तंत्रिका गतिविधि में निहित विचारों का तार्किक कलन

Micromath Research Explanation

यह लेख Warren McCulloch और Walter Pitts के 1943 के शोध-पत्र A Logical Calculus of the Ideas Immanent in Nervous Activity पर आधारित एक स्वतंत्र, reader-friendly explanation है। यह वह paper है जिसने पहली बार दिखाया कि दिमाग की कोशिकाएँ (neurons) तर्क (logic) चला सकती हैं — आज के neural networks की नींव।

1. मूल शोध-पत्र

Paper: A Logical Calculus of the Ideas Immanent in Nervous Activity
Authors: Warren S. McCulloch, Walter Pitts
Year: 1943

1943 में computers भी ठीक से बने नहीं थे, फिर भी इन दो वैज्ञानिकों ने पूछा: क्या neuron सिर्फ बिजली के signal भेजता है, या वह सोचने का काम भी करता है? इनका जवाब था — neuron एक logical gate की तरह व्यवहार करता है, और neurons का जाल (network) कोई भी तार्किक हिसाब चला सकता है।

2. All-or-none नियम

Neuron का पहला सिद्धांत सरल है: neuron या तो पूरी तरह fire करता है, या बिल्कुल नहीं। बीच का कोई रास्ता नहीं। इसे all-or-none law कहते हैं।

हर neuron के कई inputs होते हैं (दूसरे neurons से), और एक output। McCulloch-Pitts model में हर input या तो excitatory (fire करने में मदद) होता है, या inhibitory (fire रोक देता है)।

Neuron का निर्णय एक threshold नियम से होता है। अगर $x_1, x_2, \ldots, x_n$x1​,x2​,…,xn​ inputs हैं (हर एक $0$0 या $1$1) और $\theta$θ threshold है, तो output:

$$y = 1 \iff \sum_{i=1}^{n} x_i \geq \theta$$y=1⟺i=1∑n​xi​≥θ

यानी: अगर पर्याप्त inputs एक साथ active हैं, neuron fire करता है; वरना चुप रहता है। और एक खास नियम — अगर कोई एक भी inhibitory input active है, तो output हमेशा $0$0, चाहे बाकी सब कुछ भी हो।

3. Neuron से logic gates

यहीं paper का जादू है। Threshold चुनकर neuron AND, OR, NOT — तीनों बना सकता है।

AND gate (दोनों inputs चाहिए): दो inputs, threshold $\theta = 2$θ=2:

$$y = 1 \iff x_1 + x_2 \geq 2$$y=1⟺x1​+x2​≥2

OR gate (कोई एक input काफी): वही दो inputs, threshold $\theta = 1$θ=1:

$$y = 1 \iff x_1 + x_2 \geq 1$$y=1⟺x1​+x2​≥1

NOT gate (उल्टा): एक excitatory input को inhibitory बनाकर, या threshold $0$0 के साथ inhibitory input देकर:

$$y = 1 \iff x = 0$$y=1⟺x=0

चूँकि AND, OR, NOT से हर Boolean function बनाया जा सकता है, इसलिए neurons का network सिद्धांत रूप से कोई भी तार्किक अभिव्यक्ति (logical expression) compute कर सकता है।

4. समय (time) का हिसाब

असली दिमाग में समय मायने रखता है — signal एक neuron से दूसरे तक पहुँचने में देरी (delay) होती है। Paper इसे भी model करता है: हर connection में एक unit समय की देरी मानी जाती है।

इससे temporal propositions बनते हैं — ऐसे कथन जिनमें "पहले" और "बाद में" शामिल है। उदाहरण: neuron $C$C तब fire करता है जब $A$A fire करे और उसके एक unit बाद $B$B fire करे:

$$C(t) \iff A(t-1) \land B(t-2)$$C(t)⟺A(t−1)∧B(t−2)

इस तरह network सिर्फ static logic नहीं, समय के साथ बदलते patterns — जैसे sequence पहचानना — भी चला सकता है।

5. मुख्य परिणाम

Paper का निष्कर्ष एक वाक्य में: neurons का कोई भी finite network, उतना ही compute कर सकता है जितना तर्कशास्त्र (logic) का कोई finite कथन कह सकता है — और इसका उल्टा भी सच है।

$$\text{Neural nets} \equiv \text{Finite logical expressions}$$Neural nets≡Finite logical expressions

यह equivalence दो दुनियाओं को जोड़ती है: biology (कैसे दिमाग बना है) और logic (कैसे सोचा जाता है)।

6. क्यों मायने रखता है

• Perceptron (1958): Rosenblatt ने इसी neuron model में सीखने (learning) की क्षमता जोड़ी — weights $\theta$θ अब fixed नहीं, data से सीखे जाते हैं।
• Neural networks: आज के deep learning models इन्हीं threshold units के वंशज हैं (activation functions के साथ)।
• Computation की सीमा: Paper ने यह भी दिखाया कि कुछ काम finite nets नहीं कर सकते — theory of computation से सीधा रिश्ता।

एक neuron अकेला बहुत सरल है — बस गिनती और तुलना। पर लाखों ऐसे सरल units जुड़कर तर्क, स्मृति और पहचान जैसी चीज़ें चला सकते हैं। यही 1943 की वह insight है जिस पर आज का AI खड़ा है।