कार्यशील स्मृति वहाँ, जहाँ अंक नहीं, बल्कि परिमाण मायने रखता है
एक सतत चर — घूर्णन कोण, गति, कर्सर की स्थिति, दबाव की तीव्रता — को मन में बनाए रखना और उसे सहजता से समायोजित करते रहना: यह शायद कार्यशील स्मृति की सबसे ईमानदार परीक्षा है। "सात" को याद रखना कठिन नहीं है, लेकिन किसी परिमाण को उसकी स्वाभाविक सीमाओं के बिना बनाए रखना, जो किसी भी अत्यंत सूक्ष्म अंश तक खिसक सके, बिल्कुल अलग श्रेणी का कार्य है।
कृत्रिम नेटवर्कों का इसके साथ संबंध ऐतिहासिक रूप से तनावपूर्ण रहा है। सतत आकर्षकों वाले मॉडल — यानी ऐसी स्थिर अवस्थाएँ जो कुछ अलग-अलग बिंदुओं का समूह नहीं, बल्कि एक चिकनी सतह बनाती हैं — बड़ी कमज़ोर बुनियाद पर टिके होते हैं: पैरामीटर ज़रा-सा खिसकाइए, और व्यवहार बिखर जाता है।
परिचित आवर्तक आर्किटेक्चर अवस्था को "क्वांटाइज़" क्यों कर देते हैं
मानक आवर्तक समाधान, जिनमें GRU और LSTM भी शामिल हैं, आमतौर पर सतत बहुविधाएँ सीख ही नहीं पाते। सातत्य के बजाय वे अवस्था-स्थान को अलग-अलग बिंदु-आकर्षकों में तोड़ देते हैं: नेटवर्क मानो इनपुट को निकटतम "ताक़ पर" गोल कर देता है। वर्गीकरण के लिए यह सुविधाजनक है, परिमाणात्मक अनुमान के लिए यह मृत्युदंड है।
शोधकर्ताओं की एक टीम (Zhaotian Gu, Jie Su, Weiwei Wang, Chang Liu, Tianyi Qian, Dahui Wang) ने इसे आर्किटेक्चर को और जटिल बनाकर नहीं, बल्कि एक विशिष्ट संगणनात्मक तकनीक से ठीक करने का प्रस्ताव रखा। यह कार्य Transactions on Machine Learning Research (अगस्त 2026) में प्रकाशित हुआ, और प्रीप्रिंट arXiv:2608.01947 के रूप में q-bio.NC, cs.AI तथा cs.NE अनुभागों में उपलब्ध है।
घटाने के बजाय भाग: न्यूनतम मॉडल
यह विचार तंत्रिका-जीवविज्ञान से आया। भाग (divisive normalization) एक विहित संक्रिया है जो कॉर्टिकल परिपथों में सर्वत्र देखी जाती है, और लेखकों ने इसके इर्द-गिर्द एक न्यूनतम, बीजगणितीय रूप से पृथक आवर्तक नेटवर्क बनाया — Recurrent Divisive Normalization Network, संक्षेप में RDNN। इसके भीतर कुछ भी अनावश्यक नहीं है: केवल भाग की गतिकी और वह सब जो उसके साथ जुड़ा है।
आगे — संगणनात्मक तंत्रिका-जीवविज्ञान की मानक चाल: कार्यशील स्मृति के चिरसम्मत कार्यों पर गतिक तंत्रों का विश्लेषण। और यहाँ जैव-भौतिक बाधा अप्रत्याशित रूप से लाभ में बदल जाती है। नेटवर्क उच्च परिशुद्धता वाली स्थिर धीमी बहुविधाओं की ओर अभिसरित होता है: प्रक्षेपपथ बिखरते नहीं, बल्कि एक संकीर्ण सतह पर बैठ जाते हैं और उस पर सहजता से चलते हैं।
ग्रेडिएंट का क्या होता है
इस कार्य का एक अलग प्रकरण है — समय के साथ पश्चप्रसार (BPTT) द्वारा प्रशिक्षण का विश्लेषण। भाग ग्रेडिएंट का एक स्थानीय मापन जोड़ता है, जो वर्तमान सक्रियता पर निर्भर करता है: ब्लॉक जितना अधिक उत्तेजित होगा, पैरामीटर अद्यतन उतना ही संयत मिलेगा। इस प्रकार एक अंतर्निहित ब्रेक बन जाता है, जो ठीक वहीं लगता है जहाँ उसकी आवश्यकता होती है।
प्रभाव देखने योग्य है: नेटवर्क की प्रभावी रैंक स्वयं सिकुड़ जाती है, और आवर्तक गतिकी एक संकीर्ण निम्न-आयामी उपसमष्टि में बंद हो जाती है। साथ ही लेखक स्पष्ट निम्न-रैंक गुणनखंडन से अंतर पर ज़ोर देते हैं — वहाँ ऐसी बाधा अक्सर अनुकूलन-संबंधी विकृतियों को जन्म देती है, जबकि यहाँ वह स्वयं उत्पन्न होती है, सक्रियता के एक पार्श्व प्रभाव के रूप में।
अपघटन: भाग के बिना बहुविधा बिखर जाती है
सबसे अर्थपूर्ण भाग है — घटाव-आधारित निरोध से तुलना। ऐसा प्रतिस्थापन स्थिर स्मृतियों को बनाए रखना जानता है: किसी अचल बिंदु को सुरक्षित रखना कोई समस्या नहीं। लेकिन जैसे ही इनपुट संकेत समय के साथ बदलने लगते हैं, बहुविधा "टूट जाती है" (manifold shattering) — सातत्य ठीक वहीं लुप्त हो जाता है जहाँ उसकी सबसे अधिक आवश्यकता होती है।
इससे वह निष्कर्ष निकलता है जिसे ध्यान में रखना चाहिए: भाग कोई जैविक विचित्रता नहीं है जो कॉर्टेक्स से विरासत में मिली हो, बल्कि एक कार्यशील संगणनात्मक तंत्र है। इसकी आवश्यकता इसलिए है ताकि नेटवर्क उच्च-परिशुद्धता वाले सतत निरूपण सीख सके, न कि केवल सुव्यवस्थित विविक्तीकरण।
व्यवहार में इसका क्या करें
व्यावहारिक अर्थ यह नहीं है कि सभी आवर्तक मॉडलों को तुरंत फिर से लिखा जाए। यह बल्कि एक अनुस्मारक है: सामान्यीकरण केवल प्रशिक्षण की स्थिरता और केवल नियमितीकरण के बारे में नहीं है। यह आंतरिक अवस्था-स्थान की ज्यामिति निर्धारित करने का एक तरीका है, और इसमें भाग का घटाव पर स्पष्ट लाभ है।
यदि कार्य में किसी सतत परिमाण को बनाए रखना और उसे सहजता से अद्यतन करना आवश्यक हो — नियंत्रण में, ट्रैकिंग में, "कौन-सा" के बजाय "कितना" वाले किसी भी तंत्र में — तो गुणात्मक सामान्यीकरण वाली योजनाओं पर ध्यान देना उचित है। कीमत न्यूनतम है, और बदले में नेटवर्क उस चीज़ को गोल करना बंद कर देता है जिसे गोल नहीं करना चाहिए था।
