아세틸콜린 조절 기반 predecessor feature 학습이 보상 이후 탐색을 가능하게 한다
저희 연구팀의 논문 “Eligibility-trace–gated depression in predecessor feature learning enables post-reward exploration”이 출판되었습니다.
이번 연구에서는 아세틸콜린(ACh) 조절을 반영한 predecessor feature learning 모델을 제안하고, 보상 이후에도 환경을 유연하게 탐색할 수 있는 계산 원리를 분석했습니다.
n-arm radial maze 시뮬레이션 결과, 기존 PF 모델은 보상 후 탐색 조건에서 한계를 보인 반면, ACh-PF 모델은 적절한 조절 강도에서 탐색 성능을 크게 향상시켰습니다. 다만 환경이 복잡해질수록 효과적인 조절 범위는 좁아졌습니다.
논문은 아래 링크에서 확인하실 수 있습니다.
