Hipokampal ve striatal katkılarla pekiştirmeli öğrenme kullanarak beyin esinli robot gezinim

Bu tez, bir mobil robotun beyin esinli "dijital davranışsal ikizlerini" geliştirerek uzamsal yönsemenin ikili sistem teorisini araştırmaktadır. Simüle edilmiş bir çift H-şekilli labirentte iki pekiştirmeli öğrenme (PÖ) ajanı uyguladık: striatal model-serbest (egosentrik) sistemi taklit etmek için bir Derin Q-Ağı (DQN) ve hipokampal model-tabanlı (allosentrik) sistem için bir Proksimal Politika Optimizasyonu (PPO) ajanı. Nöromodülatörlere (örneğin, indirim faktörü, keşif) benzer hiperparametreleri sistematik olarak ayarladık ve robotun başlangıç pozisyonunun eğitimden sonra değiştirildiği bir sondaj deneyi paradigması kullanarak yönseme stratejilerini değerlendirdik. Sonuçlarımız, DQN ajanının katı, alışkanlığa dayalı bir strateji benimsediğini ve sondaj deneyinde başarısız olduğunu göstermektedir. Buna karşılık, PPO ajanı esnek, allosentrik bir bilişsel harita geliştirerek yeni başlangıç noktasından başarıyla yönsemiştir. Önemli bir bulgu olarak, belirli hiperparametre ayarlamaları klinik profillere benzer davranışları yeniden üretmiştir: miyopik, aşırı keşifçi bir DQN, DEHB özelliklerini yansıtırken, daha az sağlam bir haritaya sahip bir PPO, OSB'ye benzer şekilde ipucuna bağımlılık göstermiştir. Bu çalışma, PÖ mekanizmalarını yönsemenin nöral temellerine bağlayan güçlü bir hesaplamalı test ortamı oluşturmakta ve nöropsikiyatrik bozukluklardaki yönseme eksikliklerini araştırmak için yenilikçi bir çerçeve sunmaktadır.