使用深度神经网络了解人类的超级控制及其病理

科学领域:

• 认知神经科学 认知神经科学
• 计算精神病学是一种计算精神病学.
• 人工智能的人工智能

背景情况:

• 错误监控对于评估环境可控性和估计元控制的价值至关重要.
• 超级控制涉及更高层次的认知过程,调节较低层次的控制机制.
• 了解元控的神经和行为相关性对于认知科学和临床应用都至关重要.

研究的目的:

• 通过使用计算模拟来研究错误监测和元控制的行为和神经相关性.
• 探索深度神经网络 (DNN) 作为研究元控制的模型系统的实用性.
• 检查环境可控性的错误估计如何影响行为,并可能模拟人类的心理特征.

主要方法:

• 利用深度强化学习 (RL) 代理人和人类参与者进行奖励导向学习任务.
• 该任务涉及适应动态变化的行动可控性.
• 训练有素的RL代理人可以明确预测动作预测错误,模仿中间前额叶皮质活动.

主要成果:

• 只有当他们被训练来预测行动预测错误时,RL代理才能成功执行任务.
• 经过训练的RL药物表现出与人类观察到的可比的元控制特征.
• 过度或低估RL药物的可控性导致了反映人类抑郁,焦虑或强迫性特征的行为病理.

结论:

• 深度神经网络可以作为建模元控制过程的宝贵工具.
• 对行动预测错误的明确预测对于开发元控制人工智能代理来说至关重要.
• 超级控制的计算模型可以提供对人类心理状况背后的机制的见解.