神经元回路策略
神经元与认知
2018-03-26 v1 人工智能
机器学习
神经与进化计算
摘要
我们提出了一种创建可解释控制智能体的有效方法，通过重新赋予生物神经回路模型以功能，来控制模拟和真实世界的强化学习（RL）测试平台。我们对线虫（C. elegans）的轻触退缩（TW）神经回路进行了建模，该回路负责线虫对外部机械触摸刺激的反射性反应，并学习其突触和神经元参数作为控制基本RL任务的策略。我们还通过部署在模拟环境中学习到的此类神经元回路策略，自主地将一辆真实的漫游车机器人停在预定义轨迹上。为了重新配置TW神经回路的功能，我们采用了一种基于搜索的RL算法。我们表明，我们的神经元策略表现与深度神经网络策略一样好，且具有在细胞水平上实现可解释动力学的优势。
引用
@article{arxiv.1803.08554,
title = {Neuronal Circuit Policies},
author = {Mathias Lechner and Ramin M. Hasani and Radu Grosu},
journal= {arXiv preprint arXiv:1803.08554},
year = {2018}
}