docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,270 @@
|
||||
---
|
||||
id: wiki-2026-0508-computational-neuroscience-rl
|
||||
title: Computational Neuroscience & Reinforcement Learning
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [computational neuroscience RL, dopamine RPE, TD learning, basal ganglia, distributional RL, meta-RL]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [neuroscience, reinforcement-learning, dopamine, td-learning, distributional-rl, meta-learning, schultz, bayesian-brain]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: neuroscience / RL
|
||||
applicable_to: [RL Algorithms, Brain Disease Models, Bio-Inspired AI]
|
||||
---
|
||||
|
||||
# Computational Neuroscience & RL
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 dopamine = 매 reward prediction error"**. Schultz 의 finding (1990s) → 매 TD-learning 의 mathematical equivalent. 매 brain ↔ AI 의 deepest connection. 매 modern: distributional RL, model-based, meta-RL.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### Schultz 의 dopamine
|
||||
- 매 reward 자체 X — 매 reward prediction error (RPE).
|
||||
- **Positive RPE** (better than expected): dopamine ↑.
|
||||
- **Negative RPE** (worse): dopamine ↓.
|
||||
- → 매 TD-error 의 exact match.
|
||||
|
||||
### TD Learning (Sutton-Barto)
|
||||
- $\delta_t = r_t + \gamma V(s_{t+1}) - V(s_t)$
|
||||
- 매 update: $V(s_t) \leftarrow V(s_t) + \alpha \delta_t$
|
||||
- 매 dopamine 신호 = 매 δ.
|
||||
|
||||
### 매 brain 의 RL circuit
|
||||
- **Basal ganglia**: 매 action selection (actor).
|
||||
- **VTA / SNc**: 매 dopamine source.
|
||||
- **Striatum**: 매 value function (critic).
|
||||
- **Prefrontal cortex**: 매 model-based planning.
|
||||
- **Hippocampus**: 매 episodic / replay.
|
||||
|
||||
### 매 modern findings
|
||||
|
||||
#### Distributional RL (Bellemare 2017, Dabney 2020)
|
||||
- 매 single value X — 매 distribution over rewards.
|
||||
- **Quantile Regression DQN, IQN**.
|
||||
- 매 brain 의 dopamine 의 distributional code.
|
||||
- 매 risk-sensitive.
|
||||
|
||||
#### Model-based RL
|
||||
- 매 prefrontal cortex 의 simulate.
|
||||
- 매 Dreamer, MuZero.
|
||||
- 매 sample efficiency.
|
||||
|
||||
#### Meta-RL
|
||||
- 매 prefrontal cortex 의 fast adaptation.
|
||||
- 매 PEARL, RL².
|
||||
|
||||
#### Successor representation
|
||||
- 매 hippocampus 의 cognitive map.
|
||||
- 매 transfer learning.
|
||||
|
||||
#### Replay
|
||||
- 매 hippocampus 의 sleep replay.
|
||||
- 매 RL 의 Experience Replay.
|
||||
|
||||
### 매 disease modeling
|
||||
- **Parkinson's**: 매 dopamine deficit → 매 RL 의 LR ↓.
|
||||
- **Addiction**: 매 RPE 의 hijack ([[Addiction Neuroscience]]).
|
||||
- **Depression**: 매 negative RPE bias.
|
||||
- **OCD**: 매 model-based 의 over-engaged.
|
||||
- **Schizophrenia**: 매 prediction error precision 의 alter.
|
||||
|
||||
### 매 응용
|
||||
1. **AI design**: 매 brain-inspired RL.
|
||||
2. **Drug development**: 매 dopamine modulator.
|
||||
3. **BCI**: 매 reward signal interface.
|
||||
4. **Behavioral therapy**: 매 RPE 의 reframe.
|
||||
5. **Marketing / nudge**: 매 reward schedule design.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### TD(0) value learning
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
class TDLearner:
|
||||
def __init__(self, n_states, alpha=0.1, gamma=0.95):
|
||||
self.V = np.zeros(n_states)
|
||||
self.alpha = alpha
|
||||
self.gamma = gamma
|
||||
|
||||
def update(self, state, reward, next_state):
|
||||
td_error = reward + self.gamma * self.V[next_state] - self.V[state]
|
||||
self.V[state] += self.alpha * td_error
|
||||
return td_error # 매 dopamine 신호 의 analog
|
||||
```
|
||||
|
||||
### Q-Learning (off-policy)
|
||||
```python
|
||||
class QLearner:
|
||||
def __init__(self, n_states, n_actions, alpha=0.1, gamma=0.95, eps=0.1):
|
||||
self.Q = np.zeros((n_states, n_actions))
|
||||
self.alpha, self.gamma, self.eps = alpha, gamma, eps
|
||||
|
||||
def act(self, state):
|
||||
if np.random.random() < self.eps:
|
||||
return np.random.randint(self.Q.shape[1])
|
||||
return self.Q[state].argmax()
|
||||
|
||||
def update(self, s, a, r, s_next):
|
||||
td_target = r + self.gamma * self.Q[s_next].max()
|
||||
self.Q[s, a] += self.alpha * (td_target - self.Q[s, a])
|
||||
```
|
||||
|
||||
### Distributional RL (C51)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
class C51(nn.Module):
|
||||
def __init__(self, n_actions, n_atoms=51, v_min=-10, v_max=10):
|
||||
super().__init__()
|
||||
self.n_atoms = n_atoms
|
||||
self.support = torch.linspace(v_min, v_max, n_atoms)
|
||||
self.delta_z = (v_max - v_min) / (n_atoms - 1)
|
||||
self.net = nn.Sequential(
|
||||
nn.Linear(state_dim, 128), nn.ReLU(),
|
||||
nn.Linear(128, n_actions * n_atoms),
|
||||
)
|
||||
|
||||
def forward(self, state):
|
||||
logits = self.net(state).view(-1, n_actions, self.n_atoms)
|
||||
probs = F.softmax(logits, dim=-1)
|
||||
return probs # 매 distribution per action
|
||||
|
||||
def q_values(self, state):
|
||||
probs = self(state)
|
||||
return (probs * self.support).sum(-1)
|
||||
```
|
||||
|
||||
### Eligibility trace (TD(λ))
|
||||
```python
|
||||
class TDLambda:
|
||||
def __init__(self, n_states, alpha=0.1, gamma=0.95, lam=0.9):
|
||||
self.V = np.zeros(n_states)
|
||||
self.e = np.zeros(n_states) # 매 eligibility trace
|
||||
self.alpha = alpha
|
||||
self.gamma = gamma
|
||||
self.lam = lam
|
||||
|
||||
def update(self, state, reward, next_state):
|
||||
td_error = reward + self.gamma * self.V[next_state] - self.V[state]
|
||||
self.e *= self.gamma * self.lam
|
||||
self.e[state] += 1
|
||||
self.V += self.alpha * td_error * self.e
|
||||
```
|
||||
|
||||
### Successor representation
|
||||
```python
|
||||
def learn_sr(transitions, n_states, alpha=0.05, gamma=0.95):
|
||||
"""매 SR(s, s') = expected discounted future visits to s'."""
|
||||
M = np.eye(n_states)
|
||||
|
||||
for s, s_next in transitions:
|
||||
I = np.eye(n_states)[s_next]
|
||||
M[s] += alpha * (I + gamma * M[s_next] - M[s])
|
||||
|
||||
return M
|
||||
|
||||
# 매 V(s) = 매 M(s, .) @ R
|
||||
```
|
||||
|
||||
### Brain-inspired Dreamer (model-based)
|
||||
```python
|
||||
class Dreamer:
|
||||
def __init__(self):
|
||||
self.world_model = WorldModel() # 매 prefrontal-like
|
||||
self.actor = Actor()
|
||||
self.critic = Critic()
|
||||
|
||||
def imagine(self, init_state, horizon=15):
|
||||
"""매 simulate trajectory in world model."""
|
||||
states, actions, rewards = [init_state], [], []
|
||||
for _ in range(horizon):
|
||||
a = self.actor(states[-1])
|
||||
s_next, r = self.world_model(states[-1], a)
|
||||
actions.append(a)
|
||||
rewards.append(r)
|
||||
states.append(s_next)
|
||||
return states, actions, rewards
|
||||
|
||||
def train(self, real_trajectories):
|
||||
# 매 1. world model 의 train (predict next + reward)
|
||||
self.world_model.train(real_trajectories)
|
||||
|
||||
# 매 2. actor + critic 의 imagined trajectory 의 train
|
||||
for _ in range(updates):
|
||||
init = random.choice(real_trajectories)[0]
|
||||
states, actions, rewards = self.imagine(init)
|
||||
self.critic.train(states, rewards)
|
||||
self.actor.train(states, self.critic)
|
||||
```
|
||||
|
||||
### Disease modeling (Parkinson's)
|
||||
```python
|
||||
def parkinson_simulation(td_learner, dopamine_deficit=0.5):
|
||||
"""매 dopamine deficit = 매 effective LR ↓."""
|
||||
td_learner.alpha *= (1 - dopamine_deficit)
|
||||
# 매 result: 매 slow learning, 매 reduced motivation.
|
||||
```
|
||||
|
||||
### RPE-based UI feedback (gamification done right)
|
||||
```python
|
||||
def calibrate_reward(expected, actual):
|
||||
"""매 user 의 expected vs actual 의 explicit feedback."""
|
||||
rpe = actual - expected
|
||||
if rpe > 0.3:
|
||||
return 'GREAT — exceeded expectations!'
|
||||
elif rpe < -0.3:
|
||||
return 'Try again — fell short.'
|
||||
return 'On track.'
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 응용 | Approach |
|
||||
|---|---|
|
||||
| Discrete env | Q-Learning / DQN |
|
||||
| Continuous | DDPG / SAC |
|
||||
| High-dim state | DQN / Rainbow |
|
||||
| Model-based | Dreamer / MuZero |
|
||||
| Risk-sensitive | Distributional RL |
|
||||
| Sparse reward | Curiosity / RND |
|
||||
| Few-shot | Meta-RL |
|
||||
| Brain disease modeling | RPE + lesion |
|
||||
|
||||
**기본값**: 매 PPO / SAC + 매 distributional / replay. 매 brain-inspired = Dreamer.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Reinforcement-Learning]] · [[Computational-Neuroscience-RL|Computational-Neuroscience]]
|
||||
- 변형: [[TD-Learning]] · [[Distributional-RL]] · [[Meta-RL]]
|
||||
- 응용: [[Disease-Modeling]]
|
||||
- Adjacent: [[Bayesian-Brain-Hypothesis]] · [[Biological-Intelligence]] · [[Addiction Neuroscience]] · [[Brain-Derived Neurotrophic Factor (BDNF)]]
|
||||
- Concept: [[Reward Prediction Error]] · [[Dopamine]] · [[Basal-Ganglia]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 RL algorithm design. 매 brain-inspired AI. 매 disease model. 매 reward schedule.
|
||||
**언제 X**: 매 supervised pure problem. 매 specific clinical decision (의사).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Scalar reward 의 only**: 매 distributional 의 lose.
|
||||
- **No model (always free)**: 매 sample inefficient.
|
||||
- **TD-error 의 noise**: 매 unstable.
|
||||
- **Over-claim biological literal**: 매 metaphor 가 대부분.
|
||||
- **Disease cure expectation from model**: 매 simulation 의 limit.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Schultz dopamine, Sutton-Barto RL book, Dabney distributional, Hafner Dreamer).
|
||||
- 신뢰도 A.
|
||||
- Related: [[Bayesian-Brain-Hypothesis]] · [[Biological-Intelligence]] · [[Addiction Neuroscience]] · [[Brain-Derived Neurotrophic Factor (BDNF)]] · [[Reinforcement-Learning]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Schultz + TD + 매 distributional / SR / Dreamer code + disease |
|
||||
Reference in New Issue
Block a user