Pekiştirmeli öğrenme (RL) algoritmalarının çevrelerini verimli biçimde keşfedebilmesi, başarılı bir eğitimin temel koşullarından biri. Ancak geleneksel yöntemlerde kullanılan birbirinden bağımsız rastgele gürültü, zaman zaman yetersiz kalıyor; algoritma aynı bölgeleri tekrar tekrar ziyaret edip yeni alanlara yeterince uzanamıyor.
Araştırmacılar, bu soruna alışılmadık bir yerden çözüm aradı: bebek hareketleri. Bebeklerin henüz amaçlı motor kontrol geliştirmediği erken dönemlerdeki spontan hareketlerini analiz eden ekip, bu hareketlerin rastgele beyaz gürültüden farklı olduğunu gözlemledi. El ve ayak ucu hızlarının güç spektral yoğunlukları incelendiğinde, zamansal olarak ilişkili 'renkli gürültü' süreçlerine uyduğu ve bu ilişkinin bebeğin yaşı arttıkça güçlendiği görüldü.
Bu ilhamla geliştirilen yeni mekanizma, eğitimin başında düşük zamansal korelasyonla başlayıp süreç ilerledikçe bu korelasyonu kademeli olarak artırıyor. Böylece erken aşamada geniş bir alan taranırken ilerleyen dönemde daha düzgün ve odaklı hareketler elde ediliyor. Bu yapı, bebeklerin motor gelişim eğrisini birebir yansıtıyor.
Farklı RL ortamlarında yürütülen deneyler, bebek ilhamlı gürültünün hem daha yapılandırılmış bir keşif davranışı hem de geleneksel yöntemlere kıyasla daha hızlı öğrenme sağladığını ortaya koydu. Özellikle durum uzayının kapsamlı taranması gereken karmaşık görevlerde performans artışı belirginleşti.
Çalışma, nörobilim ve gelişim biyolojisi bulgularının makine öğrenmesi algoritmalarına entegre edilmesinin somut faydalar doğurabileceğini bir kez daha gözler önüne seriyor. Bebeklerin 'amaçsız' gibi görünen hareketlerinin aslında motor sistemin kendini organize etme sürecinin bir parçası olduğu düşünüldüğünde, bu çapraz disipliner yaklaşımın mantığı daha da netleşiyor. Araştırma, arXiv ön baskı sunucusunda yayımlandı.