ब्लैकवेल हैंडबुक ऑफ सेंसेशन एंड परसेप्शन|url=https://archive.org/details/blackwellhandboo00gold |url-access=limited | publisher=Blackwell Publishing Ltd |year=2001 | pages=[https://archive.org/details/blackwellhandboo00gold/page/n284 272]–310 |isbn=978-0-631-20684-2}}</ref> अवधान तंत्र वे आकार देते है जो हम देखते हैं और जिस पर हम कार्य कर सकते हैं। वे कुछ (अधिमानतः, प्रासंगिक) जानकारी के समवर्ती चयन और अन्य जानकारी के प्रावरोधन की अनुमति देते हैं। दृष्टिगत अवधान और विशेषताओं के बंधन में अंतर्निहित तंत्र के प्रभावशाली विनिर्देशन के लिए, कई संगणनात्मक मॉडल प्रस्तावित किए गए हैं जिनका उद्देश्य मनो भौतिकी निष्कर्षों की व्याख्या करना है। सामान्यतः, सभी मॉडल रेटिनल इनपुट के संभवतः रोचन क्षेत्रों के अभिलेखन के लिए सैलेंसी या प्राथमिकता मैप के अस्तित्व को, और आवक दृष्टिगत जानकारी की मात्रा को कम करने के लिए एक गेटिंग(द्वारण) तंत्र अभिगृहीत करते हैं, ताकि मस्तिष्क के सीमित संगणनात्मक संसाधन इसे संभाल सकें।<ref>{{cite book|author1=Edmund Rolls |author2=Gustavo Deco | title=दृष्टि का कम्प्यूटेशनल तंत्रिका विज्ञान| publisher=Oxford Scholarship Online | year=2012 | isbn=978-0-198-52488-5}}</ref>एक उदाहरण सिद्धांत जिसका व्यापक रूप से व्यवहारिक और शारीरिक रूप से परीक्षण किया जा रहा है वह है V1 सालिएन्सी हाइपोथिसिस, जो बहिर्जात रूप से ध्यान आकर्षित करने के लिए प्राथमिक दृश्य प्रांतस्था में एक ऊर्ध्‍वगामी सैलेंसी मैप उत्पन्न किया जाता है। <ref name=Li2002 />अभिकलात्मक तंत्रिका विज्ञान मस्तिष्क कार्य में सम्मिलित तंत्र का अध्ययन करने के लिए एक गणितीय संरचना प्रदान करता है और न्यूरोसाइकोलॉजिकल लक्षण के पूर्ण अनुकरण और पूर्वाकलन की अनुमति देता है।
Line 185: Line 185:
श्रेणी:गणितीय और सैद्धांतिक जीव विज्ञान
श्रेणी:गणितीय और सैद्धांतिक जीव विज्ञान


 
[[Category:All articles with vague or ambiguous time|Computational Neuroscience]]
[[Category: Machine Translated Page]]
[[Category:Articles with hatnote templates targeting a nonexistent page|Computational Neuroscience]]
[[Category:Created On 12/05/2023]]
[[Category:Articles with invalid date parameter in template|Computational Neuroscience]]
[[Category:CS1 English-language sources (en)]]
[[Category:CS1 errors]]
[[Category:CS1 maint]]
[[Category:Collapse templates|Computational Neuroscience]]
[[Category:Commons category link from Wikidata|Computational Neuroscience]]
[[Category:Created On 12/05/2023|Computational Neuroscience]]
[[Category:Lua-based templates|Computational Neuroscience]]
[[Category:Machine Translated Page|Computational Neuroscience]]
[[Category:Multi-column templates|Computational Neuroscience]]
[[Category:Navigational boxes| ]]
[[Category:Navigational boxes without horizontal lists|Computational Neuroscience]]
[[Category:Pages using div col with small parameter|Computational Neuroscience]]
[[Category:Pages with script errors|Computational Neuroscience]]
[[Category:Sidebars with styles needing conversion|Computational Neuroscience]]
[[Category:Template documentation pages|Documentation/doc]]
[[Category:Templates Vigyan Ready|Computational Neuroscience]]
[[Category:Templates generating microformats|Computational Neuroscience]]
[[Category:Templates that add a tracking category|Computational Neuroscience]]
[[Category:Templates that are not mobile friendly|Computational Neuroscience]]
[[Category:Templates that generate short descriptions|Computational Neuroscience]]
[[Category:Templates using TemplateData|Computational Neuroscience]]
[[Category:Templates using under-protected Lua modules|Computational Neuroscience]]
[[Category:Vague or ambiguous time from February 2016|Computational Neuroscience]]
[[Category:Wikipedia fully protected templates|Div col]]
[[Category:Wikipedia metatemplates|Computational Neuroscience]]

Latest revision as of 11:55, 5 June 2023

अभिकलात्मक तंत्रिका विज्ञान,(सैद्धांतिक तंत्रिका विज्ञान या गणितीय तंत्रिका विज्ञान के रूप में भी जाना जाता है) तंत्रिका विज्ञान की एक शाखा है जो तंत्रिका तंत्र के विकास, संरचना, शरीर विज्ञान और संज्ञानात्मक तंत्रिका विज्ञान को नियंत्रित करने वाले सिद्धांतों को समझने के लिए अभिकलित्र अनुकरण, सैद्धांतिक विश्लेषण और मस्तिष्क के सार को नियोजित करती है।[1][2][3][4]

अभिकलात्मक तंत्रिका विज्ञान गणितीय मॉडल को अभिपुष्ट और हल करने के लिए अभिकलित्र अनुकरण को नियोजित करता है और इसलिए इसे सैद्धांतिक तंत्रिका विज्ञान के उप-क्षेत्र के रूप में देखा जा सकता है; हालाँकि, दो क्षेत्र प्रायः समानार्थी होते हैं।[5] गणितीय तंत्रिका विज्ञान शब्द का प्रयोग कभी-कभी क्षेत्र की मात्रात्मक प्रकृति पर प्रभाव डालने के लिए भी किया जाता है।[6]

अभिकलात्मक तंत्रिका विज्ञान जैविक रूप से सच्चे न्यूरॉन्स (और तंत्रिका तंत्र) और उनके शरीरक्रियाविज्ञान और गतिशीलता के विवरण पर केंद्रित है और इसलिए यह संयोजनवाद, नियंत्रण सिद्धांत, सूचना प्रभाविकी, परिमाणात्मक मनोविज्ञान, यंत्र अधिगम, कृत्रिम न्यूरल नेटवर्क में उपयोग किए जाने वाले जैविक रूप से अवास्तविक मॉडल से स्पष्टतः संबंधित नहीं है;[7] [8] [9] यद्यपि पारस्परिक प्रेरणा उपस्थित है तथा कभी-कभी क्षेत्रों के मध्य कोई सख्त सीमा नहीं होती है, [10][11][12] अभिकलात्मक तंत्रिका विज्ञान में मॉडल अमूर्तता के साथ अनुसंधान क्षेत्र और कमिकामयता पर निर्भर करता है जिस पर जैविक संस्थाओं का विश्लेषण किया जाता है।

सैद्धांतिक तंत्रिका विज्ञान में मॉडल का उद्देश्य जैविक प्रणाली की महत्वपूर्ण विशेषताओं को अनेक स्थानिक-कालिक पैमानों पर झिल्ली धाराओं द्वारा और रासायनिक युग्मन को नेटवर्क दोलनों, स्तंभ और स्थलाकृतिक वास्तुकला, नाभिक तथा सभी प्रकार से स्मृति, मनोवैज्ञानिक संकायों तक अधिकृत करना जैसे सीखना और व्यवहार करना है। यह अभिकलात्मक मॉडल उन परिकल्पनाओं का गठन करते हैं जिन्हें जैविक या मनोवैज्ञानिक प्रयोगों द्वारा प्रत्यक्ष रूप से जाँचा जा सकता है।

इतिहास

'कम्प्यूटेशनल न्यूरोसाइंस' शब्द का आरम्भ एरिक एल. श्वार्ट्ज द्वारा की गई थी, जिन्होंने वर्ष 1985 में कार्मेल, कैलिफोर्निया में सिस्टम्स डेवलपमेंट फाउंडेशन के अनुरोध पर एक क्षेत्र की वर्तमान स्थिति का सारांश प्रदान करने के लिए एक सम्मेलन आयोजित किया था, जिसे उस समय तक तंत्रिका मॉडलिंग, मस्तिष्क सिद्धांत और तंत्रिका नेटवर्क जैसे विभिन्न नामों से जाना जाता था। इस निश्चित बैठक की कार्यवाही वर्ष 1990 में कम्प्यूटेशनल न्यूरोसाइंस पुस्तक के रूप में प्रकाशित हुई थी।[13] कम्प्यूटेशनल न्यूरोसाइंस पर केंद्रित वार्षिक अंतर्राष्ट्रीय बैठकों में से पहली बैठक का आयोजन वर्ष 1989 में सैन फ्रांसिस्को, कैलिफोर्निया में जेम्स एम. बोवर और जॉन मिलर द्वारा किया गया था।[14] कम्प्यूटेशनल न्यूरोसाइंस में पहला स्नातक शैक्षिक कार्यक्रम वर्ष 1985 में कैलिफोर्निया प्रौद्योगिकी संस्थान में कम्प्यूटेशनल एंड न्यूरल सिस्टम्स पीएचडी कार्यक्रम के रूप में आयोजित किया गया था।

इस क्षेत्र की प्रारंभिक ऐतिहासिक जड़ों को लुई लैपिक, एलन हॉजकिन और एंड्रयू हक्सले, डेविड एच. हुबेल और टॉर्स्टन वीज़ल और डेविड मार (मनोवैज्ञानिक) के कार्यों में खोजा जा सकता है। लैपिक ने वर्ष 1907 में प्रकाशित एक मौलिक लेख में न्यूरॉन के एकीकृत और अग्नि मॉडल का आरम्भ किया,[15] जो अपनी सरलता के कारण कृत्रिम तंत्रिका नेटवर्क अध्ययन के लिए अभी भी लोकप्रिय है (हाल की समीक्षा देखें[16])।

लगभग 40 वर्ष पश्चात हॉजकिन और हक्सले ने वोल्टेज क्लैंप विकसित किया और क्रिया विभव के प्रथम जैवभौतिक मॉडल का निर्माण किया। हबेल और विज़ल ने खोजा कि प्राथमिक दृश्य प्रांतस्था (विसुअल कोर्टेक्स) में न्यूरॉन्स, रेटिना से आने वाली जानकारी को संसाधित करने वाला पहला प्रांतस्था क्षेत्र उन्मुख अभिग्राही क्षेत्र हैं, जो कि पंक्तियों में व्यवस्थित होते हैं।[17] डेविड मार का कार्य हिप्पोकैम्पस और नियोकॉर्टेक्स के भीतर न्यूरॉन्स के कार्यात्मक समूहों के परस्पर क्रिया, भंडारण, प्रक्रिया और जानकारी संचारित करने के अध्ययन के लिए अभिकलात्मक दृष्टिकोण का सुझाव देने वाले न्यूरॉन्स के मध्य पारस्परिक व्यवहार पर केंद्रित है। जैवभौतिकी रूप से यथार्थवादी न्यूरॉन्स और डेन्ड्राइट्स का कम्प्यूटेशनल मॉडलिंग केबल सिद्धांत का उपयोग करने वाले प्रथम मल्टीकम्पार्टमेंटल मॉडल के साथ विल्फ्रिड रॉल के कार्य से प्रारम्भ हुआ।

प्रमुख विषय

अभिकलात्मक तंत्रिका विज्ञान में अनुसंधान साधारणतया जाँच की अनेक पंक्तियों में वर्गीकृत किया जा सकता है। अधिकांश अभिकलात्मक न्यूरोसाइंटिस्ट उपन्यास डेटा का विश्लेषण और जैविक घटनाओं के नए मॉडल को संश्लेषित करने में प्रयोगवादियों के साथ मिलकर कार्य करते हैं।

एकल-न्यूरॉन मॉडलिंग

Main article: जैविक न्यूरॉन मॉडल

एक न्यूरॉन में भी जटिल जैव-भौतिक विशेषताएं होती हैं और यह संगणना कर सकता है (उदा.[18])। हॉजकिन और हक्सले के मूल मॉडल ने केवल दो वोल्टेज-संवेदनशील धाराओं (वोल्टेज संवेदनशील आयन चैनल ग्लाइकोप्रोटीन अणु होते हैं जो लिपिड बाईलेयर के माध्यम से विस्तारित होते हैं जिससे आयनों को अक्षतंतु का बाह्य आवरण के माध्यम से कुछ शर्तों के अंतर्गत पारगमन करने की अनुमति मिलती है) को तेजी से कार्य करने वाले सोडियम और भीतर की ओर सुधार करने वाले पोटेशियम को नियोजित किया। हालांकि क्रिया विभव के समय और गुणात्मक विशेषताओं का पूर्वानुमान करने में सफल होने के बाद भी यह अनुकूलन और पार्श्‍वपथन (न्यूरोफिज़ियोलॉजी) जैसी अनेक महत्वपूर्ण विशेषताओं की भविष्यवाणी करने में विफल रहा। वैज्ञानिक अब मानते हैं कि संवेदनशील वोल्टेज-धाराओं की एक विस्तृत विविधता है तथा इन धाराओं की भिन्न गतिकी, मॉड्यूलेशन और संवेदनशीलता के निहितार्थ अभिकलात्मक तंत्रिका विज्ञान का एक महत्वपूर्ण विषय है।[19]

जटिल पार्श्वतन्तु के अभिकलात्मक कार्यों की भी गहन जांच की जा रही है। इस विषय में साहित्य का एक बड़ा निकाय है कि न्यूरॉन्स के ज्यामितीय गुणों के साथ विभिन्न धाराएं कैसे परस्पर क्रिया करती हैं।[20]

कुछ मॉडल जैवरासायनिक द्रूमिका दंड या अंतर्ग्रथित विदर जैसे मार्गों को बहुत छोटे पैमाने पर अनुसरण कर रहे हैं।[21][22] [23]

जेनेसिस और न्यूरॉन जैसे कई सॉफ्टवेयर पैकेज हैं जो यथार्थवादी न्यूरॉन्स के सिलिको मॉडलिंग में तेजी से और व्यवस्थित अनुमति देते हैं। इकोले पॉलीटेक्निक फेडेराले डी लॉज़ेन से हेनरी मार्करम द्वारा स्थापित ब्लू ब्रेन परियोजना का उद्देश्य ब्लू जीन सुपर कंप्यूटर पर एक प्रांतस्था कॉलम के जैव-भौतिक रूप से विस्तृत अनुरूपण का निर्माण करना है।

जैव-भौतिक गुणों की प्रचुरता एकल-न्यूरॉन पैमाने पर मॉडलिंग प्रक्रिया की आपूर्ति कर सकती है जो नेटवर्क गतिकी के लिए मूलभूत अंग के रूप में कार्य करती है।[24] हालांकि, विस्तृत न्यूरॉन विवरण अभिकलनीयतः क़ीमती हैं तथा यह अभिकलन लागत उचित नेटवर्क जांच की खोज को सीमित कर सकती है जहां अनेक न्यूरॉन्स को अनुकरण करने की आवश्यकता होती है। परिणामस्वरूप शोधकर्ता जो बड़े तंत्रिकीय परिपथ का अध्ययन करते हैं, सामान्यतः प्रत्येक न्यूरॉन का प्रतिनिधित्व करते हैं तथा कृत्रिम रूप से प्राथमिक मॉडल के साथ अन्तर्ग्रथन करते हैं, जो अधिकांश जैविक विवरणों की अनदेखी करते हैं। इसलिए सरलीकृत न्यूरॉन मॉडल का उत्पादन करने के लिए एक अभियान है जो न्यूनतम अभिकलनात्मक उपरिव्यय पर महत्वपूर्ण जैविक निष्ठा बनाए रख सकता है। अभिकलात्मक रूप से क़ीमती, विस्तृत न्यूरॉन मॉडल से अधिक विश्वसनीय, तेज चलने वाले, सरलीकृत प्रतिनिधिक न्यूरॉन मॉडल बनाने के लिए एल्गोरिदम विकसित किए गए हैं।[25]

मॉडलिंग न्यूरॉन-ग्लिया अंतःक्रिया

ग्लाया कोशिकाएं एक कोशिकीय किन्तु नेटवर्क स्तर पर भी तंत्रिका गतिविधि के नियमन में महत्वपूर्ण रूप से भाग लेती हैं। इस अंतःक्रिया को मॉडलिंग करने से समस्थापन को बनाए रखने और अपस्मारी ग्रह को रोकने के लिए बहुत महत्वपूर्ण पोटेशियम चक्र को स्पष्ट करने की अनुमति मिलती है।,[26][27] ग्लाया बहिः सरण मॉडलिंग की भूमिका को प्रकट करता है जो कुछ स्थितियों में अंतर्ग्रथित विदर को अंतर्ग्थनी संचरण में हस्तक्षेप करने के लिए बेध सकता है और इस प्रकार अंतर्ग्रथनी संचार को नियंत्रित करता है।[28]

विकास, अक्षतंतु संबंधी संरूपण और मार्गदर्शन

अभिकलात्मक तंत्रिका विज्ञान का उद्देश्य प्रश्नों की विस्तृत श्रृंखला को संबोधित करना है। विकास के दौरान अक्षतंतु और पार्श्वतन्तु कैसे बनते हैं? अक्षतंतु कैसे जानते हैं कि लक्ष्य कहां है और इन लक्ष्यों तक कैसे पहुंचा जाए? केंद्रीय और परिधीय प्रणालियों में न्यूरॉन्स उचित स्थिति में कैसे स्थानांतरण करते हैं? सिनैप्स कैसे बनते हैं? हम आणविक जीव विज्ञान से जानते हैं कि तंत्रिका तंत्र के अलग-अलग भागों के विकास कारकों से लेकर हार्मोन तक अलग-अलग रासायनिक संकेत जारी करते हैं जो न्यूरॉन्स के मध्य कार्यात्मक संबंधों के विकास को नियंत्रित और प्रभावित करते हैं।

गुणसुत्रीसंयोजक सम्बंध और आकृति विज्ञान के गठन तथा संरूपण में सैद्धांतिक जांच अभी भी प्रारंभिक अवस्था में है। न्यूनतम वायरिंग परिकल्पना नामक एक अवधारणा जिसने हाल ही में कुछ ध्यान आकर्षित किया है, जो सिद्ध करती है कि अक्षतंतु और पार्श्वतन्तु का गठन अधिकतम सूचना भंडारण को बनाए रखते हुए संसाधन आवंटन को प्रभावी ढंग से न्यूनतमीकरण करता है।[29]

संवेदी प्रसंस्करण

सैद्धांतिक संरचना के भीतर समझी जाने वाली संवेदी प्रसंस्करण पर प्रारंभिक मॉडल का श्रेय होरेस बार्लो दिया जाता है। पूर्ववर्ती अनुभाग में वर्णित न्यूनतम वायरिंग परिकल्पना के समान कुछ हद तक बारलो ने प्रारंभिक संवेदी प्रणालियों के प्रसंस्करण को कुशल कोडिंग का एक रूप माना जहां न्यूरॉन्स ने सूचना का कूटलेखन किया जो स्पाइक्स की संख्या को न्यूनतम करता है। प्रायोगिक और अभिकलात्मक कार्य ने तब से इस परिकल्पना को एक या दूसरे रूप में समर्थन दिया है। दृश्य प्रसंस्करण के उदाहरण के लिए, कुशल स्थानिक कूटलेखन, वर्ण कूटलेखन, अस्थायी/गति कूटलेखन, स्टीरियो कूटलेखन और उनके संयोजन के रूप में कुशल कूटलेखन अभिव्यक्त होती है।[30]

इसके अतिरिक्त दृश्य मार्ग के साथ-साथ कुशलता से कोडित दृश्य सूचना भी सूचना अवरोध, दृश्य अवधान की क्षमता के लिए बहुत अधिक है।[31] प्राथमिक विज़ुअल कॉर्टेक्स में ऊर्ध्‍वगामी सलूएंसी मानचित्र द्वारा निर्देशित आगामी  प्रक्रिया के लिए विज़ुअल इनपुट के एक भाग के बहिर्जात अवधान चयन पर एक अनुवर्ती सिद्धांत V1 सैलिएन्सी परिकल्पना (V1SH) को विकसित किया गया है।[32]

संवेदी प्रसंस्करण में वर्तमान शोध को विभिन्न उप-प्रणालियों के जैवभौतिक मॉडलिंग और धारणा के अधिक सैद्धांतिक मॉडलिंग के मध्य विभाजित किया गया है। धारणा के आधुनिक मॉडल ने सुझाव दिया है कि हमारी भौतिक दुनिया की धारणा उत्पन्न करने में मस्तिष्क कुछ प्रकार के बेजअनुमिति और विभिन्न संवेदी सूचनाओं का एकीकरण करता है।[33][34]

मोटर नियंत्रण

जिस प्रकार से मस्तिष्क गति को नियंत्रित करता है उसके अनेक मॉडल विकसित किए गए हैं। इस मस्तिष्क प्रसंस्करण में त्रुटि सुधार के लिए सेरिबैलम की भूमिका, मोटर कॉर्टेक्स में कौशल सीखना और बेसल गैन्ग्लिया या वेस्टिबुलो ओकुलर रिफ्लेक्स का नियंत्रण जैसे मॉडल सम्मिलित हैं। इसमें अनेक बायेसियन या इष्टतम नियंत्रण जैसे मानक मॉडल भी सम्मिलित हैं जो इस विचार पर बनाए गए हैं कि मस्तिष्क कुशलतापूर्वक अपनी समस्याओं को हल करता है।

मेमोरी और अन्तर्ग्रथनी सुघट्यता

Main article: अन्तर्ग्रथनी सुघट्यता

मेमोरी के पूर्ववत मॉडल मुख्य रूप से हेबियन लर्निंग के सिद्धांतों पर आधारित हैं। जैविक रूप से प्रासंगिक मॉडल जैसे हॉपफील्ड नेट को जैविक प्रणालियों में होने वाली स्मृति की साहचर्य (विषय वस्तु संबोधित करने योग्य के रूप में भी जाना जाता है) शैली के गुणों को संबोधित करने के लिए विकसित किया गया है। ये प्रयास मुख्य रूप से हिप्पोकैम्पस में स्थानीयकरण, मध्यम और दीर्घकालिक स्मृति के गठन पर ध्यान केंद्रित कर रहे हैं। नेटवर्क दोलनों के सिद्धांतों पर निर्भर कार्यशील मेमोरी के मॉडल और निरंतर गतिविधि को प्रकरण-संबंधी मेमोरी में पुरोमुखीय कॉर्टेक्स की कुछ विशेषताओं को प्रग्रहण करने के लिए बनाया गया है।[35] अतिरिक्त मॉडल बेसल गैन्ग्लिया और पुरोमुखीय कॉर्टेक्स के मध्य घनिष्ठ संबंध को देखते हैं तथा यह कैसे कार्यशील मेमोरी में योगदान देता है।[36]

तंत्रिकार्यिकी मेमोरी में प्रमुख समस्याओं में से एक यह है कि इसका अनुरक्षण किस प्रकार किया जा सकता है तथा विविध समय स्तर पर पैमाने के माध्यम से परिवर्तन दिया जाता है। अस्थिर सिनैप्स को प्रशिक्षित करना सरल है किन्तु प्रसंभाव्य विघटन से भी अधोमुख है। स्थिर सिनैप्स कम सरलता से भूल जाते हैं किन्तु उन्हें समेकित करना भी कठिन होता है। एक आधुनिक अभिकलात्मक परिकल्पना में सुघट्यता के कैस्केड सम्मिलित हैं जो सिनैप्स को विविध समय स्तर पर कार्य करने की अनुमति देते हैं।[37]माइक्रोसेकंड के समय पैमाने पर काम कर रहे मोंटे कार्लो विधि के साथ ऐसीटिलकोलीन ग्राही-आधारित सिनैप्स के त्रिविम रासायनिक रूप से विस्तृत मॉडल बनाए गए हैं।[38]यह संभावना है कि अभिकलात्मक उपकरण हमारी समझ में बहुत योगदान देंगे कि आने वाले दशकों में सिनैप्स कैसे काम करता है और बाहरी उत्तेजना के संबंध में कैसे परिवर्तित होता है।

नेटवर्क का व्यवहार

जैविक न्यूरॉन्स एक जटिल आवर्ती आचरण में परस्पर  जुड़े हुए हैं। ये सम्बन्ध अधिकांश कृत्रिम तंत्रिका नेटवर्क के विपरीत, विरल और सामान्यत: विशिष्ट होते हैं। यह ज्ञात नहीं है कि इस तरह के विरल संबद्ध नेटवर्क के माध्यम से जानकारी कैसे प्रसारित की जाती है, हालांकि मस्तिष्क के विशिष्ट क्षेत्रों जैसे कि विज़ुअल कॉर्टेक्स को कुछ विस्तार से समझा जाता है।[39] यह भी अज्ञात है कि इन विशिष्ट संयोजकता स्वरूप के अभिकलात्मक कार्य क्या हैं, यदि कोई हो।

एक छोटे नेटवर्क में न्यूरॉन्स की पारस्परिक प्रभाव को प्रायः ईज़िंग मॉडल जैसे सरल मॉडल में न्यूनीकृत किया जा सकता है। ऐसी सरल प्रणालियों के सांख्यिकीय यांत्रिकी सैद्धांतिक रूप से अच्छी तरह से चित्रित हैं। कुछ आधुनिक साक्ष्य बताते हैं कि यादृच्छिक तंत्रिका नेटवर्क की गतिशीलता को जोड़ीदार अंतःक्रियाओं में घटाया जा सकता है।[40] हालांकि यह ज्ञात नहीं है कि इस तरह के वर्णनात्मक गतिकी कोई महत्वपूर्ण अभिकलात्मक कार्य प्रदान करते हैं या नहीं। दो फोटॉन माइक्रोस्कोपी और कैल्शियम इमेजिंग के उद्भव के साथ अब हमारे पास शक्तिशाली प्रायोगिक तरीके हैं जिनके साथ न्यूरोनल नेटवर्क के बारे में नए सिद्धांतों का परीक्षण किया जा सकता है।

कुछ स्थितियों में माध्य-क्षेत्र सिद्धांत का उपयोग करके दमनात्मक और उत्तेजक न्यूरॉन्स के मध्य जटिल अंतःक्रिया को सरल बनाया जा सकता है, जो तंत्रिका नेटवर्क के जनसंख्या मॉडल को जन्म देता है।[41]जबकि अनेक तंत्रिका सिद्धांतवादी न्यूनतम जटिलता के साथ ऐसे मॉडल पसंद करते हैं दूसरों का तर्क है कि संरचनात्मक-क्रियाशील संबंधों का अनावरण करना जितना संभव हो उतना तंत्रिका और नेटवर्क संरचना को सम्मिलित करने पर निर्भर करता है। इस प्रकार के मॉडल सामान्यतः जेनेसिस या न्यूरॉन जैसे बड़े अनुरूपण प्लेटफॉर्म में बनाए जाते हैं। जटिलता के इन स्तरों को पाटने और एकीकृत करने के लिए एकीकृत तरीके प्रदान करने के कुछ प्रयास किए गए हैं।[42]

दृश्य ध्यान, अभिनिर्धारण और वर्गीकरण

दृष्टिगत अवधान को तंत्र के एक समुच्चय के रूप में वर्णित किया जा सकता है जो कुछ प्रसंस्करण को आवक उत्तेजनाओं के उपसमुच्चय तक सीमित करता है।[43] अवधान तंत्र वे आकार देते है जो हम देखते हैं और जिस पर हम कार्य कर सकते हैं। वे कुछ (अधिमानतः, प्रासंगिक) जानकारी के समवर्ती चयन और अन्य जानकारी के प्रावरोधन की अनुमति देते हैं। दृष्टिगत अवधान और विशेषताओं के बंधन में अंतर्निहित तंत्र के प्रभावशाली विनिर्देशन के लिए, कई संगणनात्मक मॉडल प्रस्तावित किए गए हैं जिनका उद्देश्य मनो भौतिकी निष्कर्षों की व्याख्या करना है। सामान्यतः, सभी मॉडल रेटिनल इनपुट के संभवतः रोचन क्षेत्रों के अभिलेखन के लिए सैलेंसी या प्राथमिकता मैप के अस्तित्व को, और आवक दृष्टिगत जानकारी की मात्रा को कम करने के लिए एक गेटिंग(द्वारण) तंत्र अभिगृहीत करते हैं, ताकि मस्तिष्क के सीमित संगणनात्मक संसाधन इसे संभाल सकें।[44]एक उदाहरण सिद्धांत जिसका व्यापक रूप से व्यवहारिक और शारीरिक रूप से परीक्षण किया जा रहा है वह है V1 सालिएन्सी हाइपोथिसिस, जो बहिर्जात रूप से ध्यान आकर्षित करने के लिए प्राथमिक दृश्य प्रांतस्था में एक ऊर्ध्‍वगामी सैलेंसी मैप उत्पन्न किया जाता है। [32]अभिकलात्मक तंत्रिका विज्ञान मस्तिष्क कार्य में सम्मिलित तंत्र का अध्ययन करने के लिए एक गणितीय संरचना प्रदान करता है और न्यूरोसाइकोलॉजिकल लक्षण के पूर्ण अनुकरण और पूर्वाकलन की अनुमति देता है।

अनुभूति, भेदभाव और ज्ञान

उच्च संज्ञानात्मक प्रकार्यों का अभिकलात्मक मॉडलिंग हाल ही में आरम्भ हुआ है।[when?]प्रायोगिक डेटा मुख्यत प्राइमेट्स में एकल-इकाई अभिलेखन से आता है। ललाट खंड और पार्श्विका खंड अनेक संवेदी रूपरेखा से सूचना के समाकलित्र के रूप में कार्य करते हैं। इन क्षेत्रों में पारस्परिक रूप से दमनात्मक क्रियाशील परिपथ कितने सरल जैविक रूप से प्रासंगिक संगणना कर सकते हैं, इसके विषय में कुछ अस्थायी विचार हैं।[45]

ऐसा प्रतीत होता है कि मस्तिष्क कुछ परिस्थिति में अच्छी तरह से भेदभाव और अनुकूलन करने में सक्षम है। उदाहरण के लिए ऐसा प्रतीत होता है कि मनुष्यों में चेहरों को याद रखने और पहचानने की अपार क्षमता है। अभिकलात्मक तंत्रिका विज्ञान के प्रमुख लक्ष्यों में से एक यह है कि कैसे जैविक प्रणालियां इन जटिल संगणनाओं को कुशलतापूर्वक करती हैं और बुद्धिजीवी मशीनों के निर्माण में इन प्रक्रियाओं को सशक्त रूप से दोहराती हैं।

जीव विज्ञान, मनोविज्ञान और नैदानिक ​​अभ्यास सहित मस्तिष्क के बड़े पैमाने पर संगठनात्मक सिद्धांत अनेक क्षेत्रों से प्रकाशित होते हैं। समाकलात्मक तंत्रिका विज्ञान एकीकृत वर्णनात्मक मॉडल और व्यवहार आकलन और अभिलेखन डेटाबेस के माध्यम से इन अवलोकनों को समेकित करने का प्रयास करता है। ये बड़े पैमाने पर मस्तिष्क गतिविधि के कुछ मात्रात्मक मॉडलिंग के आधार हैं।[46]

कम्प्यूटेशनल रिप्रेजेंटेशनल अंडरस्टैंडिंग ऑफ माइंड (सीआरयूएम) निर्णय लेने में अभिगृहीत नियम-आधारित प्रणाली और निर्णय लेने में दृश्य निरूपण के परिचालन जैसी सिम्युलेटेड प्रक्रियाओं के माध्यम से मानव अनुभूति को मॉडलिंग करने का एक और प्रयास है।

चेतना

मनोविज्ञान/तंत्रिका विज्ञान के अंतिम लक्ष्यों में से एक चेतन जीवन के दैनिक अनुभव की व्याख्या करने में सक्षम होना है। फ्रांसिस क्रिक, गिउलिओ टोनोनी और क्रिस्टोफर कोच ने चेतना के तंत्रिका सहसंबंधों (एनसीसी) में भविष्य कार्य के लिए सूत्रबद्ध करने के निरंतर कुछ प्रयास किए, यद्यपि इस क्षेत्र में अधिकांश कार्य मीमांसात्मक बना हुआ है।[47] विशेष रूप से, क्रिक[48] ने तंत्रिका विज्ञान के क्षेत्र को उन विषयों पर ध्यान न देने के लिए आगाह किया, जिन्हें परंपरागत रूप से दर्शन और धर्म के लिए छोड़ दिया जाता है। [49]

अभिकलनात्मक रोगविषयक तंत्रिकाविज्ञान

अभिकलनात्मक रोगविषयक तंत्रिकाविज्ञान एक ऐसा क्षेत्र है जो तंत्रिकाविज्ञान, न्यूरोलॉजी, मनोचिकित्सा, निर्णय विज्ञान और अभिकलनात्मक मॉडलिंग में विशेषज्ञों को तंत्रिका संबंधी और मानसिक रोगों में परिमाणात्मक रूप से परिभाषित करने और समस्याओं की जांच और निदान करने तथा उपचार के लिए इन मॉडलों को अनप्रयुक्‍त करने की इच्छा रखने वाले वैज्ञानिकों और चिकित्सकों को प्रशिक्षित करने के लिए लाता है।[50][51]

प्रिडिक्टिव अभिकलनात्मक तंत्रिका विज्ञान

प्रिडिक्टिव अभिकलनात्मक तंत्रिका विज्ञान एक आधुनिक क्षेत्र है जो कोमा या असंवेदिता (एनेस्थीसिया) के समय मस्तिष्क का पूर्वानुमान करने के लिए संकेत प्रक्रमन (सिग्नल प्रोसेसिंग), तंत्रिकाविज्ञान, क्लिनिकल डेटा और यंत्र अधिगम को जोड़ती है।[52][53] उदाहरण के लिए, ईईजी संकेत का उपयोग करके मस्तिष्क की गहरी अवस्थाओं का अनुमान लगाना संभव है। इन अवस्थाओं का उपयोग रोगी को प्रशासित करने के लिए कृत्रिम निद्रावस्था की एकाग्रता का अनुमान लगाने के लिए किया जा सकता है।

अभिकलनात्मक मनोरोगविज्ञान

कम्प्यूटेशनल मनोरोग एक नया उदीयमान क्षेत्र है जो मनोविकारों का ज्ञान प्रदान करने के लिए यंत्र अधिगम, तंत्रिकाविज्ञान, न्यूरोलॉजी, मनोचिकित्सा, मनोविज्ञान के विशेषज्ञों को एक साथ लाता है।[54][55][56]

प्रौद्योगिकी

न्यूरोमॉर्फिक कंप्यूटिंग

Main article: न्यूरोमॉर्फिक अभियांत्रिकी

एक न्यूरोमॉर्फिक कंप्यूटर/चिप कोई भी उपकरण है जो संगणना करने के लिए भौतिक कृत्रिम न्यूरॉन्स (सिलिकॉन निर्मित) का उपयोग करता है (देखें: न्यूरोमॉर्फिक कंप्यूटिंग, भौतिक तंत्रिका नेटवर्क)। इस तरह के भौतिक मॉडल कंप्यूटर का उपयोग करने से लाभ है कि यह प्रोसेसर का अभिकलनात्मक लोड लेता है (इस अर्थ में कि संरचनात्मक और कुछ फलनिक अवयव को प्रोग्राम करने की आवश्यकता नहीं है क्योंकि वे हार्डवेयर में हैं)। आधुनिक समय में,[57] न्यूरोमॉर्फिक तकनीक का उपयोग सुपरकंप्यूटर बनाने के लिए किया गया है जो अंतरराष्ट्रीय तंत्रिका विज्ञान सहभाग में उपयोग किया जाता है। उदाहरणों में ह्यूमन ब्रेन प्रोजेक्ट स्पिननेकर सुपरकंप्यूटर और ब्रेनस्केल कंप्यूटर सम्मिलित हैं।[58]


यह भी देखें

नोट्स और संदर्भ

  1. ↑ Trappenberg, Thomas P. (2010). कम्प्यूटेशनल न्यूरोसाइंस की बुनियादी बातों. United States: Oxford University Press Inc. pp. 2. ISBN 978-0-19-851582-1.
  2. ↑ Patricia S. Churchland; Christof Koch; Terrence J. Sejnowski (1993). "What is computational neuroscience?". In Eric L. Schwartz (ed.). कम्प्यूटेशनल तंत्रिका विज्ञान. MIT Press. pp. 46–55. Archived from the original on 2011-06-04. Retrieved 2009-06-11.
  3. ↑ Dayan P.; Abbott, L. F. (2001). Theoretical neuroscience: computational and mathematical modeling of neural systems. Cambridge, Mass: MIT Press. ISBN 978-0-262-04199-7.
  4. ↑ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). न्यूरोनल डायनेमिक्स. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.
  5. ↑ Thomas, Trappenberg (2010). कम्प्यूटेशनल न्यूरोसाइंस की बुनियादी बातों. OUP Oxford. p. 2. ISBN 978-0199568413. Retrieved 17 January 2017.
  6. ↑ Gutkin, Boris; Pinto, David; Ermentrout, Bard (2003-03-01). "Mathematical neuroscience: from neurons to circuits to systems". Journal of Physiology-Paris. Neurogeometry and visual perception. 97 (2): 209–219. doi:10.1016/j.jphysparis.2003.09.005. ISSN 0928-4257. PMID 14766142. S2CID 10040483.
  7. ↑ Kriegeskorte, Nikolaus; Douglas, Pamela K. (September 2018). "संज्ञानात्मक कम्प्यूटेशनल तंत्रिका विज्ञान". Nature Neuroscience (in English). 21 (9): 1148–1160. arXiv:1807.11819. Bibcode:2018arXiv180711819K. doi:10.1038/s41593-018-0210-5. ISSN 1546-1726. PMC 6706072. PMID 30127428.
  8. ↑ Paolo, E. D., "Organismically-inspired robotics: homeostatic adaptation and teleology beyond the closed sensorimotor loop", Dynamical Systems Approach to Embodiment and Sociality, S2CID 15349751
  9. ↑ Brooks, R.; Hassabis, D.; Bray, D.; Shashua, A. (2012-02-22). "Turing centenary: Is the brain a good model for machine intelligence?". Nature (in English). 482 (7386): 462–463. Bibcode:2012Natur.482..462.. doi:10.1038/482462a. ISSN 0028-0836. PMID 22358812. S2CID 205070106.
  10. ↑ Browne, A. (1997-01-01). अनुभूति और अनुकूली रोबोटिक्स पर तंत्रिका नेटवर्क परिप्रेक्ष्य (in English). CRC Press. ISBN 9780750304559.
  11. ↑ Zorzi, Marco; Testolin, Alberto; Stoianov, Ivilin P. (2013-08-20). "Modeling language and cognition with deep unsupervised learning: a tutorial overview". Frontiers in Psychology. 4: 515. doi:10.3389/fpsyg.2013.00515. ISSN 1664-1078. PMC 3747356. PMID 23970869.
  12. ↑ Shai, Adam; Larkum, Matthew Evan (2017-12-05). "दिमाग में शाखा लगाना". eLife (in English). 6. doi:10.7554/eLife.33066. ISSN 2050-084X. PMC 5716658. PMID 29205152.
  13. ↑ Schwartz, Eric (1990). कम्प्यूटेशनल तंत्रिका विज्ञान. Cambridge, Mass: MIT Press. ISBN 978-0-262-19291-0.
  14. ↑ Bower, James M. (2013). 20 years of Computational neuroscience. Berlin, Germany: Springer. ISBN 978-1461414230.
  15. ↑ Lapicque L (1907). "Recherches quantitatives sur l'excitation électrique des nerfs traitée comme une polarisation". J. Physiol. Pathol. Gen. 9: 620–635.
  16. ↑ Brunel N, Van Rossum MC (2007). "Lapicque's 1907 paper: from frogs to integrate-and-fire". Biol. Cybern. 97 (5–6): 337–339. doi:10.1007/s00422-007-0190-0. PMID 17968583. S2CID 17816096.
  17. ↑ Hubel DH, Wiesel TN (1962). "बिल्ली के दृश्य प्रांतस्था में ग्रहणशील क्षेत्र, दूरबीन बातचीत और कार्यात्मक वास्तुकला". J. Physiol. 160 (1): 106–54. doi:10.1113/jphysiol.1962.sp006837. PMC 1359523. PMID 14449617.
  18. ↑ Forrest MD (2014). "इंट्रासेल्युलर कैल्शियम डायनेमिक्स एक पुर्किंजे न्यूरॉन मॉडल को इसके इनपुट पर टॉगल करने और कंप्यूटेशंस हासिल करने की अनुमति देता है।". Frontiers in Computational Neuroscience. 8: 86. doi:10.3389/fncom.2014.00086. PMC 4138505. PMID 25191262.
  19. ↑ Wu, Samuel Miao-sin; Johnston, Daniel (1995). सेलुलर न्यूरोफिज़ियोलॉजी की नींव. Cambridge, Mass: MIT Press. ISBN 978-0-262-10053-3.
  20. ↑ Koch, Christof (1999). Biophysics of computation: information processing in single neurons. Oxford [Oxfordshire]: Oxford University Press. ISBN 978-0-19-510491-2.
  21. ↑ Basnayake, Kanishka; Mazaud, David; Bemelmans, Alexis; Rouach, Nathalie; Korkotian, Eduard; Holcman, David (2019-06-04). "अत्यधिक आँकड़ों द्वारा संचालित डेंड्रिटिक स्पाइन में तेज़ कैल्शियम के संक्रमण". PLOS Biology (in English). 17 (6): e2006202. doi:10.1371/journal.pbio.2006202. ISSN 1545-7885. PMC 6548358. PMID 31163024.
  22. ↑ Basnayake, Kanishka; Mazaud, David; Kushnireva, Lilia; Bemelmans, Alexis; Rouach, Nathalie; Korkotian, Eduard; Holcman, David (2021-09-17). "नैनोस्केल मॉलिक्यूलर आर्किटेक्चर कैल्शियम डिफ्यूजन और डेन्ड्रिटिक स्पाइन में ईआर पुनःपूर्ति को नियंत्रित करता है". Science Advances. 7 (38): eabh1376. Bibcode:2021SciA....7.1376B. doi:10.1126/sciadv.abh1376. ISSN 2375-2548. PMC 8443180. PMID 34524854.
  23. ↑ Freche, Dominik; Pannasch, Ulrike; Rouach, Nathalie; Holcman, David (2011-10-03). "सिनैप्स ज्योमेट्री और रिसेप्टर डायनेमिक्स सिनैप्टिक स्ट्रेंथ को मॉड्यूलेट करते हैं". PLOS ONE (in English). 6 (10): e25122. Bibcode:2011PLoSO...625122F. doi:10.1371/journal.pone.0025122. ISSN 1932-6203. PMC 3184958. PMID 21984900.
  24. ↑ Forrest MD (2014). "इंट्रासेल्युलर कैल्शियम डायनेमिक्स एक पुर्किंजे न्यूरॉन मॉडल को इसके इनपुट पर टॉगल करने और कंप्यूटेशंस हासिल करने की अनुमति देता है।". Frontiers in Computational Neuroscience. 8: 86. doi:10.3389/fncom.2014.00086. PMC 4138505. PMID 25191262.
  25. ↑ Forrest MD (April 2015). "Simulation of alcohol action upon a detailed Purkinje neuron model and a simpler surrogate model that runs >400 times faster". BMC Neuroscience. 16 (27): 27. doi:10.1186/s12868-015-0162-6. PMC 4417229. PMID 25928094.
  26. ↑ "न्यूरोट्रांसमिशन के दौरान न्यूरॉन्स, एस्ट्रोसाइट्स और एक्स्ट्रासेलुलर स्पेस के बीच आयन फ्लक्स की गतिशीलता". cyberleninka.ru. Retrieved 2023-03-14.
  27. ↑ Sibille, Jérémie; Duc, Khanh Dao; Holcman, David; Rouach, Nathalie (2015-03-31). "The Neuroglial Potassium Cycle during Neurotransmission: Role of Kir4.1 Channels". PLOS Computational Biology (in English). 11 (3): e1004137. Bibcode:2015PLSCB..11E4137S. doi:10.1371/journal.pcbi.1004137. ISSN 1553-7358. PMC 4380507. PMID 25826753.
  28. ↑ Pannasch, Ulrike; Freche, Dominik; Dallérac, Glenn; Ghézali, Grégory; Escartin, Carole; Ezan, Pascal; Cohen-Salmon, Martine; Benchenane, Karim; Abudara, Veronica; Dufour, Amandine; Lübke, Joachim H. R.; Déglon, Nicole; Knott, Graham; Holcman, David; Rouach, Nathalie (April 2014). "Connexin 30 sets synaptic strength by controlling astroglial synapse invasion". Nature Neuroscience (in English). 17 (4): 549–558. doi:10.1038/nn.3662. ISSN 1546-1726. PMID 24584052. S2CID 554918.
  29. ↑ Chklovskii DB, Mel BW, Svoboda K (October 2004). "कॉर्टिकल रीवायरिंग और सूचना भंडारण". Nature. 431 (7010): 782–8. Bibcode:2004Natur.431..782C. doi:10.1038/nature03012. PMID 15483599. S2CID 4430167.
    Review article
  30. ↑ Zhaoping L. 2014, The efficient coding principle , chapter 3, of the textbook Understanding vision: theory, models, and data
  31. ↑ see visual spational attention https://en.wikipedia.org/wiki/Visual_spatial_attention
  32. ↑ 32.0 32.1 Li. Z. 2002 A saliency map in primary visual cortex Trends in Cognitive Sciences vol. 6, Pages 9-16, and Zhaoping, L. 2014, The V1 hypothesis—creating a bottom-up saliency map for preattentive selection and segmentation in the book Understanding Vision: Theory, Models, and Data
  33. ↑ Weiss, Yair; Simoncelli, Eero P.; Adelson, Edward H. (20 May 2002). "इष्टतम धारणाओं के रूप में गति भ्रम". Nature Neuroscience. 5 (6): 598–604. doi:10.1038/nn0602-858. PMID 12021763. S2CID 2777968.
  34. ↑ Ernst, Marc O.; Bülthoff, Heinrich H. (April 2004). "इंद्रियों को एक मजबूत धारणा में विलय करना". Trends in Cognitive Sciences. 8 (4): 162–169. CiteSeerX 10.1.1.299.4638. doi:10.1016/j.tics.2004.02.002. PMID 15050512. S2CID 7837073.
  35. ↑ Durstewitz D, Seamans JK, Sejnowski TJ (2000). "वर्किंग मेमोरी के न्यूरोकंप्यूटेशनल मॉडल". Nat. Neurosci. 3 (Suppl): 1184–91. doi:10.1038/81460. PMID 11127836. S2CID 8204235.
  36. ↑ Frank, M. J.; Loughry, B.; O'Reilly, R. C. (2001). "Interactions between frontal cortex and basal ganglia in working memory: A computational model" (PDF). Cognitive, Affective, & Behavioral Neuroscience. 1 (2): 137–160. doi:10.3758/cabn.1.2.137. PMID 12467110. S2CID 964100. Retrieved 2018-12-06.
  37. ↑ Fusi S, Drew PJ, Abbott LF (2005). "अन्तर्ग्रथनी रूप से संग्रहीत स्मृतियों के कैस्केड मॉडल". Neuron. 45 (4): 599–611. doi:10.1016/j.neuron.2005.02.001. PMID 15721245. S2CID 2981869.
  38. ↑ Coggan JS, Bartol TM, Esquenazi E, et al. (2005). "न्यूरोनल सिनैप्स पर एक्टोपिक न्यूरोट्रांसमिशन के लिए साक्ष्य". Science. 309 (5733): 446–51. Bibcode:2005Sci...309..446C. doi:10.1126/science.1108239. PMC 2915764. PMID 16020730.
  39. ↑ Olshausen, Bruno A.; Field, David J. (1997-12-01). "Sparse coding with an overcomplete basis set: A strategy employed by V1?". Vision Research. 37 (23): 3311–3325. doi:10.1016/S0042-6989(97)00169-7. PMID 9425546. S2CID 14208692.
  40. ↑ Schneidman E, Berry MJ, Segev R, Bialek W (2006). "कमजोर जोड़ीदार सहसंबंध एक तंत्रिका आबादी में दृढ़ता से सहसंबद्ध नेटवर्क राज्यों को दर्शाता है". Nature. 440 (7087): 1007–12. arXiv:q-bio/0512013. Bibcode:2006Natur.440.1007S. doi:10.1038/nature04701. PMC 1785327. PMID 16625187.
  41. ↑ Wilson, H. R.; Cowan, J.D. (1973). "A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue". Kybernetik. 13 (2): 55–80. doi:10.1007/BF00288786. PMID 4767470. S2CID 292546.
  42. ↑ Anderson, Charles H.; Eliasmith, Chris (2004). Neural Engineering: Computation, Representation, and Dynamics in Neurobiological Systems (Computational Neuroscience). Cambridge, Mass: The MIT Press. ISBN 978-0-262-55060-4.
  43. ↑ Marvin M. Chun; Jeremy M. Wolfe; E. B. Goldstein (2001). ब्लैकवेल हैंडबुक ऑफ सेंसेशन एंड परसेप्शन. Blackwell Publishing Ltd. pp. 272–310. ISBN 978-0-631-20684-2.
  44. ↑ Edmund Rolls; Gustavo Deco (2012). दृष्टि का कम्प्यूटेशनल तंत्रिका विज्ञान. Oxford Scholarship Online. ISBN 978-0-198-52488-5.
  45. ↑ Machens CK, Romo R, Brody CD (2005). "Flexible control of mutual inhibition: a neural model of two-interval discrimination". Science. 307 (5712): 1121–4. Bibcode:2005Sci...307.1121M. CiteSeerX 10.1.1.523.4396. doi:10.1126/science.1104171. PMID 15718474. S2CID 45378154.
  46. ↑ Robinson PA, Rennie CJ, Rowe DL, O'Connor SC, Gordon E (2005). "मल्टीस्केल ब्रेन मॉडलिंग". Philosophical Transactions of the Royal Society B. 360 (1457): 1043–1050. doi:10.1098/rstb.2005.1638. PMC 1854922. PMID 16087447.
  47. ↑ Crick F, Koch C (2003). "चेतना के लिए एक ढांचा". Nat. Neurosci. 6 (2): 119–26. doi:10.1038/nn0203-119. PMID 12555104. S2CID 13960489.
  48. ↑ Crick, Francis (1994). The Astonishing Hypothesis: The Scientific Search for the Soul. New York: Scribner.
  49. ↑ Crick, Francis; Koch, Christopher (1998). चेतना और तंत्रिका विज्ञान. pp. 97–107. doi:10.1093/cercor/8.2.97. PMID 9542889. {{cite book}}: |journal= ignored (help)
  50. ↑ Adaszewski, Stanisław; Dukart, Juergen; Kherif, Ferath; Frackowiak, Richard; Draganski, Bogdan; Alzheimer's Disease Neuroimaging Initiative (2013). "How early can we predict Alzheimer's disease using computational anatomy?". Neurobiol Aging. 34 (12): 2815–26. doi:10.1016/j.neurobiolaging.2013.06.015. PMID 23890839. S2CID 1025210.
  51. ↑ Friston KJ, Stephan KE, Montague R, Dolan RJ (2014). "Computational psychiatry: the brain as a phantastic organ". Lancet Psychiatry. 1 (2): 148–58. doi:10.1016/S2215-0366(14)70275-5. PMID 26360579. S2CID 15504512.
  52. ↑ Floyrac, Aymeric; Doumergue, Adrien; Legriel, Stéphane; Deye, Nicolas; Megarbane, Bruno; Richard, Alexandra; Meppiel, Elodie; Masmoudi, Sana; Lozeron, Pierre; Vicaut, Eric; Kubis, Nathalie; Holcman, David (2023). "श्रवण से उत्पन्न क्षमता से मानक और विचलित प्रतिक्रियाओं से निकाले गए कम्प्यूटेशनल मापदंडों के संयोजन से कार्डियक अरेस्ट के बाद न्यूरोलॉजिकल परिणाम की भविष्यवाणी करना". Frontiers in Neuroscience. 17: 988394. doi:10.3389/fnins.2023.988394. ISSN 1662-453X. PMC 9975713. PMID 36875664.
  53. ↑ Sun, Christophe; Holcman, David (2022-08-01). "सामान्य संज्ञाहरण के लिए मस्तिष्क संवेदनशीलता की भविष्यवाणी करने के लिए ईईजी सिग्नल से क्षणिक सांख्यिकीय मार्करों का संयोजन". Biomedical Signal Processing and Control (in English). 77: 103713. doi:10.1016/j.bspc.2022.103713. ISSN 1746-8094. S2CID 248488365.
  54. ↑ Montague, P. Read; Dolan, Raymond J.; Friston, Karl J.; Dayan, Peter (14 Dec 2011). "कम्प्यूटेशनल मनोरोग". Trends in Cognitive Sciences. 16 (1): 72–80. doi:10.1016/j.tics.2011.11.018. PMC 3556822. PMID 22177032.
  55. ↑ Kato, Ayaka; Kunisato, Yoshihiko; Katahira, Kentaro; Okimura, Tsukasa; Yamashita, Yuichi (2020). "Computational Psychiatry Research Map (CPSYMAP): a new database for visualizing research papers". Frontiers in Psychiatry. 11 (1360): 578706. doi:10.3389/fpsyt.2020.578706. PMC 7746554. PMID 33343418.
  56. ↑ Huys, Quentin J M; Maia, Tiago V; Frank, Michael J (2016). "कम्प्यूटेशनल मनोरोग तंत्रिका विज्ञान से नैदानिक ​​​​अनुप्रयोगों के लिए एक पुल के रूप में". Nature Neuroscience. 19 (3): 404–413. doi:10.1038/nn.4238. PMC 5443409. PMID 26906507. {{cite journal}}: zero width space character in |title= at position 49 (help)
  57. ↑ Russell, John (21 March 2016). "वॉन न्यूमैन से परे, न्यूरोमॉर्फिक कंप्यूटिंग लगातार आगे बढ़ती है".
  58. ↑ Calimera, Andrea; Macii, Enrico; Poncino, Massimo (2013-08-20). "मानव मस्तिष्क परियोजना और न्यूरोमॉर्फिक कंप्यूटिंग". Functional Neurology. 28 (3): 191–196. doi:10.11138/FNeur/2013.28.3.191 (inactive 2023-04-11). PMC 3812737. PMID 24139655.{{cite journal}}: CS1 maint: DOI inactive as of April 2023 (link)

ग्रन्थसूची


यह भी देखें

सॉफ्टवेयर

  • ब्रायन (सॉफ्टवेयर), एक पायथन (प्रोग्रामिंग भाषा) आधारित सिम्युलेटर
  • बुडापेस्ट संदर्भ संयोजी, मानव मस्तिष्क में कनेक्शन ब्राउज़ करने के लिए वेब आधारित 3डी विज़ुअलाइज़ेशन टूल
  • इमर्जेंट (सॉफ्टवेयर), न्यूरल सिमुलेशन सॉफ्टवेयर।
  • उत्पत्ति (सॉफ्टवेयर), एक सामान्य तंत्रिका सिमुलेशन प्रणाली।
  • घोंसला (सॉफ्टवेयर) स्पाइकिंग न्यूरल नेटवर्क मॉडल के लिए एक सिम्युलेटर है जो व्यक्तिगत न्यूरॉन्स की सटीक आकृति विज्ञान के बजाय तंत्रिका तंत्र की गतिशीलता, आकार और संरचना पर केंद्रित है।

बाहरी संबंध

Wikimedia Commons has media related to [[commons:Category:कम्प्यूटेशनल तंत्रिका विज्ञान|कम्प्यूटेशनल तंत्रिका विज्ञान]].



पत्रिकाओं


सम्मेलन

वेबसाइट्स

  • Encyclopedia of Computational Neuroscience, Scholarpedia का हिस्सा, कम्प्यूटेशनल न्यूरोसाइंस और डायनेमिक सिस्टम पर एक ऑनलाइन विशेषज्ञ क्यूरेटेड एनसाइक्लोपीडिया


श्रेणी:अध्ययन के कम्प्यूटेशनल क्षेत्र श्रेणी:कम्प्यूटेशनल न्यूरोसाइंस श्रेणी:गणितीय और सैद्धांतिक जीव विज्ञान

Retrieved from ‘https://www.vigyanwiki.in/index.php?title=कम्प्यूटेशनल_तंत्रिका_विज्ञान&oldid=174766’