Vurulu sinir ağlarında pekiştirmeli öğrenme için bazal ganglion aktör-kritik mimarisinin modellenmesi

İnsan beyninin karmaşık işlevlerinden esinlenen nöromorfik hesaplama, gelişmiş nöron dinamikleri ve sinaptik etkileşim modelleri aracılığıyla beynin etkin hesaplama yeteneğini taklit etmeyi amaçlamaktadır. Bu alandaki temel bir zorluk, Vuru Zamanı Bağımlı Esneklik (İng. STDP) gibi yerel sinaptik değişiklikleri tanımlayan öğrenme mekanizmalarını, daha karmaşık, sistem genelinde süreçleri kapsayacak şekilde genişletmektir. Bu araştırma özellikle, karar verme ve ödül temelli öğrenmede kritik bir rol oynayan bazal gangliyonların ve dopaminerjik pekiştirmeli öğrenmenin rolüne odaklanmaktadır. Bu çalışma, Vurulu Sinir Ağları (İng. SNN) üzerinde bazal gangliyonların dopaminerjik öğrenme mekanizmalarını uygulayarak ve analiz ederek, bu ağların öğrenme yeteneklerini artırmayı amaçlamaktadır. Çalışmamız, bu mekanizmaların detaylı hesaplamalı modellemesine derinlemesine dalarken, pekiştirme sinyalleri aracılığıyla dizi öğrenme gibi karmaşık öğrenme görevlerini kolaylaştırma potansiyelini vurgulamaktadır. Bu araştırmadan elde edilen içgörüler, yapay sistemlerde nöral işleme ve öğrenme üzerine daha derin bir anlayış katkıda bulunmakta ve daha sofistike, biyolojik süreçlerden ilham almış hesaplama mimarileri için ileriye doğru bir adım niteliğindedir.