AI-læringsteknik kan illustrere funktionen af ​​belønningsveje i hjernen

Et team af forskere fra DeepMind, University College og Harvard University har fundet ud af, at erfaringer med at anvende læringsteknikker til AI-systemer kan hjælpe med at forklare, hvordan belønningsveje fungerer i hjernen. I deres papir offentliggjort i tidsskriftet Natur , gruppen beskriver sammenligning af distributionsmæssig forstærkningslæring i en computer med dopaminbehandling i musehjernen, og hvad de lærte af det.

Tidligere forskning har vist, at dopamin produceret i hjernen er involveret i belønningsbehandling - det produceres når noget godt sker, og dets udtryk resulterer i følelser af nydelse. Nogle undersøgelser har også antydet, at neuronerne i hjernen, der reagerer på tilstedeværelsen af ​​dopamin, alle reagerer på samme måde - en begivenhed får en person eller en mus til at føle sig enten god eller dårlig. Andre undersøgelser har antydet, at neuronal respons er mere en gradient. I denne nye indsats, forskerne har fundet beviser, der understøtter sidstnævnte teori.

Distributionel forstærkningslæring er en type maskinlæring baseret på forstærkning. Det bruges ofte, når man designer spil som Starcraft II eller Go. Den holder styr på gode træk kontra dårlige træk og lærer at reducere antallet af dårlige træk, forbedrer dens ydeevne, jo mere den spiller. Men sådanne systemer behandler ikke alle gode og dårlige træk ens – hvert træk vægtes, efterhånden som det er registreret, og vægtene er en del af de beregninger, der bruges, når du foretager fremtidige trækvalg.

Forskere har bemærket, at mennesker ser ud til at bruge en lignende strategi til at forbedre deres spilleniveau, såvel. Forskerne i London havde mistanke om, at lighederne mellem AI-systemerne og den måde, hjernen udfører belønningsbehandling på, sandsynligvis var ens, såvel. For at finde ud af, om de var korrekte, de udførte forsøg med mus. De indsatte enheder i deres hjerner, der var i stand til at optage reaktioner fra individuelle dopaminneuroner. Musene blev derefter trænet til at udføre en opgave, hvor de modtog belønninger for at reagere på en ønsket måde.

Museneuron-reaktionerne afslørede, at de ikke alle reagerede på samme måde, som tidligere teori havde forudsagt. I stedet, de reagerede på pålidelige forskellige måder - en indikation af, at niveauet af nydelse, som musene oplevede, var mere en gradient, som holdet havde forudsagt.

© 2020 Science X Network