深度强化学习智能体的自适应斑块觅食
人工智能
2023-04-24 v2 神经元与认知
摘要
斑块觅食是生物学中研究最深入的行为优化挑战之一。然而，尽管其对生物智能十分重要，这一行为优化问题在人工智能研究中却未受充分关注。斑块觅食尤其适于研究，因其具有已知的最优解，而鉴于当前深度强化学习技术的局限，该最优解可能难以被发现。在此，我们研究生态斑块觅食任务中的深度强化学习智能体。我们首次表明，机器学习智能体能够学习以类似于生物觅食者的模式进行自适应斑块觅食，并在考虑时间折扣时接近最优斑块觅食行为。最后，我们展示了这些智能体中涌现的内部动态，类似于来自觅食非人灵长类动物的单单元记录，这补充了关于生物觅食神经机制的实验与理论工作。本工作表明，在具有生态有效压力的复杂环境中交互的智能体会得出共同的解决方案，暗示了生物与人工智能体中自适应智能行为背后基础计算的出现。
引用
@article{arxiv.2210.08085,
title = {Adaptive patch foraging in deep reinforcement learning agents},
author = {Nathan J. Wispinski and Andrew Butcher and Kory W. Mathewson and Craig S. Chapman and Matthew M. Botvinick and Patrick M. Pilarski},
journal= {arXiv preprint arXiv:2210.08085},
year = {2023}
}
备注
Published in Transactions on Machine Learning Research (TMLR). See: https://openreview.net/pdf?id=a0T3nOP9sB