Reinforcement learning in artificial neural network inspired by dopaminergic pathway

Niniejsza praca bada integrację wiedzy na temat jąder podstawy oraz szlaków dopaminergicznych z głębokim uczeniem ze wzmocnieniem (Deep Reinforcement Learning, DRL) w celu rozwiązania takich wyzwań, jak dylemat eksploracji-eksploatacji. Chociaż DRL osiągnęło sukcesy w różnych dziedzinach, nadal brakuje mu adaptacyjnej efektywności obserwowanej w systemach biologicznych. W badaniu opracowano ramy integracji wiedzy o mechanizmach neuronalnych w paradygmat DRL, proponując hybrydową architekturę łączącą głęboki Q-Learning z adaptacyjną kontrolą eksploracji inspirowaną interakcjami korowo-podstawnymi.

This thesis investigates the integration of biological insights from the basal ganglia and dopaminergic pathways into Deep Reinforcement Learning (DRL) to address challenges like the exploration-exploitation trade-off. While DRL has achieved success in various domains it lacks the adaptive efficiency observed in biological systems. The study develops a framework for incorporating insights from research on neural mechanisms into DRL, by proposing a hybrid architecture combining deep Q-Learning with adaptive exploration control inspired by cortico-basal interactions.