मैककुलॉच-पिट्स न्यूरॉन मॉडल (McCulloch-Pitts Neuron Model)

मैककुलॉच-पिट्स न्यूरॉन मॉडल को 1943 में वॉरेन मैककुलॉच और वाल्टर पिट्स ने प्रस्तुत किया था। यह कृत्रिम न्यूरल नेटवर्क (Artificial Neural Network) का पहला गणितीय मॉडल था। इस मॉडल ने यह दिखाया कि कैसे न्यूरॉन्स सरल गणनाओं के माध्यम से जटिल निर्णय ले सकते हैं।

📘 न्यूरॉन की मूल संरचना:

मैककुलॉच-पिट्स न्यूरॉन एक बाइनरी मॉडल है, जिसका आउटपुट केवल दो मानों में होता है — 0 या 1। यह निर्णय आधारित है कि इनपुट सिग्नल किसी निश्चित सीमा (Threshold) से अधिक है या नहीं।

🔹 मुख्य घटक:

• इनपुट (Input): X₁, X₂, X₃ … जैसे इनपुट संकेत।
• वेट्स (Weights): प्रत्येक इनपुट का महत्व निर्धारित करते हैं।
• थ्रेशोल्ड (Threshold): निर्णय की सीमा निर्धारित करता है।
• आउटपुट (Output): यदि कुल इनपुट > थ्रेशोल्ड → आउटपुट = 1, अन्यथा 0।

🧠 गणितीय निरूपण:

Y = f(Σ(Wi * Xi) - θ)
जहाँ,
Wi = वेट्स,
Xi = इनपुट,
θ = थ्रेशोल्ड,
f = एक्टिवेशन फंक्शन (Step Function)

💡 उदाहरण:

मान लीजिए एक न्यूरॉन के दो इनपुट हैं — X₁ और X₂, जिनके वेट्स W₁=1 और W₂=1 हैं, और थ्रेशोल्ड θ = 1.5 है।

यदि X₁ = 1 और X₂ = 1 ⇒ Σ(WiXi) = 2 > 1.5 ⇒ आउटपुट = 1  
यदि X₁ = 1 और X₂ = 0 ⇒ Σ(WiXi) = 1 < 1.5 ⇒ आउटपुट = 0

📗 मॉडल की सीमाएँ:

• यह केवल रैखिक रूप से पृथक समस्याओं (Linearly Separable Problems) को हल कर सकता है।
• वजन समायोजन (Learning) की सुविधा नहीं है।
• गैर-रैखिक जटिलताओं को संभाल नहीं सकता।

📙 महत्व:

मैककुलॉच-पिट्स मॉडल ने न्यूरल नेटवर्क्स की नींव रखी। इसने यह सिद्ध किया कि गणितीय रूप से न्यूरॉन्स तार्किक कार्य (Logical Functions) जैसे AND, OR, NOT को प्रदर्शित कर सकते हैं।

📘 निष्कर्ष:

यह मॉडल सरल होते हुए भी कृत्रिम बुद्धिमत्ता के इतिहास में एक मील का पत्थर था। इसने भविष्य के डीप लर्निंग मॉडल्स के लिए वैचारिक आधार प्रदान किया।