31 lines
2.4 KiB
Markdown
31 lines
2.4 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-CNRL-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.94
|
|
tags: [auto-reinforced, computational-neuroscience, reinforcement-learning, dopamine, brain-model, reward-prediction-error, neuroscience]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Computational-Neuroscience-RL]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "지능의 생물학적 뿌리: 뇌의 도파민 시스템이 어떻게 '보상 예측 오차'를 계산하여 유기체의 행동을 최적화하는지 수학적으로 분석하여, 인간의 학습 메커니즘과 AI 강화학습 알고리즘 사이의 연결 고리를 밝히는 학문."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
강화학습의 계산 신경과학(Computational-Neuroscience-RL)은 뇌의 보상 시스템과 학습 알고리즘 사이의 상호 작용을 연구합니다.
|
|
|
|
1. **도파민과 보상 예측 오차(RPE)**:
|
|
* **Schultz의 발견**: 도파민 뉴런은 보상 그 자체보다 '기대했던 보상과 실제 보상의 차이'에 반응함.
|
|
* **TD-Learning 연동**: 이는 인공지능의 시간차 학습(Temporal Difference Learning) 방식과 수학적으로 정확히 일치함. (Reinforcement Learning (RL)와 연결)
|
|
2. **왜 중요한가?**:
|
|
* AI 알고리즘이 단순히 수학적 기교가 아니라 생물학적 타당성(Biological Plausibility)을 갖췄음을 증명하며, 역으로 뇌 질환(중독, 파킨슨 등)을 이해하는 강력한 모델을 제공하기 때문임. (Research-Framework와 연결)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 단순 보상 정책(Scalar reward)만 중요하게 여겼으나, 현대 정책은 뇌가 미래의 다양한 가능성 정책을 한꺼번에 시뮬레이션하는 '분포적 강화학습(Distributional RL) 정책'을 사용한다는 사실을 발견함(RL Update).
|
|
- **정책 변화(RL Update)**: 이제는 단순 보상을 넘어, 모델 기반(Model-based) 사고와 전전두엽(PFC)의 메타 학습 정책(Meta-learning)을 통해 AI 가 어떻게 인간처럼 적은 데이터로도 빠르게 일반화 정책을 수행하는지 연구하는 방향으로 진화 중임. (Generalization와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Reinforcement Learning (RL)]], [[Research-Framework]], Generalization, [[State-Space]], [[Sensitivity-Analysis]]
|
|
- **Key Concepts**: Basal ganglia, Dopamine, Reward Prediction Error (RPE).
|
|
---
|