之前强化学习理论给予了神经科学以灵感和启发：

最近在理解奖励驱动学习所涉及的机制方面取得了令人振奋的进展。这一进展部分是通过输入强化学习领域（RL）的思想来实现的。最重要的是，这种输入导致了基于RL的多巴胺能功能理论。在这里，相位多巴胺（DA）释放被解释为传达奖励预测误差（RPE）信号，这是在时间差RL算法中集中计算的意外指数。根据该理论，RPE驱动纹状体中的突触可塑性，将经验丰富的动作

- 奖励关联转化为优化的行为政策。在过去二十年中，该提案的证据稳步增加，将其作为奖励驱动学习的标准模型。

近期神经科学在前额皮质(PFC)的研究有了新发现又可以反过来指引ＲＬ：

前额皮质（PFC）研究引发了一个窘境。越来越多的证据表明，PFC实施了基于奖励的学习机制，执行与基于DA的RL相似的计算。它早已确立

PFC的各个部分代表着行动，对象和状态的期望值。最近，PFC中也出现了最近的行动和奖励的历史序列。编码的变量集以及关于PFC中神经激活的时间分布的观察结果得出结论：“PFC神经元动态[编码]转换来自奖励和

选择的历史

到对象值，从对象值到对象选择“。简而言之，PFC中的神经活动似乎反映了一组操作，它们共同构成了一个独立的RL算法。在DA旁边放置PFC，我们获得了一个包含两个完整RL系统的图片，一个利用基于活动的表示，另一个是有关突触的学习。

接下来，看这两个基于ＤＡ和ＰＦＣ的强化学习如何整合：

他俩系统之间有什么关系？如果两者都支持RL，那么它们的功能是多余的？一个建议是DA和PFC提供不同形式的学习，其中DA实现基于直接刺激 - 响应关联的无模型RL，而PFC执行基于模型的RL，其利用任务结构的内部表示。然而，这种双系统视图的一个明显问题是重复观察到DA预测误差信号是由任务结构告知的，反映了“推断的”和“基于模型的”值估计很难与原始框架的标准理论。

论文中几个实验通过这个框架达到了他们各自的任务目的，下面具体地，由论文的simulation4来讲解一下，这是一个什么样的任务，又用什么样的架构解决了这个任务的问题：

下面说它用的什么框架：

这样训练完成它解决了什么问题：

当有一个新的序列输入时候，模型能分辨出这是哪一个任务，从而得出接下来该执行什么动作。更具体地说：比如上一个奖励是１，动作是Ａ１，经过这个模型它能知道这个奖励是通过common 还是uncommon transition 得到的，（ｓ０到ｓ１再到奖励１是大概率跳转时称为common transition,是通过小概率跳转得到的奖励成为uncommon transition）.因此，当通过模型知道奖励１是通过common transition得到时，模型知道接下来要多重复这个动作能得到更多奖励（论文中重复概率称为stay probability ）。同样地，如果执行动作Ａ２也得到奖励了１，但是模型学会了这是uncommon　transition，它不会重复Ａ２这个动作。同样都是得到奖励１，通过这个模型才可以知道该不该跟着干这个动作以或者更多奖励。 这就是这个模型要学到的最终效果，这个任务的效果，从另一个角度来说，是用ＲＮＮ达到了world base的效果，尽管它并没有训练一个world 模型。

原文：Another

important setting where structure-sensitive DA signaling has been

observed is in tasks　designed to probe for model-based control.

总结并强调这个新模型的本质：

这种以前额皮质（PFC）的机制来建模的metal

rl

leaning，主要利用了PFC中发现的功能，它会吸收奖励和动作的历史序列，把这个序列encode为某种任务结构的内部表示。所以１，这个模型可以用于训练基于相同结构的多种任务上。所以２，训练完成后，你输入一个新的序列，这个模型能通过这个序列得到对应任务的内部结构表示，从而知道目前到底是哪个任务，从而给出针对这个任务该有的policy.

下面这个是代码链接：

https://github.com/mtrazzi/two-step-task

ＰＳ：请大概看过论文再看解读，如果有想法和疑问欢迎交流，我的微信号：Leslie27ch