Cerebellum-gestützte RL-Architektur verbessert Effizienz und Robustheit

Ein neues Reinforcement-Learning-Framework, das sich an den Strukturen des Kleinhirns orientiert, verspricht, die Grenzen herkömmlicher Algorithmen zu überwinden. Durch die Kombination von großer Expansionskapazität, sparsamer Vernetzung, sparsamer Aktivierung und dendritischer Modulation schafft die Architektur ein robustes Lernumfeld, das besonders bei verrauschten, hochdimensionalen Aufgaben glänzt.

Im Vergleich zu klassischen Modellen zeigen Experimente auf anspruchsvollen RL-Benchmarks eine deutlich höhere Stichproben­effizienz, verbesserte Widerstandsfähigkeit gegenüber Rauschen und eine stärkere Generalisierung bei partieller Beobachtbarkeit. Die Ergebnisse deuten darauf hin, dass die cerebellum‑inspirierten Strukturen nicht nur die Lernrate beschleunigen, sondern auch die Modellkomplexität reduzieren.

Eine Sensitivitätsanalyse der architektonischen Parameter verdeutlicht, dass die biologisch inspirierten Prinzipien optimale Leistungen bei begrenzten Modellparametern ermöglichen. Diese Erkenntnisse unterstreichen die Bedeutung von strukturellen Priors als effektive Induktions­biases für die Entwicklung leistungsfähiger Reinforcement-Learning-Systeme.