तंत्रिका विकास

तंत्रिका विकास या न्यूरो-इवोल्यूशन, कृत्रिम बुद्धिमत्ता (आर्टिफीशियल इंटीलिजेंस) का ऐसा रूप है, जो कृत्रिम तंत्रिका नेटवर्क (एएनएन), पैरामीटर और इसके विभिन्न नियमों को उत्पन्न करने के लिए विकासवादी कलन विधि का उपयोग करता है। इसका प्रयोग सबसे अधिक कृत्रिम जीवन, सामान्य खेल-कूद में और इसी के साथ ही विकासवादी रोबोटिक्स किया जाता है। इसका मुख्य लाभ यह है कि तंत्रिका विकास को पर्यवेक्षित शिक्षण की तुलना में अधिक व्यापक रूप से लागू किया जा सकता है, जिसके लिए सही इनपुट-आउटपुट जोड़े के पाठ्यक्रम की आवश्यकता होती है। इसके विपरीत, तंत्रिका विकास को किसी कार्य में नेटवर्क के प्रदर्शन को मापने की आवश्यकता होती है। उदाहरण के लिए, किसी खेल के परिणाम अर्ताथ, चाहे खिलाड़ी जीत रहा हो या हार रहा हो इसके वांछित रणनीतियों के लेबल वाले उदाहरण प्रदान किए बिना सरलता से मापा जा सकता है। इस प्रकार तंत्रिका विकास का उपयोग सामान्यतः सुदृढीकरण सीखने के प्रतिमान के इस भाग के रूप में उपयोग किया जाता है, और इसकी तुलना पारंपरिक गहन शिक्षण तकनीकों से की जा सकती है जो निश्चित टोपोलॉजी के साथ तंत्रिका नेटवर्क पर ढतले हुआ वंशाशैली का उपयोग करते हैं।

सुविधाएँ
इस प्रकार की कई तंत्रिकाओं के विकास में उपयोग की जाने वाली कलन विधि को परिभाषित किया गया है। जिसे सामान्य रूप से इनके बीचे के अंतर के आधार पर उन कलन विधि के बीच में इंगित करते है, जो निश्चित नेटवर्क टोपोलॉजी जिसे पारंपरिक तंत्रिका विकास कहा जाता है, जिसके लिए केवल कनेक्शन वेट की शक्ति को विकसित करते हैं, और इस कलन विधि के लिए जो नेटवर्क की टोपोलॉजी और उसके भार के अनुसार किसी टोपोलॉजी और वेट इवॉल्विंग आर्टिफिशियल न्यूरल नेटवर्क कलन विधि के लिए ट्विआंस कहा जाता है, जिसे दोनों के लिए विकसित करते हैं।

इन विधियों के बीच अलग से अंतर किया जा सकता है, जो एएनएन की संरचना को उसके मापदंडों के समानांतर विकसित करते हैं, जो इस प्रकार के विभिन्न मानकों वाले विकासवादी कलन विधि को लागू करते हैं और जो उन्हें अलग से विकसित करते हैं, इस प्रकार मेमेटिक कलन विधि के माध्यम से इसे प्रदर्शित किया जाता हैं।

ग्रेडिएंट डिसेंट की तुलना
अधिकांश तंत्रिका नेटवर्क तंत्रिका विकास के अतिरिक्त ग्रेडिएंट डिसेंट का उपयोग करते हैं। चूंकि, 2017 के आसपास के समय में उबेर के शोधकर्ताओं ने कहा कि उन्होंने पाया है कि सरल संरचनात्मक तंत्रिका विकास कलन विधि परिष्कृत आधुनिक उद्योग-मानक ग्रेडिएंट-डिसेंट ध्यान लगा के पढ़ना या सीखना मुख्य रूप से कलन विधि के साथ प्रतिस्पर्धी थे, जिसके आधार पर आंशिक रूप से इस प्रकार तंत्रिका विकास के स्थानीय मिनीमा में फंसने की संभावना कम पाई गई थी। विज्ञान की पत्रिकाओं में पत्रकार मैथ्यू हटसन ने अनुमान लगाया कि तंत्रिका विकास के सफल होने का कारण जहां यह पहले विफल हो गया था वह 2010 के दशक में उपलब्ध कम्प्यूटेशनल शक्ति में वृद्धि के कारण है।

यह दिखाया जा सकता है कि तंत्रिका विकास और ग्रेडिएंट डिसेंट के बीच का पत्राचार है।

प्रत्यक्ष और अप्रत्यक्ष एन्कोडिंग
विकासवादी कलन विधि जीनोटाइप जिन्हें जीनोम भी कहा जाता है, जिसकी आबादी पर कार्य करते हैं। इस प्रकार के तंत्रिका विकास में, जीनोटाइप को तंत्रिका नेटवर्क फेनोटाइप में मैप किया जाता है जिसका मूल्यांकन उसके फिटनेस कार्य को प्राप्त करने के लिए किसी कार्य पर किया जाता है।

प्रत्यक्ष एन्कोडिंग योजनाओं में जीनोटाइप सीधे फेनोटाइप पर मैप होता है। तंत्रिका नेटवर्क में प्रत्येक न्यूरॉन और कनेक्शन सीधे और स्पष्ट रूप से जीनोटाइप में निर्दिष्ट होता है। इसके विपरीत, अप्रत्यक्ष एन्कोडिंग योजनाओं में जीनोटाइप अप्रत्यक्ष रूप से निर्दिष्ट करता है कि नेटवर्क कैसे उत्पन्न किया जाना चाहिए।

अप्रत्यक्ष एन्कोडिंग का उपयोग अधिकांशतः कई उद्देश्यों को प्राप्त करने के लिए किया जाता है:
 * मॉड्यूलैरिटी और अन्य नियमितताएं पायी जाती हैं,
 * फेनोटाइप को छोटे जीनोटाइप में संपीड़ित करना, छोटा खोज स्थान प्रदान करना सम्मिलित हैं,
 * खोज स्थान (जीनोम) को समस्या डोमेन पर मैप करना सम्मिलित हैं।

अप्रत्यक्ष एन्कोडिंग के लिए भ्रूणजन्य प्रणालियों का वर्गीकरण
परंपरागत रूप से अप्रत्यक्ष एन्कोडिंग जो कृत्रिम भ्रूणविज्ञान जिसे कृत्रिम विकास के रूप में भी जाना जाता है, जिसको व्याकरणिक दृष्टिकोण बनाम कोशिका रसायन विज्ञान दृष्टिकोण से वर्गीकृत किया गया है। इसके पूर्व व्याकरणिक पुनर्लेखन प्रणालियों के रूप में नियमों के सेट विकसित करता है। इस प्रकार इसके उत्तरार्द्ध समय में यह नकल करने का प्रयास करता है कि जीन अभिव्यक्ति के माध्यम से जीव विज्ञान में भौतिक संरचनाएं कैसे उभरती हैं। इसके आधार पर अप्रत्यक्ष एन्कोडिंग प्रणालियाँ अधिकांशतः दोनों दृष्टिकोणों के पहलुओं का उपयोग करती हैं।

स्टेनली और मिइक्कुलैनेन भ्रूणजन्य प्रणालियों के लिए वर्गीकरण का प्रस्ताव करें जिसका उद्देश्य उनके अंतर्निहित गुणों को प्रतिबिंबित करना है। इस प्रकार के वर्गीकरण को पांच सतत आयामों के साथ पहचाना जाता है, जिसके साथ किसी भी भ्रूणीय प्रणाली को रखा जा सकता है:
 * कोशिका (न्यूरॉन) भाग्य: परिपक्व फेनोटाइप में कोशिका की अंतिम विशेषताएँ और भूमिका हैं। यह आयाम किसी कोशिका के भाग्य का निर्धारण करने के लिए उपयोग की जाने वाली विधियों की संख्या की गणना करता है।
 * लक्ष्यीकरण: वह विधि जिसके द्वारा कनेक्शन को स्रोत कोशिकाओं से लक्ष्य कोशिकाओं तक निर्देशित किया जाता है। यह विशिष्ट लक्ष्यों को भेदने के आधार पर स्रोत और लक्ष्य स्पष्ट रूप से पहचाने जाते हैं, जिससे लेकर सापेक्ष लक्ष्यीकरण को उदाहरण के रूप में दूसरे के सापेक्ष कोशिकाओं के स्थानों के आधार तक सम्मिलित किया जाता है।
 * हेटेरोक्रोनी: भ्रूणजनन के दौरान घटनाओं का समय और घटना क्रम के आधार पर माना जाता हैं। इन घटनाओं के समय के परिवर्तन के लिए तंत्रों की संख्या की गणना करता है।
 * कैनालाइज़ेशन: जीनोम उत्परिवर्तन (भंगुरता) के प्रति कितना सहनशील है। सटीक जीनोटाइपिक निर्देशों की आवश्यकता से लेकर सटीक उत्परिवर्तन की उच्च सहनशीलता तक होती है।
 * जटिलीकरण: समय के साथ जीनोम (और इसलिए फेनोटाइप) के जटिलीकरण की अनुमति देने के लिए सिस्टम की क्षमता को विकासवादी कलन विधि और जीनोटाइप से फेनोटाइप मैपिंग सहित सम्मिलित किया जा सकता हैं। जिसके लिए केवल निश्चित आकार के जीनोम की अनुमति देने से लेकर अत्यधिक परिवर्तनशील लंबाई वाले जीनोम की अनुमति देने तक अभिव्यक्त किया जाता हैं।

उदाहरण
तंत्रिका विकास विधियों के उदाहरण (प्रत्यक्ष एन्कोडिंग वाले आवश्यक रूप से गैर-भ्रूणजनित होते हैं):

यह भी देखें

 * स्वचालित मशीन लर्निंग (ऑटोएमएल)
 * विकासवादी संगणना
 * ऑगमेंटिंग टोपोलॉजी का तंत्रिका विकास (एनईएटी)
 * नूजेनेसिस
 * हाइपरनीट (एनईएटी का जनरेटिव संस्करण)
 * तंत्रिका टोपोलॉजी का विकासवादी अधिग्रहण (ईएएनटी/ईएएनटी2)

बाहरी संबंध

 * (has downloadable papers on एनईएटी and applications)
 * mature Open Source neuroevolution project implemented in C#/.Net.
 * ANNEvolve is an Open Source AI Research Project (Downloadable source code in C and Python with a tutorial & miscellaneous writings and illustrations
 * Web page on evolutionary learning with EANT/EANT2] (information and articles on EANT/EANT2 with applications to robot learning)
 * NERD Toolkit. The Neurodynamics and Evolutionary Robotics Development Toolkit. A free, open source software collection for various experiments on neurocontrol and neuroevolution. Includes a scriptable simulator, several neuro-evolution algorithms (e.g. ICONE), cluster support, visual network design and analysis tools.
 * Source code for the DXNN Neuroevolutionary system.
 * Source code for the DXNN Neuroevolutionary system.